对于谋求数字化转型的产业园区来说,在园区内搭建云计算平台,可以充分利用云计算在敏捷性、灵活性方面的优势,提升园区数字化能力,更好地为园区整体运营服务。但是,云平台的搭建往往意味着高额的成本支出,要更好地保护园区在园区云建设方面的投资,除了优化云基础设施建设之外,还需要在商业化运营方面进行拓展,将成本中心转换为效益中心。
这也是很多寻找业务云化的行业用户所面临的问题——云计算投资耗费巨大,但商业价值在短期内很难体现,由此给组织造成沉重的成本压力。为此,本文笔者提出以下两个建议,希望可以更好地拓展行业云平台的商业化能力,让云计算的效益真正可见。
图1云平台商业化能力
基于行业云平台建立商业化体系
行业云平台不仅应该为组织提供资源整合与信息化服务,还应该推动建立一套良性循环的商业化体系。利用信息化手段为消费者提供更加舒适、惬意、人性化的消费服务引导,消费者可以借助商业平台获取便捷服务,商户则能够实现商业服务模式的全新升级,从而突破商业服务瓶颈,挖掘消费服务的商业价值。
此外,行业云平台的运营者还可以探索建立自有的SaaS服务体系,将部分服务以增值服务的形式提供给客户,通过一次付费、包月,按需求、按年等向用户提供云计算服务。如CRM、ERP、杀毒等应用服务以及IM、网游、搜索、地图等无线应用。另外,还可以通过测试环境、开发环境等平台云服务,减少云软件供应商的设备成本、维护成本、软件版权的费用,带动软件开发者开发应用,以及Saas业务的发展。
以启迪国信推动建立的启迪数字园区云为例,其设置了启迪云企、启迪云商、启迪云网、启迪云站、启迪云卡、启迪云物、启迪云数七大服务板块,不仅能够实现园区业务信息协同共享,还致力于拓展周边商业服务。对于入驻企业来说,其能够通过云服务显着提升组织的数字化能力,帮助组织提升管理与业务效率;对于园区云的运营者来说,其提供了一套具备强大竞争力的商业体系,有助于获取丰富的商业回报。
图2 启迪园区云服务板块
“云+端”融合云计算与边缘计算
启迪国信“企业数字化研究中心”专家调研数据显示,面对组织迫切的数字化转型需求,业界现在普遍倡导“业务应用交付在边缘,管理在云端”的模式。与纯云端的模式相比,业务应用在边缘交付不仅可以显着降低云端的压力,还可以实现毫秒级低延时以及更高的网络带宽,能够保证网络传输效率以及稳定性。尤其特别适用于高清图像处理、视频监控、智能交通、智能家居等业务场景。而通过将计算能力下沉到移动边缘节点,提供第三方应用集成,将为移动边缘入口的服务创新提供无限可能。
在边缘计算的应用场景中,移动化显然是最常见、最富商业想象力的应用场景。一方面,随着移动智能终端性能的增长以及应用的成熟,其本身已经成为一种重要的边缘计算设备,海量的移动终端凭借其强大的计算能力,与贴近实际应用的特质,能够真正承载业务的巨大压力;另一方面,移动终端本身也是边缘计算最重要的接入设备,边缘计算在提供服务时需要将移动化应用与需求摆在至关重要的位置。
对于行业云的运营者来说,其可以在公共场所建立融合了云计算与边缘计算的网络连接环境,在消费者接入网络之后,可以快捷的查看网络信息、获取网络服务。同时,运营者还可以在网络中植入推广应用、广告等商业化元素,发挥行业云应用的商业潜力。仍然以启迪国信搭建的启迪数字园区云平台为例,其融合了云计算与移动终端,可以提供移动社交服务、物业服务、招商服务、政务服务,在移动端上面实现快捷获取,拓展商业能力。
“要想将云计算与边缘计算融合,组织还需要将移动安全问题摆在重要位置。在用户的移动设备接入到组织网络中之后,组织需要处理内部移动设备与外部移动设备在网络上的隔离与沟通问题,如果外部移动设备可以访问内部移动设备,那么组织的数据无疑将处于非常危险的境地。此外,组织也需要对用户的移动设备以及试图访问的移动内容进行静默、适度的管控,避免在无线网络覆盖范围内出现内容违规等现象,以净化网络环境。” 启迪国信副总裁、智慧园区云事业部总经理孙金树表示。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。