5年前,微软仍然有一些主要的服务没有运行在自己的Azure云上,从那时起,微软一直致力于改变这个现状。现在微软很快就将宣布,所有第一方服务(包括Office 365、Xbox Live和Bing服务)都将运行在Azure上。
对于包括微软在内的任何公司来说,希望将其所有云服务托管在一个通用基础设施上是有充足理由的。因为这样微软和其他公司就可以更快地开发新产品;满足特定的合规需求;利用微软Graph API等跨云基础技能;更快地进行扩展;将自身Azure托管服务用作客户案例进行展示;最后也是最重要的,省钱。
10年前微软曾承诺将Office 365迁移到Azure。与Bing和Xbox Live一样,Office 365是运行在微软自己的数据中心内的,实际上并未托管在Azure上。最近在进行询问的时候,微软承认,Office 365仍未完全运行在Azure上,但已经相当接近了。
微软Azure首席技术官Mark Russinovich在一份声明中称:“如今大多数Microsoft 365服务(包括Teams、SharePoint Online和Office Online)以及Xbox Live服务已经运行在Azure基础设施上了。 用于Exchange Online和Outlook.com的邮箱存储也正在迁移到标准Azure基础设施上。”
最近微软发布的一些博客文章中称,微软在Azure上运行所有服务,几年前并非如此,但是去年6月一篇有关Azure团队的文章中提到:“Azure是支持所有微软云服务(包括Microsoft Teams)的云平台。我们的工作负载运行在Azure虚拟机(VM)中,我们的旧服务通过Azure云服务部署,而新服务则部署在Azure Service Fabric上。”
早在2016的时候,微软进行了一个名为“CloudOptimal”的内部项目,该项目被特许用于在Azure上获得微软服务。CloudOptimal项目的任务是在Azure上迁移并运行所有第一方服务。所有新服务例如Teams、Windows Virtual Desktop和xCloud游戏服务则是从一开始就设计运行在Azure上的,但当时某些旧服务(尤其是某些规模较大的服务例如Exchange Online)并未迁移,因此现在这部分是需要迁移的。
我发现有一位微软员工在他们的LinkedIn资料中提到了“CloudOptimal”。微软至少有一个关于CloudOptimal的内部会议,旨在培训数百名微软工程师如何迁移到Azure,或者在Azure中构建第一方商业服务。甚至还有CloudOptimal T恤,在eBay上出售的二手价格为24.99美元。
一位Azure程序经理的LinkedIn资料显示,他的工作是让微软服务通过CloudOptimal项目“虚拟化工作负载并运行在Azure上”。资料显示,“这个项目帮助我们朝着融合微软分散基础设施、带来Azure新能力、降低COGS(销售成本)的长期愿景迈进了一步,并影响着微软季度财报中所有三个细分业务方向的收益情况。”
据说,Exchange和SharePoint的关键部分仍然运行在为专门为其设计的Autopilot裸机系统上,在某些情况下,这些服务的前端服务器是运行在Azure虚拟机中的。但是更为复杂的数据库和邮箱服务器还没有做到这一点。不管怎样,微软10年前许下的将自身服务前部迁移到Azure上的承诺似乎终于要实现了。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。