企业的数字化转型正在热情高涨的阶段,大家都在忙于此或是在路上,但IDC的一条调查数据如同一盆凉水当头泼下,“2017年,60%的数字化转型举措将由于缺乏战略架构而无法进行扩展;2018年,70%各自为政的数字化转型举措将会由于缺乏协作、整合、采购或项目管理而失败。”??也就是说,哪怕我们说的再热闹,做好了自认为万全的准备,但也万万没想到我们从“根儿上”就没为数字化转型打好基础。Riverbed大中华区技术总监张晓和代表Riverbed发声:“真正实现数字化转型,需要对网络和应用基础设施进行全新构思。”
现在的问题出在哪儿?又如何全新构思?从忙着进行数字化转型,和落地应用云计算技术的企业自身来看,企业不断改变原有的网络架构,网络架构的复杂化导致企业越来越不“了解”自己的IT基础设施;从市场的大趋势来看,硬件和技术厂商不断的解耦合,软件交付越来越成为主流,导致企业在解决分散的业务问题时,倾向于用特定的数字技术来解决每个单一的问题。这意味着,企业虽然在数字化方面不断努力,却无法将数字化技术与运营完全整合,不断发生的企业内部应用性能问题深深的存在于底层的基础设施,得不到有效的解决。企业怎么才能意识到,想要真正实现应用、计算、存储和网络基础设施的最佳合力,必须让各部门通力合作、无缝对接,形成命运共同体呢。Riverbed深知这些急于转型企业的痛点,所以目标是要在企业范围内实施战略架构,整合所有组件,从而形成一个无缝的、软件定义的系统,并借助该系统交付高性能应用、数据和服务。
所以,针对云、混合网络和数字化环境,Riverbed都做了些什么?近日,Riverbed宣布推出两个新的提升网络性能方案Riverbed SteelCentral应用性能指挥中心以及SteelCentral SaaS解决方案。此两种方案从企业应用管理的一线入手,SteelCentral的功能进一步更新,能全面覆盖网络、基础设施、统一通信以及终端用户领域。
Riverbed SteelCentral为上文提到的企业对应用性能管理能力不足的问题提出了解决方案。SteelCentral提升了性能监测模块间的通信和互操作性,帮助企业更好地对数据包、基础设施、各类应用和统一通信进行管理。此外,SteelCentral还拓展了终端用户体验管理能力,能够更好地应对各种新设备、新平台和新生事物对现代企业IT提出的需求变化。张晓和补充道:“SteelCentral对云内外的应用、网络、基础设施和云内外的终端用户进行监测,帮助企业在整体上对性能进行管理,让企业能更主动的发现整条业务链中的性能问题,并快速找到问题所在。”据了解,为了让企业用户快速发现性能问题的源头,SteelCentral近一步丰富了“性能指标”,将以往需要进行数据包分析才能获得的细粒度交易数据提供给用户,对照数据,用户能快速发现应用性能问题所在,这也降低了故障修复的平均时间。
据了解,Riverbedbed的此次发布的SteelCentral AppResponse 11整合了基于网络的监测解决方案SteelCentral AppResponse和SteelCentral NetShark,Riverbed SteelCentral平台的全部更新内容将于近期正式上市。
进一步的,为了解决企业在管理新兴移动和云技术方面的性能检测和管理问题,Riverbedbed同时宣布推出SteelCentral SaaS解决方案,提供云性能管理,其中的SteelCentral Aternity则能将监测的能力扩展到任意终端设备中去。SteelCentral SaaS将终端用户体验和应用监测、网络性能监测有效的结合起来,也用可视化的方法为企业提供针对云应用的全面监测方案。
SteelCentral的更新和云化版本的推出让企业能够直观的看到来自业务应用链条中多方面的,包括应用服务器、应用程序代码、UC系统、局域网、广域网、浏览器和终端用户设备等的性能数据,无论问题发生在哪里,都能被快速发现和及时修复。
笔者看来,数字化转型和软件应用交付的发展是相辅相成的,数字化转型要求应用交付以软件形式进行,而软件形式交付的应用推动了数字化转型的全面进行。Riverbed不断完善其产品的势头让我们看到了他们帮助企业数字化转型的决心,以软件交付应用性能监测解决方案这个全新的构思也为企业另辟蹊径,当然,超车的方法不止这一个,但这一条站在企业业务应用一线的路是更直接的一条。
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。