-
AI 时代的数据中心散热：风冷还能撑多久？
导语 大模型训练把单机柜功率密度推上了一个前所未有的台阶。过去十几年，数据中心散热的主旋律是风冷——用冷热通道隔离、地板下送风、行级空调把热量带走。但当 GPU 集群从单机几卡走向单柜数十卡、单柜功率从几千瓦迈向几十千瓦甚至更高时，风冷这套沿用多年的工程体系开始显得吃力。散热，正在从数据中心的"配套工程"变成决定算力能否落地的关键约束。 一、风冷的物理极限在哪里 风冷散热的本质，是靠空气作为中间介质，把芯片热量搬运到室外。它的能力受几个物理量约束：空气的比热容、密度、流速，以及芯片到空气之间的热阻。 空气的比热容和密度都偏低，这意味着要带走同样的热量，需要更大的风量或更低的进风温度。当单芯片功耗上升到数百瓦级别，芯片表面到散热器再到空气的热阻就成了瓶颈——热量堆在芯片里出不来，结温迅速逼近上限。 工程上常见的应
-
备份、容灾、归档：企业数据保护体系为什么总是“看起来有，用起来慌”？
导语：几乎每家企业都声称自己有备份。但真正到了需要恢复的那一刻，能从容应对的却寥寥无几。备份、容灾、归档这三件事被长期混为一谈，3-2-1 原则被简化成一句口号，勒索软件把“有备份”变成了“备份是否可信”的新命题。本文从媒体视角梳理企业数据保护体系的常见误区与演进方向。 一、“有备份”和“能恢复”之间，隔着一条鸿沟 在很多企业的 IT 台账里，备份系统的覆盖率、成功率、作业数量都相当漂亮。但一旦发生真实故障——无论是误删除、硬件损坏还是勒索加密——团队往往会陷入慌乱：备份副本在哪？能不能挂载？恢复要多久？恢复出来的数据是不是干净的？ 这种“看起来有，用起来慌”的状态，根源在于把 备份的存在 等同于 恢复的能力 。备份只是手段，恢复才是目的。而恢复能力从来不是靠备份软件的控制台截图证明的，它只能靠一次次真实的演练
-
数据中心网络正在从 100G 走向 800G，企业该跟吗？
导语 过去十年，数据中心网络的代际更替大致遵循着一条相对温和的曲线：10G 到 25G，再到 100G，每一代的切换周期通常以三到五年计。但这一节奏正在被 AI 打破。大模型训练集群对网络带宽的需求，正在把 400G、800G 甚至更高速率的讨论，从"未来时"推到"现在进行时"。对于绝大多数企业而言，问题不再是"要不要关注 800G"，而是"什么时候跟、跟到什么程度、成本怎么算"。 一、为什么是现在：AI 集群把带宽需求顶到了天花板 要理解 800G 的紧迫性，得先理解 AI 训练集群的网络特征。 传统数据中心的东西向流量虽然庞大，但整体呈现"多对多、相对均匀"的分布。而 AI 训练，尤其是大模型的大规模并行训练，产生的是一种高度同步、突发性强、对延迟极度敏感的通信模式。数据并行、张量并行、流水线并行等策略，会
-
芯片先进制程逼近物理极限，Chiplet 是不是出路？
导语 当摩尔定律逐渐从“每两年翻一番”的节奏放缓为“每两年挤一点”，先进制程的物理极限与经济效益问题被同时摆上台面。晶体管越做越小，漏电、发热、量子隧穿等效应愈发难以驯服；与此同时，能负担得起最先进制程研发与建厂成本的厂商越来越少。在这样的背景下，Chiplet（芯粒）与先进封装被反复提及，甚至被部分从业者视为“后摩尔时代”的可行出路。但它究竟是权宜之计，还是半导体产业的结构性转向？本文尝试从技术、成本、标准与产业格局几个维度展开讨论。 一、先进制程的“物理墙”与“经济墙” 先进制程的推进，长期依赖两个引擎：一是晶体管结构的革新，例如从平面 MOSFET 到 FinFET，再到环绕栅极（GAA）结构；二是光刻技术的迭代，尤其是极紫外光刻（EUV）的引入。但这两条路径都在逼近各自的边界。 从物理层面看，晶体管沟道
