如今基于云的开发不断增长以及对性能和可靠性的需求不断增加,在云中部署应用为开发团队和消费者带来了诸多好处,与过去的本地模型相比,开发团队可以利用云基础设施快速轻松地扩展应用,而无需花费大量资金。
因此,最终用户通过社交媒体、游戏和流媒体等应用的更低延迟和更高可用性获得更好的体验。
然而,这种转向由大型云提供商托管应用导致了对拥有大量集中数据中心区域的大型云厂商的依赖。按需提供资源的弹性,推动了工程师向现代计算模式的转变,但同时也带来了安全和性能方面的挑战。
应用性能和安全挑战
依赖大型的、集中的云架构带来的主要挑战之一,就是要确保应用的性能。当应用托管在中央数据中心时,这些应用通常是远离最终用户的,这可能会导致严重的延迟问题。
那些需要实时交互的应用特别容易受到延迟和性能问题的影响。在疫情期间,在线办公的员工依靠视频会议与同事远程联系。在需要实时技术发挥作用方面,物联网设备和人工智能处理是我们看到的一些蓬勃发展的例子。
此外,集中架构会影响可扩展性和创新。即使具有水平扩展能力的均衡式设计也只能在单一环境中进行扩展。更不用说,当发生区域性停电的时候,运营可能会立即中断,直到停电问题得到解决——而这甚至不涉及恢复的过程。
当然,网络弹性也是任何应用的首要考虑因素。集中式架构在同一环境中托管所有系统和应用,这降低了攻击者的渗透和对组织造成严重破坏的进入壁垒。集中式系统代表单一的攻击区域,如果它出现故障,整个运营就会瘫痪——这会给关键业务运营带来巨大的问题。
分布式云的前进之路
为了应对这些挑战,许多企业迫切需要一种替代方案,通常是采用分布式云环境的形式,其中应用托管在全球各地的多个服务器上,从而获得更好的性能并增强对网络攻击的抵御能力。
把应用分布在多个位置,这样组织就可以减少处理和分析集中式云中的数据,以及本地化那些不需要分布的数据所花费的时间。此外,分布式云环境还减少了攻击面和攻击者可以作为目标的数据量。
此外,不同地点的本地化云环境可以让企业更轻松地满足不同国家的数据主权和本地化要求。每个云环境都可以单独调整,以使数据更接近最终用户所在的地方。这是一个越来越令人担忧的问题,特别是对于那些必须遵守其开展业务的不同国家的不同法律和法规的跨国企业。
随着企业不断转向基于云的环境,精心管理应用所在的位置就变得越来越重要。不断发展变化的、新兴的云原则——混合云和多云、应用模块化以及云原生架构的标准化——可以充当支持分布式计算案例的构建块。
做出正确的选择并投资合适的技术,企业就可以优化他们的云环境,并确保应用获得最佳的性能和安全性。
好文章,需要你的鼓励
本文揭示了AI时代CIO的七项关键行为特征,基于对多位CIO和AI专家的深度访谈。专家指出,AI精通的CIO需具备实用AI素养、战略视野和变革领导力,能将技术与业务战略对齐,建立强大数据治理基础。文章详细解析了分析型AI、生成式AI和智能体AI三大技术领域,强调数据基础的重要性,并提出CIO应从项目思维转向产品思维,通过跨职能团队实现端到端价值交付。
斯坦福大学等机构联合开发的CIFT系统首次解决了机器人"近视眼"问题,通过精确控制真实数据和合成数据的混合比例,让机器人在陌生环境中的表现提升54%以上。该系统包含多视角视频增强引擎MVAug和数据组合优化策略,能够预测数据失效的"去相干点",确保机器人学习真正重要的任务特征而非环境表象,为实用化通用机器人奠定了重要基础。
尽管苹果在AI竞赛中看似落后,但其私有云计算基础设施展现了技术优势。当行业为追赶大语言模型而降低隐私标准时,苹果坚持原则,开发出保护用户数据隐私的技术方案。谷歌最新宣布的类似实施方案验证了苹果技术路线的正确性,这可能推动其他AI实验室采用相同做法,为用户隐私带来重大胜利。
香港中文大学研究团队开发的Search-R3系统成功解决了大语言模型推理与搜索分离的问题,通过两阶段训练让AI在深度思考过程中直接生成搜索向量。该系统在多个领域测试中显著超越现有方法,特别是启用推理后性能提升明显,为AI系统设计提供了推理与搜索统一的新范式,展现了从专门化向通用化发展的重要方向。