1月26日,主题为"科技赋能证券·创新引领变革"的联想证券科技创新研讨会在苏州召开。会上,联想携手东吴证券展示了金融行业首个以整体一体化模式所构建的分布式私有云架构。作为全国第18家上市券商,东吴证券拥有以证券经纪、资产管理、投资银行服务、投资服务、基金债券代销服务等为基本架构的专业证券服务体系,目前是全国排名Top20的证券公司。
联想数据中心业务集团中国区副总裁李国庆,东吴证券副总裁、公司总规划师冯恂,以及来自证券行业的各大券商代表共同参加了此次研讨会。
业内首个一体化分布式私有云落地 数据中心能耗降低40%
数字化浪潮下,东吴证券正逐步发展为综合类经营的规范类券商,其IT基础架构的探索上,走在行业的前沿。2015年就已经在开发测试环境中使用OpenStack私有云平台,超过95%以上的开发测试项目,均部署在私有云环境中。目前东吴证券的IT架构,大范围使用了刀片服务器+虚拟连接器的方式进行部署,平均每机柜放置48台刀片服务器节点,这种部署方式的采购周期长,业务响应不及时,给日常IT运维造成了很大困难。
为了有效地解决IT基础设施运维管理的压力,同时能快速响应业务需要,保证新业务能第一时间上线,并降低IT基础设施的成本等一系列挑战,东吴证券希望通过虚拟化、分布式及超融合等技术来解决现有数据中心面临的挑战。
联想为东吴证券提供了一揽子解决方案。整个超融合架构资源池共包含66个节点,节点上安装了服务器虚拟化软件和联想超融合软件,整体设计划分了两个逻辑的站点,充分体现了超融合产品的稳定性和可靠性。
从整体性的云镜像,到统一的存储资源池,再到分布式集群系统,新的私有云系统,在稳定性上取得了最大化的成效;在快速响应业务需求方面,超融合设备的引入,有效缓解了数据中心空间容积率问题,增加40%的机房空间。私有云平台的投产,将系统建设周期,从原来的3-4个月,缩减到分钟级别,使得整个IT响应效率得到大跨步的提升。系统的基础性投入,也从原来的固定资产采购模式,转化成按需申请、伸缩自如的租赁模式。今后,东吴证券在IT基础架构上的固定资产投入预计将减少30%以上,整个数据中心的能耗相应减少40%。
东吴证券冯恂表示:"一直以来,联想的品质和服务带给东吴证券强大信心,几乎东吴证券所有的核心数据库设备,全部是联想的服务器。在双方的合作过程中,联想丰富的项目管理经验,对整个超融合项目的规划、实施能力、以及7*24小时的售后服务及响应能力,都给我们留下了深刻的印象。东吴证券与联想的多次合作,证明了联想技术实力的可靠性。"
东吴证券副总裁、公司总规划师冯恂
洞悉证券行业发展 联想超融合赋能变革
在各种新技术浸润下,证券业务增长愈加快速,金融科技浪潮也汹涌而至,传统的证券业务正逐步迈上数字化转型的变革之旅。对于广大证券机构来说,核心交易系统需要迭代升级,高效率低延时服务,以及大数据价值深度挖掘愈发重要,这些都给证券企业原有的信息系统,带来巨大的冲击。
联想李国庆表示,联想已经成为证券行业数字化转型的可靠合作伙伴,赢得了众多客户的信赖。当企业面临经纪业务核心交易系统亟需迭代升级、终端客户对高效率低延时的服务需求明显提升、传统架构应对能力捉襟见肘等转型问题时,联想将和有意愿突破转型的券商携手,响应行业召唤,发掘数字化转型的最大价值。
联想数据中心业务集团中国区副总裁李国庆
联想曾成功助力中银国际证券从传统基础架构向超融合转型,构建了满足需求的私有云平台,使其迈上了传统业务和新业务双轮驱动的新台阶。在IT负荷量大、数据价值宝贵、安全不容有失的银行业,联想超融合也不惧挑战,通过帮助晋中银行构建易于管理维护的私有云平台,最终建立了高速稳定的管理系统。此外,中国人民银行、国泰君安证券等均在联想超融合的帮助下,构建了符合数字化业务发展需求的数据中心。
作为全球领先的IT厂商,联想一路伴随中国证券行业成长,对"新常态、新技术"下金融证券IT需求有着深刻的理解和前瞻的洞察,东吴证券超融合案例为证券行业转型提供了范本,开创了证券行业的全新格局。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。