根据IDC全球半年度全球公有云服务追踪报告显示,全球公有云服务市场——包括基础设施即服务(IaaS)、平台即服务(PaaS)、软件即服务-系统基础设施软件(SaaS – SIS)、软件即服务-应用——总体同比增长29.0%,全年收入总额为4086亿美元。
2021年整体支出呈现继续整合的趋势,前五大公有云服务提供商(微软、AWS、Salesforce、谷歌和SAP)总收入占全球总收入的近40%,同比增长36.6%。其中,微软以14.4%的市场份额在整个公有云市场中占据首位,产品覆盖所有四个部署类别,紧随其后的是AWS,市场份额为13.7%。
IDC全球研究集团副总裁Rick Villars表示:“2021年企业组织继续大力采用共享公有云服务,使IT投资更紧密地与业务成果保持一致,确保快速获得数字优先业务所需的创新。未来几年中,领先的云提供商将在帮助企业度过当前的颠覆风暴(通货膨胀、供应链和地缘政治紧张局势等)方面发挥关键的作用,但IT团队也将更多地专注于在不断变化的公有云服务支出模式中增强财务责任。
2021年整体公有云服务市场增长了29.0%,与此同时,支持数字优先战略的基础云服务*收入增长了38.5%,这说明企业越来越依赖于围绕广泛部署的计算服务、数据/人工智能服务、应用框架服务所构建的云创新平台来推动创新。当下企业需要利用云来克服当前难题并加速向数字业务的转型,因此IDC预测,基础云服务(尤其是IaaS和PaaS)方面的支出将继续以高于云市场整体增速。
IDC云和边缘基础设施服务研究副总裁Dave McCarthy表示:“过去几年说明,在充满挑战的时代,企业越来越依赖云服务实现运营现代化,为客户提供更多价值。随着公有云提供商提供越来越多将云服务扩展到本地数据中心或者边缘位置的方式,这种趋势预计将持续下去,越来越丰富的部署选项也消除了很多迁移上的障碍,促进下一波云的采用。”
IDC平台即服务研究总监Lara Greden表示:“在数字优先的世界中,那些认真考虑长期竞争形势的企业,会用业务成果的视角来评估战略技术决策,这推动了公有云市场快速成长起来的生态系统。云服务提供商在提高开发者生产力和应用交付整体速度方面正在不懈努力,其中包括了强调容器优先和无服务器优先的各种方法。”
IDC副总裁、SaaS、企业软件和全球服务部门总经理Eric Newmark表示:“SaaS应用仍然是公有云中最大、也是最成熟的细分领域,2021年收入已达到1770亿美元。尽管企业目标没有改变,但新冠疫情继续推动着旧系统的加速升级和更换。企业寻求有助于提高企业智能、提高运营效率和推动更好决策的应用。易用性、易于实施和集成、简化工作流程、数据和分析可访问性、实现价值时间等等,都是推动购买决策的关键标准,与此同时垂直化也作为一个关键优先事项在稳步增长中。”

基础云服务和SaaS-应用这两个市场都是由少数厂商占据主导的,但仍然有大量企业在全球范围内提供云服务,呈现出健康的长尾。在基础云服务市场,领导企业通过针对特定用例的PaaS服务或者跨云计算、数据或网络治理服务,占据了市场收入的近四分之三。长尾效应在SaaS-应用市场更为明显一些,客户对特定场景的关注,使得客户支出有超过三分之二贡献给了前五大厂商之外的企业。

* 注:IDC将基础云服务定义为基础架构即服务(IaaS)、平台即服务(PaaS)、软件即服务-系统基础设施软件(SaaS – SIS)等细分市场,其中排名前八的公有云服务提供商(AWS、微软、谷歌、阿里巴巴、IBM、腾讯、华为和甲骨文)占据了收入的大部分。其中包括以下主要服务组合:
好文章,需要你的鼓励
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
谷歌正在为搭载其内置信息娱乐系统的汽车推出谷歌地图实时车道引导功能,首先从极星4开始。该系统利用车辆前置摄像头和AI技术,分析车道标线和路标,为驾驶者提供更精确的车道指引和视听提示。该功能将在未来几个月内在美国和瑞典的极星4车型上推出,目前仅支持高速公路使用。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。