如果用两个词语来形容当前企业云计算的现状,“随处可见”与“包罗万象”结合起来对比可以说是最贴切的写照。研究表明,中国云端运行的IT工作负载总量有望从2021年的约60%增长到2025年的78%,而不同企业及职能部门中对于云计算的应用可以说是相差甚远,即使是同一领域的平均云计算普及率也有从5%到60%的巨大落差[1]。简言之,虽然目前企业云计算随处可见,几乎所有企业都以某种形式使用云(无论他们是否知道), 但对于云的使用远非包罗万象,并非所有业务中都存在云的使用。
追根溯源,云诸如灵活性、数字合规、安全、高效和成本效益的天然优势,是企业将部分计算资源与数据保存在云端的不竭动力。
谈到混合多云概念,其中“混合”是指将一些计算资源和数据转移到云端,同时保留一部分本地数据;而“多云”意味着使用多个公有云服务供应商以满足不同需求。
Veritas建议,企业在构建多云战略时,需要考量以下三个因素:
明确多云需求
构建多云策略的首要考虑因素是明确企业的多云需求。由于其主观性以及较强的变化性,很难用一篇文章划定一组特定的解决方案或阐述某个使用场景。
但需要注意的是,与本地部署环境一样,云是由应用程序、服务层和存储层组成的,他们是为特定目的而建,并由客户需求和当前架构驱动定义。同样地,上述需求与架构也会跟本地环境一样瞬息万变。所以企业需以灵活性和可移植性来适应,而由于难以从中获利,提供应用程序、服务层和存储层的云供应商通常不会提供上述解决方案。因此,无论基础架构如何发展,企业都需要将防御关口前置,把握预防的主动权,将可恢复性、故障转移、灾难恢复和可移植性纳入多云需求整体考量中。
选择合适的供应商
除上述内容外,明确多云需求还要根据专业性、安全性及成本等因素来选择合适的供应商以满足企业的实时需求与架构。审慎忖度,仔细分析,将企业的特定需求与各种云服务供应商的优劣势进行比较十分重要。
还有一点值得注意的是,建议选择支持 API 框架,尤其是RESTful API的供应商。因为当下系统间的交互和连接愈发紧密,而API框架能为不同的应用程序集成到多云环境中赋能。
多云需求以及云供应商组合都会不断变化,因而再次凸显了独立于云供应商的可恢复性、故障转移、灾难恢复和可移植性的重要性。
保护和管理企业数据
企业往往会依赖其云服务供应商保护自身数据免于威胁。然而,情况可能恰恰相反,因为这并不是云服务供应商的职责。换言之,企业应主动筑起“防护墙”,使数据免受勒索软件等网络威胁,而非寄希望于云供应商。
这类情况只会因多云环境而变得愈加复杂。在多云环境中,企业不仅要选择不同的解决方案以克服本地部署与云端数据共存所带来的数据保护与管理挑战,还需要处理好不同的本地部署数据解决方案以及多个不完备的云环境供应商的解决方案所导致的数据保护与管理缺口。
Veritas认为,在多云环境中,整合统一平台和自治是数据保护管理的两个关键环节。它们应当成为每个企业多云战略的一部分。这为企业数据提供了可视性,降低了多云环境的复杂性,并解放人力资源,减轻了IT团队的负担。
Veritas希望能为企业有条不紊向多云过渡指明方向,并助力已踏上多云之路的企业更好地把握船舵,轻松“驭数凌云”。
关于Veritas
Veritas Technologies是多云数据管理领域的领导者。超过八万家企业级客户, 包括95%的全球财富100强企业,均依靠Veritas确保其数据的保护、可恢复性和合规性。Veritas在规模化的可靠性方面享有盛誉,可为企业提供抵御勒索软件等网络攻击威胁所需的弹性。Veritas通过统一的平台,支持超过800种数据源,100多种操作系统,1400多种存储设备以及60多类云平台。在云级技术的支持下,Veritas现正在实践其自治数据管理战略,在提供更大价值的同时,降低运营成本。
Veritas中国官方网站 https://www.veritas.com/zh/cn/
Veritas官方微信平台:VERITAS_CHINA(VERITAS中文社区)
[1] 来自麦肯锡《云端中国,展望2025》
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。