红帽公司跟随母公司 IBM 的脚步今天宣布在亚马逊AWS Marketplace上提供旗下Ansible自动化平台服务。
Ansible 是一款开源配置管理工具,可用于简化混合云基础设施的管理并可以自动执行复杂的操作。根据 6Sense Insights Inc.的数据,Ansible 的市场份额为31%,是同类产品中使用率排名第二,仅次于 Terraform。红帽的 Ansible 自动化平台最近在 Forrester Research Inc.的基础架构自动化平台Wave评选中被评为领导者。
红帽表示,使用 AWS 的客户现在可以在云中大规模部署自动化,无需学习新的工具或整合其他技术。AWS上的红帽 Ansible自动化平台服务与 AWS 计费系统配合使用,可在一个地方全面了解成本,同时还可计入与 AWS 达成的承诺支出协议。
红帽提供托管和自托管两种选项。自托管方案具有更高的定制性和配置灵活性,对受监管行业或希望管理自己的工具的托管服务合作伙伴非常有用。红帽托管和监控服务包括红帽提供的高级支持,可以更快速地部署和开发 Ansible Playbook。
红帽还表示已与 AWS 签署了战略合作协议,以更快地在 AWS Marketplace扩展红帽开源软件的可用性。该协议包括对红帽 OpenShift 服务的额外支持。红帽 OpenShift 服务是一个托管的 Kubernetes 平台,客户可以利用红帽 OpenShift 服务简化虚拟机迁移和应用现代化计划。 该协议还包括通过 AWS 上的 OpenShift 服务支持 OpenShift 虚拟化上的 Windows 虚拟化工作负载。
OpenShift 虚拟化和迁移工具包可以简化虚拟机的自动迁移,还可以对容器和虚拟机工作负载进行自动修复和调节。红帽 OpenShift 还可以在AWS EC2 裸机实例上作为自托管产品运行。裸机实例指专用于单个租户的物理服务器,通常支持需要高性能、高可靠性或特殊配置的工作负载。
在 AWS EC2 裸机实例上运行 OpenShift 虚拟化的好处是,可以将虚拟机工作负载迁移到云平台,同时还保持类似的性能和冗余级别。虚拟机和容器可以直接与底层硬件和基础设施交互,可以减少管理开销,消除对管理程序层的需求。
国际数据公司(International Data Corp)的研究总监 Gary Chen 表示,企业需要考虑优化虚拟化基础架构的最佳方式,目的将虚拟化基础架构用作支持现代应用和人工智能服务的“现代化引擎”。他表示,“企业现在都在寻找连接传统虚拟机和现代云原生应用的战略桥梁,为未来的创新铺平道路,同时保持运营的连续性。”
作为合作的一部分,红帽正在增强 AWS Marketplace 中红帽企业Linux AI 和 OpenShift AI 的选项。这两个平台旨在促进生成式人工智能模型的开发、测试和部署。增强功能包括提供“自带订阅”和私人服务,并支持由领先芯片供应商提供的人工智能加速器和图形处理单元。
红帽公司负责合作伙伴生态系统成功的高级副总裁Stefanie Chiras表示,通过加强与 AWS 的合作,红帽将为客户提供更多选择,客户可以在混合云上运行工作负载。她表示,此外,红帽同时也为客户在运行混合云工作负载方面提供了更多选择。
她补充表示,“人工智能正在成为下一个关键的企业 IT 决策,我们正在加速实现计算基础设施领域选择的多样性,使客户能够选择最适合自己独特的混合云人工智能战略和工作负载的硬件加速器。”
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。