过去十年中,云计算已经成为交付移动服务和内容服务的基础,以及传统企业计算环境的一种替代方案。随着企业开始转型为数字为先的企业,云将继续发挥更大作用、甚至是主导作用,因为IT行业专注于提供更高的效率、更高的灵活性和更快速的创新。
未来,云将在企业中发挥核心的作用,在这个背景下IDC对“整体云”支出进行了预测:全球云服务、基于云的供应链硬件和软件总支出,以及围绕云服务的专业/托管服务机会,到2025年将超过1.3万亿美元,同时保持16.9%的复合年增长率(CAGR)。
IDC全球研究集团副总裁Rick Villars表示:“在当今以数字为先的世界中,业务成果和创新越来越依赖于是否能够在任何地方尽快开发和使用创新技术和服务的能力。云是满足这一需求的基础。整个行业都希望可以智能地利用数据来发挥优势,之所以能够做到这一点,是因为他们可以更快地访问建立在云基础上的数字技术。”
IDC的预测着眼于共享(公有)云服务和专用(私有)云服务。定义如下:
共享(公有)云服务是可以在没有相关性的企业或者消费者之间进行共享的服务,对大量不受限制的潜在用户开放,且是为市场设计的,而不是为单个企业设计的。
专用(私有)云服务则是以订阅方式或者托管服务协议的方式由云、托管、外包或托管服务提供商提供给企业客户的。
面向基础设施、平台和各种软件产品的共享(公有)云服务仍然是整个云市场份额最大、增长最快的一个增长引擎。共享云服务的综合支出——包括基础设施即服务(IaaS)、系统基础设施软件即服务(SISaaS)、平台即服务(PaaS)和软件即服务(SaaS)到2021年将达到3850亿美元,到2025年复合年增长率(CAGR)将超过21.0%,达到8090亿美元。
专用(私有)云服务,包括托管私有云服务和快速兴起的专用云基础设施即服务(DCIaaS)的复合年增长率更高一些,增幅为31.0%,但收入基数要小得多,2021年为50亿美元。
云支出中“即服务”部分,包括共享云即服务和专用云即服务,在整个预测期内将占到所有云支出的大部分,份额将从2021年的55.7%增长到2025年的64.1%,而且这些细分市场的支出增长也是最快的,五年复合年增长率为21.3%。
云构建块,硬件、软件、和面向这些云资产的标准服务是“即服务”细分市场之外最关键的云支出领域。IDC称,在整个预测期内,用于云基础设施的计算和存储基础设施产品支出将仍将超过非云IT基础设施。云硬件、软件和支持服务的五年复合年增长率预计为11.8%。
“即服务”总支出中,不包括云支出的另外两个细分市场,一个是云相关的专业服务,另一个是托管云服务。云相关的专业服务包括了一系列基于项目的服务,例如战略规划、协助实施或采用所有类型的云服务,以及其他需要云交付能力作为基础元素的项目。托管云服务则是提供管理功能,以确保云技术和架构、应用和基础架构、相关业务流程和“嵌入式”专业服务能够以全天候24x7运行。整个预测期内,云相关的专业服务和托管云服务的支出水平将是持平的,其中托管云服务的支出增长会略快一些。
展望未来,在向数字经济转型的大背景下,推动云市场的基础将持续发生转变。对于云服务提供商(共享和专用)来说,重点将放在定义所交付资源的类型和规模,管理数据的移动、存储和分析,以及建立强大的开发人员、安全性和生态系统。对于云基础设施提供商而言,在不同环境中开发和部署专业能力,将变得比扩展通用解决方案的广度更重要。对于IT部门来说,对多样化的云资源和数据集的治理,将会给运营带来巨大挑战。
Villars表示:“随着企业在选择云的过程中更加关注‘结果’,所有云提供商的长期重点变成加强他们与业务部门,而非IT部门之间的关系,不管是设备、边缘、网络、还是核心。”
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。