任何人都知道,物联网并不是一个玩笑,而且它确实是云的一个组成部分。对于物联网来说有一个关键的问题,就是如何从大量的设备中获取数据。思科系统预测,到2020年,云流量可能会增加近四倍,从2015年开始平均每年全年增加3.9 ZB,到2020年,平均每年增加量将会达到14.1 ZB。
因此,我们可以从物联网的发展中获得云计算的“完美风暴”。毕竟,物联网是在处理设备生成的有意义的数据,而云计算则通过集中计算和存储来使用这些数据。这两者的增长都会变得难以控制。
那么我们该怎么做呢?答案就是“边缘计算”。我们已经知道,处于边缘的计算就是将大部分数据处理推向网络的边缘,接近数据的来源。接下来的问题是区分边缘和集中式系统之间的处理,也就是像AWS、谷歌云或微软Azure这样的公共云。
这听起来像是一个客户端/服务器架构,也涉及去搞清楚在客户端上做什么以及在服务器上做什么。对于物联网和任何高分布式的应用来说,你基本上已经得到了一个“客户端-网络边缘-服务器”架构,或者——如果你的设备无法进行任何数据处理的话,就会是“网络边缘-服务器”架构。
其目标是在设备周围快速处理数据,也就是立即采取行动。有数百个用例表明,反应时间是物联网系统的关键价值,而持续地将数据发送到集中式的云上,毫无疑问会阻碍这种价值的实现。
不过,我们仍然可以使用云来处理那些既不具有时间敏感性,也不是设备需求的事务,比如对来自所有设备的数据进行大数据分析。
另一方面,边缘计算和云计算是两种截然不同的东西,谁也不会取代谁。但是有太多的文章让IT专家们感到困惑,他们认为边缘计算将取代云计算。然而,这种说法的荒谬之处与“PC将取代数据中心”没两样。
创建基于特定目的的边缘计算应用程序是完全有意义的,例如将数据处理放置在传感器中以快速处理警报反应的APP。但是,库存控制数据和应用程序是不能放在边缘的,将所有计算转移到边缘会引发一个分布的、无担保的、无法处理的混乱情况。
所有公有云供应商都拥有物联网战略和技术堆栈,其中包括或者将会包括边缘计算。边缘计算和云计算可以很好地结合在一起,但是边缘计算是专门为有特殊需要的特殊系统设计的。云计算则是一个更加通用的平台,它也可以在传统的“客户端-服务器”模型中使用专用的系统。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。