-
网络安全适合年龄大学习吗？
网络安全行业就业前景好、薪资待遇高是大家有目共睹的，因此很多人都想要转行网络安全，但却担心年龄偏大、零基础学不会，害怕被行业淘汰。那么网络安全年龄大了可以学吗?我们来探讨一下。
-
渗透测试是不是黑客？区别很大！
很多初次接触网络安全的同学，都会将渗透测试和黑客混为一谈，甚至以为渗透测试就是黑客，就是专门搞破坏的。那么渗透测试是不是黑客?其实渗透测试也属于黑客，但不同于搞破坏，二者有着本质区别。
-
一柜集成、一屏会诊、一键交接：华为坤灵重新定义基层医疗“三件套”
在2026华为坤灵新品发布会上，找到了答案。华为公司副总裁、数据存储产品线总裁袁远发布了全新华为坤灵智能医疗解决方案，围绕数字诊疗IT平台、智慧诊室、智慧病房三大核心场景进行了全面升级。
-
能源基础设施的网络安全命题：开源软件为何成为关键变量
来源：OpenSSF Blog｜原文标题：Cybersecurity in Energy Infrastructure: The Value of Open Source Software 导语 能源行业正处在一个关键节点。气候变化应对、消费者需求变化、分布式能源资源的崛起以及能源电气化的推进，共同推动着能源格局发生变革性转变。数字化在重塑能源生产、分配与消费方式的同时，也带来了互操作性和网络安全等新挑战。LF Energy 与 OpenSSF 联合发布的一份新白皮书指出：与常见的误解相反，开源软件（OSS）不仅提供经济性和适应性，还能为能源基础设施构筑一道抵御网络威胁的屏障。 配图建议：能源基础设施与网络连接主题的示意图，可选用输电塔、变电站与数据流叠加的视觉素材。 数字化转型重塑能源，也重塑了攻击面 能源行
-
当开源维护者被迫成为安全团队：Alpha-Omega 资助下的万级漏洞扫描实验
导语 开源软件是现代软件供应链的地基，但维护这份地基的人，往往并不是安全专家。2023 年 2 月，OpenSSF 识别安全威胁工作组内部的一群志愿者为关键开源项目的维护者组织了一场线上迷你峰会。会上，维护者们道出了一个普遍困境：项目启动时，目标只是解决某个具体问题，没人想过它会变成被广泛依赖的关键组件；可一旦被大规模采用，安全性这类非功能性需求就会突然变成头等大事，而应对它的团队往往是临时拼凑、成员本就身兼数职。 OpenRefactory 获得了 Alpha-Omega 的资助，试图用工具加人工的方式，替这些维护者分担一部分安全压力。本文基于 OpenSSF 博客披露的项目信息，梳理这套大规模漏洞发现与披露机制的运作方式、阶段性成果，以及它对开源安全治理的启示。 维护者的真实处境：志愿者、有限资源与跨平台测
-
【服务器数据恢复】服务器数据安全运维：故障原因、恢复流程与防护策略
服务器数据丢失的诱因较为复杂，多数故障无法直接判定核心原因，除原生硬件、系统故障外，非规范操作引发的二次数据损坏是加剧数据丢失、提升恢复难度的关键因素。
-
服务器 CPU 核数越堆越多，企业真的需要那么多核吗？
导语 打开任何一家主流服务器 CPU 厂商的产品页，最先跳出来的数字往往是核数：64 核、96 核、128 核，甚至更高。核数几乎成了服务器处理器代际升级最直观的标尺，也成了采购清单上最容易被拿来比较的参数。 但把一颗 128 核的 CPU 塞进机架，业务就一定会更快吗？账单就一定会更划算吗？答案远没有参数表那么干脆。核数只是处理器设计中的一个维度，它和主频、单核性能、内存与 I/O 带宽、NUMA 拓扑、软件授权模型、实际业务负载形态纠缠在一起。脱离这些约束去追高核数，很容易掉进“参数内卷”的陷阱。 本文尝试从媒体视角梳理这条链路：核数为什么涨、涨到哪里会碰到天花板、哪些成本被核数悄悄放大、企业该如何按业务负载而不是按参数表做选择。 一、核数为什么一路走高 核数增长的直接驱动力，来自云计算与虚拟化对“密度”的
