ITPub博客

首页 > 云计算 > 公有云实践

关于 “公有云实践” 的内容如下:

  • Crusoe如何把“自带GPU”变成一门好生意

    当大多数算力服务商还在争抢GPU货源、比拼谁囤卡更多时,Crusoe给出了另一种答案——让客户带着自己的GPU来,它只负责把电、机房和运维做到极致。这套“三条腿走路”的商业模式,或许揭示了AI基础设施竞争的下一个阶段:不是谁拥有更多芯片,而是谁能让每一块芯片跑得更值。 三条收入曲线:把“算力”拆开卖 理解Crusoe的商业模式,关键在于它没有把“算力”当成一个笼统的产品,而是拆成了三层,分别对应三类客户和三种收费方式。 第一层是数据中心空间出租。 这是最“重”也最基础的一层。Crusoe提供机房、电力、制冷、网络和现场运维,客户把自己的GPU集群搬进来。对于已经自购了GPU、但苦于找不到稳定电力和合规机房的企业来说,这是一种“轻资产”的落地方式——芯片是自己的,基础设施是租的。Crusoe收的是空间和服务的钱,

    danny_2018 公有云实践 1130 2026-11-09 15:51
  • 数据要素进入“深水区”:确权、流通与安全

    数据被列为第五大生产要素已有数年,但真正让这一概念从政策文件走向制度落地的,是国家大数据局的组建。当“数据要素”从学术讨论变成国家战略,从地方试点走向全国统一市场,我们需要冷静审视:这场关于数据的制度变革,究竟改变了什么,又还缺什么? 从“要素”到“局”:一次治理逻辑的升级 “数据是生产要素”这一判断,最早在政策层面被明确,是在2020年《关于构建更加完善的要素市场化配置体制机制的意见》中,数据与土地、劳动力、资本、技术并列,正式成为第五大生产要素。此后,“数据要素”迅速成为政策热词、产业热词和资本热词。 但概念的确立并不等于制度的建立。在很长一段时间里,数据要素面临一个尴尬的现实:谁来管、怎么管、管到什么程度,缺乏一个国家级统筹主体。 数据的采集、流通、交易、安全、确权分散在多个部门,地方各自试点,标准不一,

    danny_2018 公有云实践 1086 2026-11-09 15:09
  • AI 就绪的云基础设施:从“能跑模型”到“能承载业务”的分水岭

    企业谈云基础设施的焦点从“弹性”“成本”迅速转向“AI 就绪”。但“AI 就绪”并不是给云上加一块 GPU 就算完成。真正的问题是:当模型从实验走向生产,从单点调用走向规模化业务负载,云基础设施能否在算力供给、数据流转、调度治理和成本控制之间取得平衡。依据现有素材判断,行业尚未形成统一的“AI 就绪”定义,但企业已经可以用一组可验证的能力项来审视自己的云底座。 “AI 就绪”不是硬件清单,而是生产能力的集合 很多企业把 AI 就绪理解为“云上有 GPU、能开 CUDA 环境、能跑 LLM 推理”。这只回答了“能不能跑”,没有回答“能不能稳定地跑、规模化地跑、可控成本地跑”。 从技术媒体视角看,AI 就绪的云基础设施至少包含四层能力,且缺一不可: 算力供给层:不只是 GPU 的有无,而是异构算力的可获得性、可调度

    danny_2018 公有云实践 1116 2026-11-09 15:06
  • RISC-V 走到分水岭:从“早期孵化”迈向“中后期爆发与资本重组”

    RISC-V 更多出现在学术论文、开源社区和芯片创业公司的路演材料里。它被视为一种“有潜力”的指令集架构,却很少被当作可以规模化出货、可以支撑商业回报的主流选择。如今,这一叙事正在发生变化。依据现有素材判断,RISC-V 产业正处在一个明显的窗口期:一边是早期孵化阶段积累的技术、生态和人才开始外溢,另一边是资本、并购与产业整合的信号逐渐增强。换句话说,RISC-V 正在从“讲可能性”的阶段,走向“拼落地、拼资本、拼产业协同”的阶段。 这篇文章不试图给出精确的市场规模数字,也不虚构具体交易和产品版本。我们只基于一个核心判断展开:RISC-V 的产业逻辑正在切换,而这种切换对创业者、投资人和大厂战略部门都意味着不同的动作。 早期孵化的红利正在见顶,RISC-V 进入“证明自己”的阶段 RISC-V 的早期阶段有几个

    danny_2018 公有云实践 1174 2026-10-27 17:07
  • AI 算力与大模型推理:从“堆卡竞赛”走向“效率战争”

