“把每一家企业都视为软件公司是不够的。现在,每一位CIO都是云运营家。”总裁兼首席执行官Paul Cormier在新常态下给出了这样的判断。
在新常态下,创新仍然是第一优先事项。红帽全球副总裁兼大中华区总裁曹衡康(Victor Tsao)表示,过去像容器、人工智能、大数据都是来自于开源社区,毫无疑问开源也代表了创新。
红帽全球副总裁兼大中华区总裁曹衡康(Victor Tsao)
操作人员可以不分地点在本地、在云上都可以拥有一致的体验,简化操作复杂性,降低成本,并实现跨环境兼容性,红帽则具备广泛的选择和灵活性,可在任何地方进行创新。
为开源社区贡献成为被选择的重点
最近红帽发布的《2022年企业开源现状调查报告》对全球1296位企业IT决策者进行采访发现,95%的IT领导者认为企业级开源对于他们组织的整体企业基础架构非常重要,这相比去增长了5个百分点。
这也表明越来越多的IT领导者都在强调企业开源的重要性,同时82%的IT决策者更愿意选择为开源社区做出贡献的供应商。
究其原因可以总结为四点,第一,49%的CIO认为贡献度高的供应商对开源流程更清楚;第二,49%的CIO认为贡献度高的供应商会维持开源的健康发展;第三,49%的CIO认为贡献度高的供应商对所需功能开发有影响力;第四,46%的CIO认为贡献度高的供应商自身技术能力相对较高,能够挑战更高的新技术。
同时,80%的IT决策者预计,他们会在新兴技术领域使用企业级开源软件,其中71%在人工智能或机器学习、71%在边缘计算或互联网、68%在容器、61%在无服务器计算。
使用企业级开源的好处在于安全性更高、软件质量更高、能够安全地运用开源技术、为云技术、云原生技术设计。报告也调查了现在企业级开源的主要用途,IT基础架构现代化占62%、 数字化转型占54%、应用开发占53%、应用现代化占48%。
推动混合云的企业数字化转型模式
今年红帽全球峰会也发布了一系列的创新,Red Hat Enterprise Linux 9(RHEL 9)在混合云中拥有更快创新的自由度和灵活性,不会遗弃现有的工作负载和应用,而且RHEL 9是一个稳定、一致和值得信赖的平台,为扩展应用和跨混合云推出新兴技术提供更强大的安全环境。
软件定义车辆也是今年大会的一大重点,红帽宣布与通用汽车合作,把Ultifi平台运行在红帽的In-Vehicle Operating System车载系统上。这也将Linux标准应用于对安全至关重要的汽车系统;通过持续的安全认证方法,在开放平台上推动快速创新;利用设计重用和广泛的 Linux人才库优化开发;通过可更新的系统创建新的商业模式,使汽车具有长期相关性。
边缘计算这个未来趋势自然也不能少,OpenShift、RHEL能够支持边缘计算有效的扩展。实现智能边缘基础架构、从核心到边缘的共同基础、将自动化扩展到极致。
红帽还宣布与埃森哲扩大战略合作伙伴关系加快创新和云转型,包括埃森哲正在进一步投资Cloud First业务,与红帽开源产品组合共同增长;将红帽OpenShift与埃森哲服务集成,交付综合性的云服务;支持多合作伙伴合作,以交付定制的解决方案;加速开放混合云创新的共同路线图。
红帽希望通过混合云协助客户进行数字化转型。曹衡康表示,透过开放混合云,加速企业数字化转型进程是2022红帽大中华区发展策略。
同时,红帽也在今年成立了红帽客户成功团队(Red Hat Customer Success)来保障客户的成功,为企业使用开源软件提供全方位的规划、支持和保障,结合数字化转型及云原生转型趋势,提供端到端的全生命周期解决方案。
好文章,需要你的鼓励
Anthropic推出Claude Code的Slack集成功能,让开发者能直接在聊天线程中委托编程任务。这项测试功能于周一以研究预览版形式发布,基于现有Slack集成增加了完整工作流自动化。开发者现在可以标记@Claude启动完整编程会话,Claude会分析消息确定合适的代码库,在线程中发布进度更新并分享审查链接。这反映了行业趋势:AI编程助手正从IDE迁移到团队协作工具中。
波恩大学研究团队首次量化AI训练的材料成本,发现一块GPU含32种元素,93%为重金属。训练GPT-4需消耗约7吨金属材料,其中多为有毒重金属。研究建立了从计算需求到硬件消耗的评估框架,发现通过软硬件优化可减少93%的资源消耗。该研究揭示了AI发展的隐性环境代价,呼吁行业从规模竞赛转向效率革命,实现可持续发展。
AI发展推动数据中心行业迎来前所未有的挑战与机遇。Switch公司消耗内华达州三分之一电力,展现了AI对电力需求的巨大规模。核能成为AI未来发展的关键,单个AI机架功耗可达1.7MW。预计到2030年,数据中心行业将消耗200GW电力。创新的星形配置设计和差异化备电策略正在重新定义数据中心的弹性架构,仅20%的工作负载需要发电机备份。
南开大学团队构建了迄今最大规模的结肠镜AI数据库COLONVQA,包含110万视觉问答条目。他们发现现有AI模型存在泛化能力不足和容易被误导等问题,因此开发了首个具备临床推理能力的结肠镜AI模型COLONR1。该模型采用多专家辩论机制生成推理数据,在综合评估中准确率达56.61%,比传统方法提升25.22%,为智能结肠镜诊断从图像识别向临床推理的转变奠定了基础。