金融IT上云,科技引领业务
2016年7月15日,银监会发布《中国银行业信息科技“十三五”发展规划监管指导意见》征求稿,要求到“十三五”末期(2020年),银行业面向互联网场景的重要信息系统全部迁移至云计算架构平台,其他系统迁移比例不低于60%。此举意味着银监会明确制定了银行业上云时间表。
上云被提上日程,除了内部所需,也是外压所迫。互联网金融、第三方支付强势崛起、不断抢占市场,传统银行不得不加速互联网改革,才有希望弯道超车。云杉网络通过与银行客户的深入交流和总结发现,银行IT基础设施的建设周期包括两类:一类是已经完成互联网业务和部分核心业务的云化,正在精细化运营云计算基础设施;另一类是在分析自身现状和能力,为自身的云计算转型设计最佳的战略,包括自建私有云、使用金融行业云、混合云等方案。
金融云服务,将联合其他金融IT方案,为银行、基金、保险等金融机构提供IT资源和互联网运维服务,开展面向银行业的公共云平台规划和建设,让金融机构能够更好地开展互联网业务。只有使金融业务与科技深度融合,从“科技支撑业务”走向“科技引领业务”,才能逆流而上。
作为所有行业中最重视数据安全和高度监管的行业,上云过程中将面临技术选型、架构转型、安全风险等诸多考验。但是,这些困难反而激发了创新的动力:公有云服务商着手拓展大型银行(如AWS密切跟进摩根、花旗、高盛),金融科技服务商打造行业云(如平安科技推出平安云),中大型银行自建私有云(如光大银行)。
深耕金融场景化,重推金融云平台
平安云,诞生于平安集团的科技大本营。从2013年底立项以来,目前已经推出IaaS层的全套产品线,为金融行业客户提供可靠、弹性、高效、集约的基础架构层服务。
平安云的领先性包括:
云网络面临的双重挑战
网络是数据和安全的基础,网络一直是云计算中最引人关注的领域,金融云网络更是金融系统上云面临的最大挑战。如何实现网络架构安全合规?如何交付灵活弹性的网络资源?如何快速排障保证网络稳定可靠?这不仅是业务上的难题,更是行业中的挑战。
1 业务形态:对网络运维和管理提出挑战。
2 行业形态:对网络整体架构提出挑战。
平安云网络建设之路
平安云总体架构
在计算方面,平安云是中国第一家推出容器云服务的金融行业云。在网络方面,包含网络服务和网络运维两大体系:网络服务以NSP(Network Service Platform)数据中心网络资源统一管理平台为核心,站在网络运营视角,融合SDN、NFV等技术,提供稳定、可靠、可控、可连续的VPC业务;网络运维以AlphaOps智能运维平台为核心,提供云数据中心网络运维能力。
网络服务体系
NSP交付的网络服务分为Fabric服务、NF(网络功能)服务、增值服务三大部分。
网络运维体系
自研的AlphaOps是服务于平安金融云的智能运维平台,全覆盖网络物理资源和逻辑资源,提供流量数据分析、拓扑管理、网络资源管理、配置、日志、监控探测等运维服务。如此庞杂的网络业务应用,更需要一套完整、可见、可管理的监控系统。
其中,因为SDN的引入,为网络带来了虚拟网络和虚拟网络功能,由此形成了新的网络运维和管理的痛点,现有的技术及方案面临巨大挑战。
云杉网络与平安云的合作
云杉网络与平安云的合作源于2016年初,由于在开放网络和软件定义网络等理念上的一致性,双方很快便建立了技术及方案层面的合作,并且通过需求挖掘、产品对接、POC、产品上线等流程,云杉网络的产品顺利在平安云生产环境的网络中实现部署。
其中,DeepFlow与平安云管理平台、NSP和AlaphOps紧密联动,构建了覆盖整个云网的网络大数据分析平台,成为平安云进一步打造网络智能平台的基础。DeepFlowTM,以数据场景化为核心,覆盖物理网络、虚拟网络和云网环境,并从采集、分析、可视和控制四个维度,构建数据驱动的分析平台。
云杉网络DeepFlow,是国内首个数据驱动的云网可视化与分析平台。基于SDN技术,为网络的管理带来了“开放可编程”和“细粒度可控”的根本价值。
未来展望
平安金融云,将持续推动平安集团3.0战略(大金融资产+大医疗健康)更快发展,打造金融平台业务,占领数据和生态阵地,为集团互联网、业务云、生态圈的爆发式增长保驾护航。
未来,在网络服务和网络运维的建设中,将以数据化、自动化和精细化管理为目标。云杉网络将与众多金融客户一起,在金融行业“十三五”发展规划建设指导下,积极应对金融云发展面临的挑战。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。