    大模型竞争进入下半场,讨论焦点正在从“谁有更多 GPU”转向“谁能用更低的成本、更稳的时延把推理跑起来”。算力依然是底座,但决定商业成败的,越来越是推理侧的系统效率。本文尝试从产业与工程双重视角,梳理 AI 算力与大模型推理之间的真实关系、关键瓶颈与演进方向。需要说明的是,本文未引用具体厂商数据与版本信息,涉及趋势判断处均标注为“依据现有素材判断”。 算力不是终点:推理正在成为大模型成本结构的重心 过去两年,行业对 AI 算力的想象几乎等同于“训练”。训练一个基础大模型需要成千上万张加速卡、数月连续运行、巨量电力与机房资源,这些叙事塑造了公众对 AI 算力的第一印象。但当模型开始走向规模化应用,真正持续消耗算力的环节其实是推理——每一次对话、每一次代码补全、每一次文档摘要,背后都是一次或多次前向计算。 这一转变

    danny_2018 公有云实践 1136 2026-10-27 17:05
  • RISC-V 的“翻译官”:软硬件之间,一场关于开放接口的长期工程

    RISC-V 从学术圈与嵌入式领域一路走向数据中心、汽车电子和 AI 加速器,讨论的焦点往往集中在指令集本身:它开放、精简、可扩展。但当产业真正开始把 RISC-V 芯片推向规模化落地时,一个更“中间层”的问题浮出水面——软件如何稳定、可移植、可维护地跑在形态各异的 RISC-V 硬件上?这正是软硬件之间“翻译官”的角色所在。本文尝试从媒体视角,梳理这一层开放接口的价值、现状与挑战。需要说明的是,本文依据现有公开认知与行业通行框架展开,未引用具体厂商数据与版本细节;涉及具体实现的部分,依据现有素材判断,仅作方向性讨论。 为什么 RISC-V 需要一个“翻译官” 1.1 开放指令集带来的“碎片化红利”与“碎片化成本” RISC-V 的核心吸引力在于开放与可扩展。任何人都可以基于基础指令集裁剪、扩展,针对特定负载做

    danny_2018 公有云实践 1161 2026-10-27 17:04
  • 多协议融合、元数据架构与近计算数据面:现代数据基础设施的三条设计主线

    当企业数据栈从“单一引擎+单一存储”走向“多引擎共享一份数据”,真正的难点已经不在功能清单,而在三件事——协议之间如何共存、元数据如何组织、计算如何靠近数据。本文从设计思路层面拆解这三条主线,讨论它们各自的取舍与相互牵制。 多协议融合:从“各建一套”到“共享一份数据” 1.1 问题的起点:协议割裂带来的重复建设 企业数据平台的典型演进路径,往往是按场景分别选型:批处理用一套文件格式与表格式,流式用另一套,点查与检索再引入一套,机器学习特征与向量检索又各自独立。每一套系统内部都自洽,但系统之间靠“导出—导入”连接,于是同一份业务事实被复制成多份副本,随之而来的是存储成本、同步延迟、口径不一致和权限体系的碎片化。 多协议融合要解决的正是这个问题:让不同计算引擎、不同访问模式能够面向同一份底层数据工作,而不是各自维护

    danny_2018 公有云实践 1104 2026-10-27 16:45
  • 从“喂数据”到“供算力”:AI 存储架构的三重变革

    大模型训练的瓶颈,正在从 GPU 算力转向数据供给。当单次训练需要吞吐数十 TB 级样本、checkpoint 写入频率以分钟计、推理侧要求毫秒级首 token 响应时,传统以“容量+可靠性”为中心的存储架构已经难以支撑。存储不再是机房角落里的被动容器,而是被推到算力供给链路的前端。本文从架构演进的视角,梳理 AI 存储正在经历的三重变革,并讨论存算网融合在工程实践中的落点与边界。 第一重变革:从“容量池”到“带宽池”,存储的性能坐标系被重写 传统企业存储的评价体系,核心是容量、IOPS 与可靠性等级。这套坐标系诞生于数据库与虚拟化时代:负载以随机小 IO 为主,容量增长可预测,性能瓶颈通常出现在磁盘寻道或控制器队列。 AI 负载把这套坐标系整体平移了。训练数据加载呈现典型的“大块顺序读、高并发、多轮次重复扫描

    danny_2018 公有云实践 1167 2026-10-27 16:44
  • 出海加速计划发布、全栈AI升级:亚马逊云科技Marketplace助ISV实现价值交付

