AWS正致力于帮助企业组织将基于大型机的工作负载迁移到云端,并有可能将其转变为现代云原生服务。
AWS在去年年底举行的Re:Invent大会上公布了Mainframe Modernization大型机现代化项目,当时AWS首席执行官Adam Selipsky称“客户正在试图尽快摆脱大型机”。
无论这是否基于现实情况,AWS称,向云端迁移将不可避免地需要客户经历一个漫长而复杂的过程,需要多个步骤来发现、评估、测试和操作新的工作负载环境。
为此,大型机现代化服务将提供一个完整的开发和运行时环境,让客户更轻松地在AWS上实现大型机工作负载的现代化和运行,或者客户也可以按原样维护现有应用,并将应用重新构建到AWS平台,只需要修改非常少量的代码。
该服务中内嵌的托管运行时环境旨在提供必要的计算、内存和存储,来运行重构和平台化的应用,此外还可以自动执行容量配置、安全性、负载平衡、扩展和应用运行状况监控。
这项功能显然是由Micro Focus Enterprise Server提供支持的,这是一个现有的应用部署环境,可用于在Linux或者Windows上运行IBM大型机应用。
Gartner副总裁Phil Dawson提醒说,几乎可以肯定的是,那些把大型机工作负载迁移到云端的企业,未来某个时候需要对这些工作负载进行重构或重新编码。
他说:“将COBOL应用迁移到云端,这看起来可能是很有吸引力的,但是后续你要做很多技术性工作。”
客户肯定不希望由自己来承担所有这些工作,因此AWS表示,系统集成商借助AWS提供的大型机现代化工具,可以发现大型机工作负载、评估和分析迁移准备情况,然后规划迁移和现代化项目。
作为集成商之一,Infosys公司表示,这项新服务使其能够帮助客户获得云计算的好处,同时保留在大型机系统方面积累了多年的业务知识。
“AWS Mainframe Modernization服务使我们能够为客户提供这些好处,增强了我们已经很广泛的大型机现代化能力,使我们能够以更低的成本和更低的风险更快地构建现代化的、可扩展的数字原生应用,”Infosys公司总裁、首席执行官Eric Paternoster在一份声明中这样表示。
至于重构,AWS提供了一些自动化功能,这是去年通过收购迁移专业公司Blu Age获得的。据AWS称,这种自动化功能可以把COBOL、PL/1、NATURAL、RPG/400和COBOL/400等语言编写的应用转换为Java服务和Web框架。
但是,把应用从大型机系统迁移到AWS,客户真的有这方面的需求吗?很多企业购买大型机是为了运行组织所依赖的关键任务服务,例如用于管理事务的CICS,而这些不太可能转移到公有云平台上。
Omdia首席分析师Roy Illsley表示认同,他认为,AWS的大型机现代化服务可能主要吸引那些已经把AWS用于其他工作负载、并且可能拥有一些他们可能想要现代化的大型机应用的客户。
他说:“云并不适合大多数的大型机工作负载,我们的数据显示,并没有从传统环境大规模迁移到云端的明显趋势,我认为,他们提供这项服务是为了实现完整性。”
Gartner管理副总裁Mike Chuba表示,他所见过的很多大型机迁移项目最终从未真正完成过,而那些完成了的往往是一些规模较小的大型机环境,或者是很容易实现的成果——也就是说,那些并不重要的应用。
他解释说:“几乎所有大型机用户都面临一项挑战,那就是很多工作负载通常是不能出故障的关键业务应用,因为一旦出现故障,业务将面临严重的风险。因此,他们需要100%确保迁移是成功的,同时还要确保满足SLA的要求。”
AWS此次推出的大型机现代化服务现已在覆盖美国、亚太地区(悉尼)、加拿大、欧洲和南美的AWS区域全面上市,未来几个月还将新增其他的区域。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。