前些日子大名鼎鼎的亚马逊AWS被光环新网以不超过20亿元的金额(以分期付款的方式)收购引起业界广泛关注,收购的业务是亚马逊技术服务(北京)有限公司基于AWS云服务的特定经营性资产(包括不限于服务器等IT设备),并利用这些资产在中国境内提供并运营基于亚马逊云技术的云服务。对此光环新网给出的原因就是为了遵守我国法律法规,进一步提升公司运营的AWS云服务的安全性和服务品质。
光环新网所言应该不虚,中国对国外云服务落地中国有着明确的规定,而这也正是AWS等国外云服务商难以在中国大张旗鼓地开展业务的主要原因,成为挡在这些云服务商进军中国路上的拦路虎。而另一方面,蓬勃兴起的中国云服务市场又让这些云服务商垂涎欲滴。

有数据显示,到2020年,中国云计算行业的总市场规模预计将达到6866亿元人民币(约合1036亿美元)。自2010年以来,中国云计算行业经历了强劲增长,2016年市场规模达到1782亿元,年均增长18.8%。
庞大的中国云服务市场引得中国的云服务商大力布局。纵观中国云服务厂商,阿里云作为业内领头羊,市场份额占据着中国市场半壁江山,并且近几年逐渐开始云业务的国际扩张,随后是腾讯、华为、浪潮等一众服务商。然而,在中国的云服务商寻求海外扩张的同时,对于起步较早的"外资云"却仍难以在中国市场上难以落地。
面对快速增长的市场需求,中国与外国企业的贸易往来越发频繁,外资企业对进入中国云服务市场的意愿越来越强烈,但如何面对中国政府对云计算及数据安全的监管,信息共享、文化差异等一直是亟待解决的问题。目前运作成功并在国内落地正式商用的仅有微软Windows Azure,以及亚马逊AWS中国区有限预览服务。
事实上,外资企业提供公有云服务最主要的问题在于难以获得数据中心等电信业务增值牌照,此类牌照多为国内互联网数据中心服务商持有,并一度停发。自2012重启之后,阿里、华为、浪潮等一批国内互联网和IT厂商也相继获得了持牌资格。但对于国外企业,牌照管理和发放一直有着严格的管理规定。根据《外商投资电信企业管理规定》,经营增值电信业务的外商投资电信企业的外方投资者在企业中的出资比例,最终不得超过50%,意味着外资企业需在国内成立合资公司,而实际执行中即使是合资公司能获取此类牌照的只是国内的互联网中心服务企业,且屈指可数。
针对此类问题,国外企业的普遍争议在于,基于互联网提供的公有云服务在中国是否应归属电信管理范畴,因为这与美国相对开放的云服务市场形成差异。
此外,中国数据中心牌照前面已经提到,更侧重于强调基于互联网数据中心、IT设备以及带宽资源的基础服务,但对PaaS和SaaS尚没有明确规定,对于更多层次的云计算服务管理是否应由单一牌照统一管辖也成为外资企业关注的重点。最后,外资企业也在寻求通过世界贸易组织和中美双边投资协定的渠道,来促使中国监管部门开放相应的云服务市场。
在今年6月1日,《网络安全法》正式执行,这部法律对于网络基础设施、网络信息和网络运营企业进行了严格监管,原则上禁止外国企业在华直接经营数据中心和网络新闻服务。
换句话说,外资企业想在中国落地云服务并没有那么容易,由于政府的安全措施和对互联网流量的积极监管政策,要充分考虑数据治理、法律法规问题的限制,因此,在中国使用云计算是一项相当复杂的工作。
不过无论在美国还是中国,云提供商都应该提供指导和自动化系统的提供商,以方便在限制之内工作。其实,随着目前科技信息化的高速发展,云提供商正逐渐成为在中国开展业务时的主要"中介"机构,自动化的合规系统便于双方交易,这就意味着应该使用和合作伙伴相同的云提供商,或者借助国内公有云服务商出海契机,开展多边探讨,以争取更多国内市场机会和发展空间。
我们知道,当下不少国内云服务商也在海外提供云计算服务,同样将面临着各个不同地区的市场监管和数据跨境流动问题,不过美国市场对云服务的监管相对宽松,虽然有针对电信服务运营牌照限制,而对于互联网市场则较为开放。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。