    马逊云科技Marketplace已经是企业出海的“主渠道”,是必备平台,更是一个精心严选的数字化产品目录,企业客户可以通过它一站式完成软件、服务、以及数据的选型、购买和部署。对于软件服务企业来说,Marketplace提供了一个有效的新获客渠道,帮助他们触达全球客户,同时降低销售成本。

    danny_2018 公有云实践 2572 2026-10-20 16:42
  • 用软件定义高可用:云与混合基础设施的设计范式迁移

    企业基础设施的高可用性(High Availability, HA)主要依赖硬件冗余与厂商锁定式的整体方案:双机热备、双活数据中心、专用负载均衡设备、SAN 存储双控。这套方法论在物理机时代行之有效,但在云与混合架构成为主流的今天,它的边际成本越来越高,弹性越来越差。 一个正在发生的范式迁移是:把高可用性当作一个软件问题来解,而不是一个硬件采购问题。这意味着用声明式配置、不可变基础设施、编排调度、混沌工程和可观测性体系,去替代过去依赖"多买一台设备"的冗余思路。本文从媒体视角,讨论这一转变的动因、落地路径与尚未解决的张力。 为什么硬件冗余范式在云与混合环境中失效 1.1 故障域变了,冗余的单位却没变 传统 HA 的核心假设是:故障来自单台服务器、单块磁盘、单条链路。因此冗余的单位是"设备"——再买一台、再接一条

    danny_2018 公有云实践 1232 2026-10-12 17:09
  • 云工作负载的弹性与高可用:从“不宕机”到“不停摆”的架构进化

    企业上云的主旋律是“迁移”;而未来十年,主旋律正在变成“韧性”。当业务系统从机房搬进云、从单体拆成微服务、从月更变成日更甚至时更,弹性(Elasticity)与高可用性(High Availability)不再是运维团队的两个 KPI,而是决定一家企业能否在流量洪峰、机房故障、区域中断乃至供应链波动中“不停摆”的底层能力。 本文尝试从媒体观察视角,梳理云工作负载在弹性与高可用上的演进逻辑、常见误区与未来趋势。需要说明的是,本文不依赖特定厂商的版本号或未公开数据,更多是基于公开技术共识与工程实践的判断;凡涉及具体产品能力,均以“依据现有素材判断”的方式给出方向性结论,而非精确参数。 弹性不是“能扩容”,而是“敢缩容、缩得准、缩得起” 很多团队对弹性的理解仍停留在“流量来了能加机器”。这当然没错,但只对了一半。真正

    danny_2018 公有云实践 1209 2026-10-12 17:03
  • 将关键任务工作负载委托给云端:一场关于信任、架构与组织能力的再分配

    企业上云经历了从“边缘业务试水”到“核心系统迁移”的明显跃迁。早期上云的多是官网、测试环境、数据分析等容错率较高的场景;而今天,越来越多企业开始讨论一个更敏感的话题:把关键任务工作负载交给云端。所谓关键任务,通常指那些一旦中断就会直接影响营收、客户信任、合规底线甚至人身安全的系统,例如交易结算、订单履约、实时风控、医疗影像处理、工业控制协同等。 这件事的难点,从来不只是“云能不能跑”。真正的问题是:当企业把命脉系统委托给外部平台,信任如何建立,架构如何重构,组织能力如何再分配。本文尝试从媒体观察视角,讨论这一趋势背后的动力、风险与判断。 为什么关键任务开始走向云端:不是潮流,而是算力与弹性的硬约束 如果把时间拨回五年前,很多技术负责人对“核心系统上云”的第一反应是拒绝。理由很充分:数据主权、延迟不可控、故障责任

