中国应用交付圈子里,你一定听过冯勇的大名,大家都称他为“大神”。
他在应用交付和负载均衡行业有超过20年的经验,早在2001年就加入F5,同时在2001年与F5中国团队一起正式以厂商的身份把负载均衡市场引入到中国,并主导了中国负载均衡应用交付技术路线的演进。
通明智云技术副总经理 冯勇
通明智云技术副总经理冯勇向我展示了一张照片,这是F5中国7人初创团队在2002年拍的一张照片,现在算上冯勇,已经有三人来到了通明智云,包括现任通明智云总经理吴若松,现任通明智云 COO 兼联合创始人吴静涛。
冯勇说,加入通明智云的首要原因是对应用交付领域的热爱,其次就是对于大客户对于通明智云的认可,最后是技术上通明智云更多跟中国客户配合真正解决中国客户的问题,和客户一起去推进现代应用发展。工商银行是 F5 的客户,同时也是通明湖应用交付网关的客户,随着信创替代步伐加快,2022年 6 月,工商银行开始针对通明湖的产品进行功能性测试;到了今年 6 月,仅仅用了一年的时间,通明湖的产品和技术已经满足了工商银行所有上线的功能要求,逐一通过了60 多项详细应用测试项目,这让工商银行对国内企业的技术发展和产品功能充满信心。
双轨超高可用架构成为信创的基座
现阶段,信创已经成为行业共识,如何可靠、快速、灵活的实现核心业务向信创环境的过渡,并且在兼容新老技术和架构的同时保证应用可持续性,成为了各个行业都在思考的问题。
在冯勇看来,信创改造从办公网推进到核心区时,会遇到两个最大的问题。
第一,信创应用需要稳定性和可靠性。虽然经过多年办公网的信创应用实践,国产应用的可靠性和稳定性有所提升。企业需要一个应用交付架构进行重构,实现故障的自动发现,在故障影响业务之前实现自动切换,并提供故障出逃计划,从而保证信创核心应用的超高可用性。
第二,信创切换如何保证业务的平滑迁移。很多企业的做法是信创业务整体切换,当遇到问题时则需要全部切回去。由于企业没有足够的时间进行充足的测试,以及实时的手段来判断故障是如何发生的,这给核心应用的信创改造带来巨大挑战。
这也是双轨超高可用架构诞生的原因,帮助客户更好地应对数字经济时代对应用可持续性的高要求,实现“信创”与“数字化”齐头并进。
同时双轨超高可用架构在双活数据中心的分区调度基础上,增加信创域和非信创域的分域调度,实行信创域与传统域应用全量部署,使双中心运营变为双中心四区域并行运行,互为多活,将“0到1”的单轨建设道路变为分区分域协同的多活双轨超高可用架构。
“通明智云和 F5 的应用交付理念一脉相承,所以企业在信创应用改造时就没有门槛。”冯勇说,这就像是燃油车转变为电动车,在用户界面和操控习惯不变的情况下,只更换了引擎系统,从而加速了客户的接受速度。
信创改造则是将应用引擎变成了自主引擎,维持了原有应用的管理以及客户操作习惯,为用户在传统区域和信创区域提供统一的用户界面和管理界面,保证了核心应用在信创改造时的可持续性。
聚焦技术,成就客户
在应用交付上,通明智云也在不断探索,冯勇也提出了未来的三大技术趋势。包括应用可持续性、应用可观测性和云原生应用引擎。其实在2023 年Gartner发布的十大战略技术趋势中,可持续性和可观测性都榜上有名。
应用可持续性,应用可持续性关注计算资源调度时能够保持应用服务的可持续性,这非常符合信创的需求。通明智云希望通过信创应用交付架构,实现应用从传统体系的国外平台到国产平台的平滑转换,并且帮助客户自动发现故障、屏蔽故障以提升国产应用的可用性。
应用可观测性,应用服务器端的变化日新月异,从传统物理服务器到虚拟化、容器化、多云、分布式、微服务构架、云原生、开源,通明智云希望能够帮助客户实现端到端的应用可观测性,确保能够真正掌握应用的运营状态。
通明智云实现了大规模可视化引擎,可以将应用真实状况完全展示给客户,并且所有产品完全支持 API。在实现了应用可观测性后,企业才能实现基于 AI 的应用交付自动化,最后通过AI优化应用调度策略。
云原生应用引擎,通明智云希望能够打造中国自主产权的现代应用引擎,基于开源NGINX打造的OpenNJet项目。6月云原生应用引擎OpenNJet项目正式成为开放原子开源基金会的孵化期项目,在Gitee、AtomGit代码托管平台建立了代码仓库。
OpenNJet将围绕推广OpenNJet应用引擎,吸引开发者和企业用户共建和应用;深耕OpenNJet应用引擎技术研发和迭代;保障技术安全底线;积极谋划OpenNJet未来的产业发展;秉持开源开放的心态,积极回溯上游,推动云原生产业上下游生态共建,五个方面展开工作。
未来通明智云希望跟客户一起去开拓新技术、新业务、新市场,在应用交付领域,把国外的技术消化吸收,结合国芯国魂的信创平台,逐步形成通明智云特有的应用交付和安全方案,帮助客户实现应用的可持续和可观测性。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。