近日,数据可视化公司Grafana Labs与阿里云建立核心合作伙伴关系。双方将发挥各自优势,在可观测性产品、服务支持等方面展开全方位合作,共同打造Grafana托管服务,帮助广大企业快速具备各类数据源即时查询与数据可视化的可观测性能力。此次合作,也是Grafana与亚太地区云厂商的首次深度合作,双方将在中国区提供首款Grafana托管服务。

随着云原生技术不断落地,面向分布式应用和容器的数据可观测技术,覆盖从前端到后端、从基础设施层到应用层,成为企业必备运维能力。凭借其丰富的可视化看板、多数据源接入等特性,Grafana已经成为云原生时代的可观测可视化事实标准。CNCF发布的《 End User Technology Radar》报告显示,三分之二的受访者将 Grafana 与 Prometheus作为首选可观测工具。
为了帮助全球云计算用户构建基于自身业务特征的可观测性体系,阿里云与Grafana携手打造Grafana托管服务,使用户高效分析与查看指标、日志和跟踪的同时,无需关注服务器配置、软件更新等繁杂工作,有效降低运维复杂性与工作量,并借助阿里云强大的云原生能力,全面提升Grafana安全性与可用性。
Grafana实验室联合创始人兼首席执行官Raj Dutt表示,“我们在Grafana Labs的目标是确保Grafana可用,但这对我们的用户来说是最有意义的——无论是自建设施,还是在阿里云这样的公有云平台。借助全托管服务方式与不断展开的深度合作,阿里云的海量全球用户将获得远超自托管的便捷性与可用性,更高效、更低门槛地使用Grafana领先的开源看板和可观测性功能。更为双方打开一扇全新市场的大门。”
阿里云智能基础产品事业部总经理蒋江伟表示,“阿里云可观测产品始终致力于为企业数字创新保驾护航,双方此次合作将为全球用户带来更加优质、贴合业务场景的产品体验,为客户提供完整的可观测性方案,赋能企业数字化转型。与Grafana此次的合作,不仅仅是为了给客户创造更多价值,更是与开源厂商的强强联合,推动开源生态进一步茁壮成长。”
据悉,未来双方将不断扩展合作范围和深度,为企业提供更加丰富的基于阿里云的优秀可观测性解决方案,解决企业在数字经济时代的运维难题。
目前阿里云Grafana服务正在免费公测中,要在阿里云上了解更多关于Grafana的信息,请访问https://www.aliyun.com/activity/middleware/grafana

关于Grafana Labs
Grafana Labs围绕Grafana提供了一个开放的、可组合的监控和可观测性堆栈,Grafana是用于仪表板和可视化的领先开源技术。Grafana Labs的客户超过1500家,包括彭博社、摩根大通、易趣、贝宝和索尼,全球有超过750000台Grafana的活动安装。Grafana Labs通过全栈产品帮助公司管理其可观测性战略,这些产品可以通过Grafana Cloud完全管理,也可以通过Grafana Enterprise stack自我管理,两者都具有广泛的企业数据源插件、仪表板管理、警报、报告和安全性、可扩展指标(Prometheus&Graphite),日志(Grafana Loki)和跟踪(Grafana Tempo)。Grafana实验室得到领先投资者Lightspeed Venture Partners、Lead Edge Capital、GIC、红杉资本和Coatue的支持。
好文章,需要你的鼓励
随着人工智能和高性能计算持续推动需求增长,数据中心设计正以同样惊人的速度演进。曾经的高密度机架已成为标准配置,冷却系统在数月而非数年内完成重新设计,项目在各地区的规模和复杂性不断提升。全球工程设计咨询公司Black & White Engineering指出,液冷成为标准配置、极端机架密度管理、工业化规模交付、电网约束下的电力创新、AI驱动运营设计以及可持续性成为核心设计原则,将成为2026年塑造数据中心设计、建设和运营的六大关键趋势。
Allen AI研究所联合多家顶尖机构推出SAGE智能视频分析系统,首次实现类人化的"任意时长推理"能力。该系统能根据问题复杂程度灵活调整分析策略,配备六种智能工具进行协同分析,在处理10分钟以上视频时准确率提升8.2%。研究团队创建了包含1744个真实娱乐视频问题的SAGE-Bench评估平台,并采用创新的AI生成训练数据方法,为视频AI技术的实际应用开辟了新路径。
Snowflake本周推送的一次更新导致全球范围内的"重大故障",用户长达13小时无法查询数据、文件导入失败并收到错误信息。初步调查显示,最新版本引入了不向后兼容的数据库架构更新,导致版本不匹配错误。此次故障影响了全球23个区域中的10个,包括美国、欧洲和亚洲多个数据中心。这是Snowflake一周内第二次发生事故。
中科院团队首次系统评估了AI视觉模型在文本压缩环境下的理解能力,发现虽然AI能准确识别压缩图像中的文字,但在理解深层含义、建立关联推理方面表现不佳。研究通过VTCBench测试系统揭示了AI存在"位置偏差"等问题,为视觉文本压缩技术的改进指明方向。