    danny_2018 公有云实践 1185 2026-10-12 17:01
  • 应用级弹性与高可用性:从集群到灾难恢复的四个关键要素

    在云原生与分布式架构成为默认选项的今天,“高可用”几乎出现在每一份技术方案的第一页。但真正经历过生产事故的团队都清楚:高可用不是一句口号,也不是简单地把服务部署到多个节点上就能自动获得的能力。它是一套从基础设施到数据层、从自动化切换到跨地域容灾的完整工程体系。 从媒体视角观察,应用级弹性与高可用性可以拆解为四个相互依赖的要素:集群、数据复制、故障转移和灾难恢复。这四个要素不是并列的选项,而是层层递进的能力阶梯。缺少任何一个,所谓的高可用都只是局部最优的幻觉。本文将逐一拆解它们,并给出架构设计上的判断与取舍。 集群:弹性的起点,但不是终点 集群是高可用架构中最容易被理解、也最容易被高估的一层。它的核心价值在于:通过多节点部署,消除单点故障,并让系统具备水平扩展的能力。无论是 Kubernetes 编排的容器集群、

    danny_2018 公有云实践 1184 2026-10-12 17:00
  • 关键型云工作负载:从能跑到跑得稳,差的不只是技术

    过去十年,企业上云的主旋律是“迁移”。把虚拟机搬上去、把数据库换掉、把应用容器化,仿佛只要完成这一步,云原生红利就会自动兑现。但真正决定业务生死的,往往不是那些跑在测试环境里的 Demo,而是关键型云工作负载——交易系统、实时风控、核心数据库、工业控制链路、医疗影像推理。它们有一个共同特征:不允许“差不多”,只接受“必须稳”。 当关键型负载开始大规模上云,竞争焦点已经从“能不能上云”转向“能不能在云上跑得稳、跑得省、跑得久”。这是一场新的战役,而它的胜负手,远不止技术选型那么简单。 关键型负载上云,难的不是“搬”,而是“稳” 很多企业在上云初期会陷入一种错觉:只要把关键型应用容器化、把数据库换成云托管服务,就算完成了现代化。但现实很快会给出反馈——关键型负载对云环境的要求,和普通业务完全不在一个量级。 首先是性

    danny_2018 公有云实践 1129 2026-10-12 16:57
  • AI 不会替代 SaaS:一场被误读的“颠覆叙事”

    过去两年,几乎每一场技术发布会、每一篇行业分析、每一次投资人对谈,都绕不开同一个问题:AI 会不会把 SaaS 干掉? 这个问题的流行,本身就很值得玩味。它把两种不同性质的东西——一种是以模型能力为核心的技术范式,一种是以流程、数据和协作关系为核心的商业交付方式——放在了同一个“替代”框架里。于是讨论很容易滑向两个极端:要么认为 SaaS 已死,要么认为 AI 只是 SaaS 的一个新功能模块。 我的判断是:AI 不会替代 SaaS,但会重写 SaaS 的价值分配方式。 真正被替代的,不是 SaaS 这种形态,而是那些只靠“界面 + 表单 + 流程审批”收订阅费、却没有沉淀不可替代数据资产和协作网络的产品。换句话说,AI 不是 SaaS 的掘墓人,而是 SaaS 的筛子。 把 AI 和 SaaS 放在“替代”框

    danny_2018 公有云实践 1212 2026-10-12 09:44
  • 智算狂奔之后:算力狂欢、系统瓶颈与产业分水岭

    当大模型参数规模从百亿走向万亿,智能算力不再只是“更快的芯片”问题,而是一场从单点硬件到系统工程的全面重构。智算中心密集落地、GPU 一卡难求、CUDA 生态壁垒高筑、推理成本成为商业化生死线——我们正在经历的,不只是算力扩容,而是一次产业底层逻辑的切换。本文尝试从算力供给、系统效率与商业闭环三个层面,拆解智算产业的真实处境与下一步走向。 算力供给:从“买得到”到“用得起”的鸿沟 过去两年,智算产业最直观的关键词是“缺”。缺 GPU、缺高端显存、缺先进封装产能、缺稳定电力。大模型训练对算力的需求呈指数级上升,而硬件供应链的扩产周期以年计,供需错配成为常态。 但进入 2024 年之后,一个更微妙的变化正在发生:算力不是单纯不够,而是结构性错配。 一方面,头部厂商和大型云服务商仍在争抢高端训练卡,用于千亿、万亿参数

