从整个互联网行业的发展来看,计算技术的发展推动着业务场景的丰富,而业务场景反过来也在驱动计算技术不断变革,如何拉通场景和计算力是成功的关键。这对于腾讯这种超大规模数据中心用户更是如此,更快速的交付、更贴近业务的产品,意味着更强大的市场开拓能力和更稳固的抗风险能力。
过去这一年,基于浪潮创新的JDM模式,依托浪潮面向大规模数据中心的供应链整体交付能力和产品研发创新能力,浪潮实现了对腾讯产品需求的快速响应和供货及时率的稳固提升。此次,浪潮荣获腾讯服务器"优秀合作伙伴奖",从侧面印证着JDM在大规模数据中心的价值,未来JDM的模式或将对整个中国服务器产业产生更加深远的影响。

2017年度腾讯供应商大会
根据腾讯全球合作伙伴大会提到的最新数据,截至2017年9月,微信和WeChat合并月活跃用户数达 9.8 亿。对于微信和它的用户来说,微信早已超出了"即时通讯"的概念,从连接人逐渐扩展为连接人和服务。而且不止于微信,艾瑞发布的中国APP榜单中,腾讯系APP占据4席,且月活数遥遥领先···
业务应用的数量和体量的快速发展,驱动着数据中心规模的高速增长,同时导致腾讯对于服务器供应商的选择十分严格。短短2年多时间,浪潮就成为最重要的供应商之一,这其中原因为何?

浪潮荣获腾讯2017年度优秀供应商奖
从买卖到联合创新,合作快速深入
从2015年正式入围腾讯,到2017Q3浪潮成为腾讯战略供应商,双方在商务上的合作持续高速推进。
今年,基于浪潮创新的JDM模式,浪潮与腾讯的合作进一步深入,双方从产品开发、生产制造、运输交付、服务和运维等方面的不断精进和完善。
研发和供应能力得到全面认可
对于腾讯这种体量的超大规模互联网公司而言,如何快速的供应并提供更适合业务的产品,是影响用户体验的两大重要因素。2017年,在JDM模式下,浪潮与腾讯建立了定期沟通、滚动预测机制和供应链平台的对接,在上游市场整体供应情况不佳的大背景下,通过完善的机制和高效的交流,浪潮的按时供货率稳固提升,为腾讯业务高速发展奠定了基础。
同时,全新的JDM模式让浪潮和腾讯的技术合作阶段前置,从产品的规格确定阶段开始,腾讯就深度参与其中。并通过"基础模块+可变模块"的模块化产品开发模式,实现客户产品需求的快速响应,极大加快产品研发的速度,提升硬件产品与业务应用的适配性。
通过JDM模式,浪潮的研发人员不仅深入到了用户的业务中去,同时用户也会深入了解浪潮的运营,使得双方在需求端、研发端、采购端、品控端、生产端、交付和服务端的全面对接,实现产业链的全面融合,提高业务响应与资源协作性,和用户之间的关系从服务变成了共生。
在近3年的合作中,浪潮为腾讯开发出专属定制服务器、整机柜级存储资源池化方案、创新AI计算产品等,加速了腾讯数据中心技术的积累和升级。
以JDM加速服务器产业发展
整个计算技术的发展离不开业务场景的驱动,业务场景反过来会驱动计算技术不断往前变革。在这个过程中JDM模式,将一直会为未来的技术创新提供一种方法论,和新的技术创新"试验田"。
在JDM模式下,浪潮先后成为腾讯、阿里巴巴、百度的核心战略供应商,在技术、产品、生产、交付、服务等全产品流程深化合作,推出SAS Switch存储资源池化方案、SR-AI整机柜服务器等具有前沿性的创新产品,同时在供应链敏捷交付、工厂智能化生产、更高效的定制化客户服务等方面进行尝试和实践。未来,浪潮这种JDM模式将对整个中国服务器产业的未来产生更加深远的影响。
目前,浪潮的云服务器销量、销售额已跻身全球市场第一,根据全球权威数据调研机构Gartner公布2017年第三季度全球服务器的市场报告显示,浪潮服务器进入全球前三,并再次蝉联中国市场第一。
好文章,需要你的鼓励
近期有观点认为,大规模使用生成式AI和大语言模型会增强人类左脑的逻辑分析能力,同时削弱右脑的创造力,导致人类社会逐渐成为左脑主导的群体。但研究表明,左右脑功能分工理论缺乏科学依据,大脑两半球在创造性和逻辑性任务中都会协同工作。此外,AI不仅能辅助逻辑思维,同样可用于诗歌创作、图像生成等创意任务。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软全球AI巡展在迪拜举行,宣布启动Microsoft Elevate UAE项目,计划为超过25万名学生和教育工作者以及5.5万名联邦政府员工提供AI技能培训。该项目是微软152亿美元投资计划的一部分,旨在加强AI基础设施建设,培养本地人才能力。微软还将与G42和JAHIZ平台合作,为联邦公务员提供技术培训,支持阿联酋成为AI领域的区域和全球领导者。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。