-
分布式存储 vs 集中式存储：企业该怎么选？
导语：当业务数据从 TB 级迈向 PB 级，当 Kubernetes 与云原生应用成为默认底座，企业存储选型这道题变得越来越难。分布式存储凭借扩展性和成本优势快速上位，集中式存储则依靠稳定性和运维便利守住核心阵地。两者并非替代关系，而更像是一场关于业务场景、成本结构与运维能力的综合权衡。 一、先厘清三种存储形态：块、文件、对象 讨论分布式与集中式之前，必须先回到存储的三种基本形态，因为形态决定了适用场景，也决定了分布式与集中式各自的发挥空间。 块存储 提供的是裸设备级别的访问能力，通常以卷的形式挂载给主机或虚拟机。它的特点是低延迟、高 IOPS，适合数据库、虚拟化平台、高性能交易系统等对随机读写敏感的场景。块存储本身不理解文件系统，数据组织交给上层操作系统。 文件存储 提供目录树和共享访问能力，多个客户端可以同
-
AI 推理正在反向重塑数据中心架构
导语 过去几年，数据中心架构的演进几乎被“训练”主导：更大的集群、更高的互联带宽、更密集的加速卡，一切围绕把超大模型训出来。但当模型进入大规模落地阶段，真正持续消耗算力、持续产生成本、持续暴露架构矛盾的，正在从训练转向推理。推理对基础设施的要求与训练并不相同——它更在意延迟、更在意单位成本、更在意部署位置。这些差异正在反向传导到服务器形态、存储层和网络层的设计上。依据现有素材判断，这一轮“反向重塑”尚在早期，但方向已经清晰。 训练与推理：两种不同的基础设施逻辑 训练和推理虽然都跑在加速卡上，但它们对系统的诉求并不一致。 训练追求的是吞吐与规模。它通常是一次性、集中式、可容忍较长周期的大任务，对集群内部的互联带宽、并行效率、故障恢复能力要求极高。训练任务可以排队、可以重试、可以为了整体效率牺牲单次响应时间。 推理
-
DPU/IPU 讲了这么多年，企业到底用上了没有？
导语 过去几年，DPU（Data Processing Unit）和 IPU（Infrastructure Processing Unit）几乎成了数据中心架构讨论中的“常驻嘉宾”。从云厂商到芯片公司，再到服务器与网络设备厂商，都在反复强调一个判断：随着 CPU 需要处理的任务越来越杂、网络带宽越来越高、存储与安全压力越来越大，必须有一类专用处理器来承接基础设施负载。 但一个更现实的问题也随之出现：讲了这么多年，企业到底用上了没有？ 如果只看云厂商和大型互联网平台，答案相对明确——它们不仅在用，而且已经走到自研或深度定制阶段。但如果把视角放到更广泛的企业市场，答案就没那么整齐。很多企业仍停留在评估、试点或特定场景验证阶段，距离大规模普及还有距离。 DPU/IPU 到底解决什么问题？ 理解 DPU/IPU 的落地
-
RDMA 正在从 HPC 走进通用数据中心
导语 过去很长时间里，RDMA（Remote Direct Memory Access，远程直接内存访问）几乎是高性能计算（HPC）领域的专属词汇。它和 InfiniBand 网络、超级计算机集群、科学计算任务紧密绑定，对大多数企业数据中心工程师而言，既遥远又昂贵。但最近几年，这一局面正在发生变化：AI 大模型训练、分布式存储、云原生高性能网络等场景，开始把 RDMA 推到通用数据中心的舞台中央。RDMA 不再只是“超算的玩具”，而正在成为新一代数据中心基础设施的关键能力之一。 一、RDMA 到底是什么，为什么它重要 RDMA 的核心思想，是让一台机器直接访问另一台机器的内存，而不需要经过对方操作系统的内核网络协议栈。传统 TCP/IP 通信中，数据从应用层到网卡要经历多次内存拷贝和 CPU 中断处理，延迟高、
