在近一两年,边缘计算的概念就像雨后春笋般在IT界迅速盛行。与完全基于本地或者云计算的交付方式不用,边缘计算靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的开放平台,就近提供边缘智能服务,满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等多方面的关键需求。
从现阶段来说,边缘计算交付服务的对象以智能手机等移动设备为主。与纯云端的模式相比,业务应用在边缘交付不仅可以显著降低云端的压力,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,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。
例如,在银行大厅内,通过边缘计算的方式可以快速、智能向金融客户提供网络浏览、视频观看、应用下载等交付服务,客户可以通过手机获得更好的体验,金融服务的黏性也得到大大增强,而云端的压力也会得到显著降低。
那么,在移动化与云计算融合的背景下,边缘计算将扮演怎样的角色呢?
首先,边缘计算为移动服务与云计算的融合搭建了新平台。虽然大多数组织都认为移动化服务是拓展增值服务、将网络中心转化为利润中心的重要方式。一般来说,组织的网络基础设施将会响应用户的下载APP、办理移动业务等服务需求,而这些数据的存储以及处理将会发生在云端。在小规模应用中,这种方式完全没有问题,但是对于金融机构、物流、机场、会展、连锁店等组织来说,巨大的人流量以及快速增长的网络流量需求将迅速耗竭云端的存储与处理能力,不仅极大的增加组织网络运维成本,也会显著拖慢终端用户的移动服务获取速度。
而边缘计算则是将信息存储从统一的云端分散到各个终端,由边缘侧进行智能化处理后提取特征数据传回云端,这样就极大降低了云端的存储与处理压力。此外,组织也可以通过边缘计算平台向用户提供易获取、转化率高、与业务关联密切的移动增值服务,助力组织服务向移动化的快速转型。而反过来说,移动化浪潮的发展也让组织更倾向于通过边缘计算的方式来提供服务。
其次,搭建边缘计算平台,移动安全以及服务整合是重要难题。要想搭建一套成熟的边缘计算平台,组织将不得不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,组织需要处理企业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,净化网络环境。
移动服务整合的问题同样是组织所需要关注的重要问题,边缘计算只是搭建了一套本地设备与云端交互的硬件平台,而从服务与应用角度整合移动化资源,并通过统一的入口提供给用户也同样重要。对于组织的IT管理者来说,其无需将大量的精力耗费在应用的安装与维护上,所有的工作都可以在云端及时完成,不仅有利于数据的集中管理,也能够优化移动资源的管理模式。
基于此,启迪国信市场总监张永利认为:“边缘计算为移动化与云计算的融合应用提供了很好的落地模式。但是从实践角度来看,组织仍然需要关注如何来确保移动应用与服务的安全性、合规性、可用性,并强化软硬件的协同服务,这样才能在数字时代引领潮流,更好的提升核心价值。”
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。