根据IDC全球云IT基础设施季度追踪报告显示,2020年第三季度厂商从销售IT基础设施产品(服务器、企业存储和以太网交换机)中获得的收入同比增长了9.4%,而传统的非云基础设施产品支出同比下滑了8.3%。
这表明市场对COVID-19大流行给商业、教育和社会活动带来的重大影响,以及IT基础设施在这些影像中所扮演的角色。全球各地的人们开始在生活中全面采用各种在线工具,包括协作、虚拟商业活动、娱乐、购物、远程医疗和教育,云环境(尤其是公有云)是这一转变的关键推动力。
2020年第三季度,公有云IT基础设施支出同比增长13.1%,达到133亿美元。上个季度,公有云IT基础设施支出有史以来首次超过非云IT基础设施支出,但到了第三季度非云IT基础设施支出重回第一,达到137亿美元。据IDC预计,不久的将来公有云IT基础设施支出将再次超过非云IT基础设施支出,并扩大其领先优势。2020年第三季度,私有云基础设施支出同比增长0.6%,达到50亿美元,而其中,本地私有云占到了63.2%。
IDC认为,硬件基础设施市场已经达到了临界点,云环境将在总支出中占据越来越大的份额。现在云环境所占份额仅为四分之一,在遭受了COVID-19带来的市场冲击之后,现在市场趋于稳定,IDC小幅提高了2020年全年云IT基础设施支出预测,预计增幅为11.1%,达到741亿美元。IDC调低了对非云基础设施的预测,预计下滑11.4%至602亿美元。从全年来看,公有云IT基础设施支出预计同比增长16.7%至527亿美元,私有云基础设施支出预计下滑0.5%至213亿美元。
截至2019年,在计算平台和以太网交换机领域,云IT环境相对非云环境的主导地位一直存在,而大多数新出货的存储平台仍采用非云环境中。从2020年开始,随着公有云提供商增加了对存储平台的投资,云环境将主导所有这三个主要的技术领域。2020年云部署环境中,计算平台所占的支出份额最大(49.1%),增长2.3%至364亿美元,存储平台是支出份额增长最快的,增幅为27.4%,达到292亿美元,以太网交换机平台同比增长4.0%,达到85亿美元。
从地域来看,2020年第三季度大多数地区的云IT基础设施支出都在增长,其中加拿大(32.8%)、中国(29.4%)和拉丁美洲(23.4%)年增幅最高。美国的增幅为4.7%,日本和西欧分别下滑6.7%和3.4%。在除加拿大和日本以外的所有地区,公有云基础设施的增长都超过了私有云IT的增长。
从厂商来看,结果好坏参半。浪潮、华为和联想的同比增幅均达到两位数,而其他大多数主要厂商(包括ODM Direct厂商)的增幅为个位数,思科是唯一一家同比下滑的主流厂商。
注释:
*在全球IT基础设施市场,当两家或者更多厂商之间的收入份额相差1%或不足1%的时候,IDC认为这些厂商位于并列位置。
a由于HPE和新华三集团现有的合资公司,IDC从2016年第二季度开始把HPE和新华三集团作为“HPE/新华三集团”一个整体记录全球市场份额。
b由于IBM与浪潮成立了合资公司,所以IDC从2018年第三季度开始将浪潮和浪潮商用机器作为“浪潮/浪潮商用机器”一个整体记录全球市场外部市场份额。
长期来看,IDC预计云IT基础设施支出的五年复合年增长率为10.6%,到2024年达到1105亿美元,占IT基础设施总支出的64%,公有云数据中心占比69.9%,复合年增长率为11.3%。私有云基础设施支出的复合年增长率为9.2%。非云IT基础设施支出将在2020之后开始反弹,但总体下滑幅度为1.7%。
好文章,需要你的鼓励
谷歌Agent Development Kit(ADK)革新了AI应用开发模式,采用事件驱动的运行时架构,将代理、工具和持久化状态整合为统一应用。ADK以Runner为核心,通过事件循环处理用户请求、模型调用和外部工具执行。执行逻辑层管理LLM调用和工具回调,服务层提供会话、文件存储等持久化能力。这种架构支持多步推理、实时反馈和状态管理,为构建超越简单聊天界面的生产级AI应用提供了完整框架。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
苹果在iOS 26中推出全新游戏应用,为iPhone、iPad和Mac用户提供个性化的游戏中心。该应用包含五个主要版块:主页展示最近游戏和推荐内容,Arcade专区提供超过200款无广告游戏,好友功能显示Game Center动态并支持游戏挑战,资料库可浏览已安装游戏并提供筛选选项,搜索功能支持按类别浏览。iOS 26.2版本还增加了游戏手柄导航支持,为游戏玩家提供更便捷的操作体验。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。