-
当智能体进入生产，华为云把“开放”做成了护城河
近日，在华为全联接大会2026期间，华为公司董事、华为云CEO周跃峰发表了“共建Agentic Cloud，共赢行业智能体时代”主题演讲。题眼落在共建和行业两个词上，这恰恰点出了华为云对当前AI产业阶段的核心判断：智能体正在从技术概念走向行业落地，而落地的前提，是需要一个足够开放、足够扎实、足够懂行业的云底座。
-
从“算力焦虑”到“算力理性”：Akamai解答AI推理时代的ROI之问
过去两年，全球AI产业的关键词是“抢GPU”。从Meta、微软到xAI，动辄十万卡级别的集群建设不断刷新着人们对算力规模的想象。在这一背景下，笔者有幸采访到了Akamai云计算首席技术官Jay Jenkins，围绕AI算力的分配逻辑、推理场景的隐性成本、分布式架构的合规价值以及多智能体时代的基础设施挑战，进行了深入探讨。
-
零故障更换权威DNS：从前期准备到落地验证全教程
一、更换权威DNS的场景权威DNS负责为域名提供最终的解析答案。当用户发起域名查询时，递归DNS会逐级追溯，最终从权威DNS处获得A记录、MX记录、CNAME记录等信息。更换权威DNS，就是把负责域名解析的服务器迁移到另外一组服务器。更换权威DNS和平时修改解析记录有着本质区别。修改解析记录是在当前权威DNS上修改某一条特定解析记录，影响范围只局限于某一个域名或某条记录。而更换权威DNS则是更换整
-
从“堆服务器”到“堆效率”：企业算力利用率为什么上不去？
导语 过去几年，企业面对业务增长和模型规模膨胀的第一反应往往是“加机器”。CPU 不够加 CPU，GPU 不够加 GPU，集群不够就再建一个集群。但当算力账单越来越长、资源闲置越来越普遍时，一个问题开始浮出水面：企业真正缺的，可能不是算力总量，而是把已有算力用起来的能力。 从虚拟化到容器，从单机调度到集群调度，从通用算力到异构算力，再到 FinOps 视角下的成本治理，算力利用率上不去并不是某一个技术点的问题，而是架构、组织、流程和度量方式共同作用的结果。 一、算力利用率的敌人，往往不是“不够用” 在不少企业里，算力紧张和算力闲置是同时存在的。 一边是业务团队抱怨排队太久、任务跑不起来、GPU 不够用；另一边是监控系统显示大量节点长期低负载，部分 GPU 在非高峰时段几乎空闲。这种矛盾说明，问题不只是总量不足，
-
边缘数据中心会不会成为下一轮基础设施投资热点？
导语 过去十年，云计算把算力集中到少数超大规模数据中心，用规模效应换来了成本与弹性的双重优势。但当业务场景从“人访问网页”转向“机器实时决策”，集中式架构的物理极限开始显现——光速不会因为资本开支增加而变快。边缘数据中心由此进入视野：它不追求替代云，而是试图解决云“够不着”的那一段距离。问题在于，这究竟是一个真实的基础设施投资周期，还是又一轮被概念包装的机房生意？依据现有素材判断，本文只能从技术逻辑与产业动因层面展开分析，不涉及具体市场规模数据与厂商投资金额。 一、低延迟不是营销词，而是物理约束 讨论边缘计算时，“低延迟”常被滥用。但它的底层逻辑非常硬：数据在光纤中的传播速度约为每公里 5 微秒（往返则翻倍），再加上网络设备转发、协议栈处理、应用层排队，端到端延迟会迅速累积。 对于以下几类场景，几十毫秒的差距不