    danny_2018 公有云实践 1205 2026-10-10 16:06
  • 环境即开即用:一场从“配置地狱”到“算力自来水”的交付革命

    在软件工程过去二十年的叙事里,开发者最熟悉的敌人往往不是业务逻辑的复杂度,而是环境。一个项目从代码仓库到真正跑起来,中间横亘着依赖版本、系统库、编译工具链、运行时配置、网络代理、GPU 驱动、CUDA 版本、容器镜像、集群权限等一长串“非功能性障碍”。行业里有一个略带自嘲的说法:这不是编程,这是“环境工程”。 “环境即开即用”正在成为新的交付标准。它不是一个单点工具,而是一种从开发、测试到生产全链路的产品哲学:让环境像自来水一样,拧开就有,按需计量,用完即走。本文尝试从问题根源、技术路径与产业影响三个层面,讨论这场正在发生的交付革命。 配置地狱的代价:为什么“能跑”比“写对”更难 1.1 环境问题的本质是“状态漂移” 软件的可复现性,长期被低估。同一份代码,在 A 的笔记本上编译通过,在 B 的机器上失败,在

    danny_2018 公有云实践 1140 2026-10-10 15:50
  • AI原生技术栈变革:当软件开始为模型让路

    过去十年,技术栈的演进主线是"云原生"——容器、微服务、Kubernetes 重新定义了软件的交付方式。而今天,一条新的主线正在浮现:AI 原生。它不是给现有系统加一个模型 API,而是从数据层、计算层到应用层,整条链路都在为模型重新排列优先级。这场变革的深度,可能被低估了。 从"云原生"到"AI原生":一次底层假设的切换 云原生的核心假设是:基础设施是弹性的、可编排的,应用应当被拆成细粒度的服务,通过标准接口组合。这套逻辑统治了从 2014 年到今天的整个后端世界,Kubernetes 成为事实上的操作系统,微服务成为默认架构。 AI 原生提出的假设则不同。它的核心不是"服务如何编排",而是"模型如何成为系统的一等公民"。这意味着几件事同时发生变化: 第一,计算资源的重心从 CPU 转向加速器。 云原生时代,

    danny_2018 公有云实践 1196 2026-10-09 16:32
  • 智能体爆发前夜:云基础设施正在“向上生长”

    过去两年,大模型能力的跃迁让“智能体”(Agent)从实验室概念迅速走向产业视野。但一个被反复讨论却尚未形成共识的问题是:智能体究竟运行在哪里?它需要怎样的底层支撑?当行业目光聚焦于模型参数、推理能力和应用场景时,一个更基础的趋势正在发生——云基础设施正在从“向下提供资源”转向“向上构建智能体平台”。这不是一次简单的产品迭代,而是云计算价值重心的结构性迁移。 从“资源底座”到“能力底座”:云的角色正在被重写 传统云计算的叙事逻辑是清晰的:以虚拟化技术为核心,把计算、存储、网络等资源池化,再以弹性、按需的方式交付给上层应用。IaaS、PaaS、SaaS 三层分工明确,云厂商的核心竞争力体现在规模、稳定性和成本效率上。 但智能体的出现打破了这套分工。一个可运行的智能体,至少需要四类能力同时在线:模型推理、工具调用、

    danny_2018 公有云实践 1194 2026-09-30 09:44
  • AI模型、AI芯片与AI云:三线共振,还是新一轮泡沫前夜?

    当大模型参数规模从百亿跃迁至万亿,当单卡算力从百T级迈向千T级,当云厂商的AI资本开支屡屡刷新纪录,一个无法回避的问题摆在所有人面前——AI模型、AI芯片与AI云这三条主线,究竟正在形成正向飞轮,还是正在酝酿一场结构性泡沫?依据现有素材判断,我们尝试从产业逻辑而非营销话术出发,给出一些冷静的观察。 三线共振的底层逻辑:模型需求倒逼芯片,芯片能力重塑云 1.1 模型侧:从“能跑通”到“跑得起” 过去两年,AI模型的发展主线非常清晰:参数规模持续膨胀,多模态能力不断叠加,推理成本成为比训练成本更棘手的长期问题。训练一次万亿参数模型动辄需要数千张加速卡连续运行数周,而推理侧面对的是每天数亿甚至数十亿次的调用请求。 这意味着,模型能力的竞争,本质上已经演变为单位算力产出效率的竞争。谁的模型能在同等芯片资源下提供更低延迟

    danny_2018 公有云实践 1215 2026-09-29 10:37
点击加载更多下一页

成为大咖

联系我们
itpub
help@itpub.net
ITPUB-饶
扫描二维码联系客服
关于• 广告服务• 使用条款
京ICP备16024965号
经营性网站备案信息
网络110报警服务
中国互联网举报中心
北京互联网违法和不良信息举报中心

关注公众号获取更多技术文章