2018年7月10日,紫光集团宣布,紫光公有云上线试商用。紫光集团于2018年3月30日正式启动紫光云战略,宣布投资120亿元,进军公有云市场。目前,紫光云华北1区(天津)、华北2区(廊坊)和西南1区(重庆)的建设及内测于2018年6月30日如期完成。在3个月时间内,紫光云用远超常规的建设速度实现上线试商用,向公有云市场迈出了关键性的一步。
紫光云总裁兼CEO吴健表示,“紫光云最初的目标就是3个月上线,这个时间非常紧张,3个月的执行计划甚至要精确到每一天。紫光云不仅用速度证明了自己的能力,同时在建设过程中始终坚持新架构、高起点、可信赖三个原则。”
紫光云总裁兼CEO吴健
【新架构】
紫光云的定位就是企业级(ToB)市场的公有云,为了满足数据不出城、本地化交付、多资源池纳管等行业客户的需求,紫光云采用了“一多三统一”的架构设计。一多即多门户,紫光云通过大区节点+一级节点+城市节点的核心边缘多级架构的设计,构建覆盖全国的多个入口,在架构设计与搭建上天然具备了混合交付能力、个性定制能力与弹性扩展能力。三统一即统一融合架构、统一资源管理、统一运营管理,通过自主研发的CMP(多云管理平台)实现云服务资源解析与综合调度,在满足分布式、分级、个性的同时,保证了底层架构和运营运维的统一。
【高起点】
“紫光云的建设没有包袱,所以我们可以用最新的架构、最新的设备、最新的理念打造我们心中最好的云。”紫光云副总裁兼运营部总经理李永斌表示。在网络建设上,紫光云采用最先进的100G核心+25G接入的计算连接和最新的NVME存储连接架构;在服务器配置上,紫光云采用Intel最新Purley平台Skylake CPU,实现相同密度资源池性能平均提升20%。同时,紫光云与紫光西部数据联合打造高可靠存储系统,将云存储数据可用性提升到15个9,远超行业平均标准。
紫光云副总裁兼运营部总经理李永斌
【可信赖】
可靠与安全是紫光云的第一要务。紫光云首席架构师王勇阐释了紫光云引入紫光集团“芯云一体”与全球最新“授信安全”理念,将基于芯片构建可信根,实现数据加密存储和权限分级控制,打造贯穿基础设施、资源、数据和应用的端到端安全防护体系。紫光云与新华三集团联合打造符合等级保护2.0的云中心,共同组建基于公有云的态势感知预警中心。
“可信赖,是紫光云的追求与承诺。”吴健说。紫光云的愿景是做“可信赖的数字化合伙人”,这也是紫光云网事业群的重要战略。此次紫光云能够超常规极速上线,与紫光集团以及紫光云网事业群各体系的技术积累、组织协同密不可分。2个月之内,完成运营平台的架构设计和开发调试,上百个模块的优化对接;1个月之内,重庆、天津和廊坊三个节点的设备同时到货、同步实施、同步联调,这本身就是一个巨大的挑战,而紫光云成功做到了。
紫光云首席架构师王勇
本次上线试商用,紫光云宣布正式启用www.unicloud.com域名。首期上线的基础服务和平台服务共有12个大类,267种云服务产品。基础服务涵盖计算、存储、网络、安全和监控5个大类,平台服务包括数据库、大数据、开发测试、人工智能、物联网、视频等类型的服务。除了基础服务和平台服务,紫光云也上线了云市场,为生态合作伙伴提供了产业应用相关产品展示、体验与交易平台。自7月10日起,紫光云将正式向各地企业级客户、合作伙伴发起邀请试商用,并分阶段开放网上申请注册。
按照紫光云布局规划,年内还会继续加速建设,将于2018年底完成华北、华东、华南、西南4个大区节点的建设,并推进一级节点与城市节点的快速落地。2019年,紫光云将布局海外节点。紫光云用前所未有的速度和决心,要为2.0时代云计算带来持续不断的意外和惊喜。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。