11月16日,主题为“主动实时保障、全方位数智化转型支持”的华为中国政企运维峰会2023成功举办。此次峰会为第五届,围绕企业数智化转型需求,华为分享主动、实时的运维体系与方案,伙伴、客户和业界专家分享在新技术、新场景和新价值上的洞察与实践。
华为中国政企交付与服务部部长 何振开场致辞
运维走向数字化与智能化
在不久之前,华为面向中国的大中小微企业,围绕加速迈向数智世界,发布全新的形象口号——“数智世界一触即达”,数智时代已加速到来。数智时代对运维的最大挑战在于如何借助数字化、智能化的技术,实现运维自身的跨越式发展。
系统分层解耦后运维运营对象数量爆发式增长;新技术、新平台的引入带来运维运营组织能力建设和流程重构;管理和分析运维数据以支撑场景化业务价值释放。这就是在数智时代我们需要面对的问题与挑战。
中电标协ITSS分会副秘书长 宋跃武分享运维新特征
运维数据将会产生更多的价值。南开大学副教授、博士生导师张圣林分享了其在运维大模型的研究与实践。从松耦合的通识大语言模型底座,到基于公域运维语料、知识库,进行预训练、微调、提示工程的语言大模型,最后基于私域运维数据如提示工程、外挂知识库检索的运维大语言模型,真正实现懂运维的大语言模型。
南开大学副教授、博士生导师张圣林分享运维大模型
打造主动、实时的运维体系与方案
在数智时代,运维需要积极适应新的技术、管理和组织模式,不断累积经验和提升能力,为企业数智化转型提供有力支撑。华为在运维领域持续投入,构建从客户支持、提升服务、行业运维到辅助运营的体系,不断迭代Hi-Care、Hi-OPS、Smart-NOS和Hi-BOS数智化运维运营解决方案,持续深耕政府、金融、能源、交通、教育、医疗等众多行业。
面对云网一体化架构下的业务看不清、拓扑看不全、问题看不准等难题,华为通过自主研发的数字地图使能服务产品,解决网络中多厂商、多接口、多标准统一协作运维难题。它就是网络世界的“手机地图”,实现网络世界的“高精地图”。
华为数字地图使能服务发布,发布嘉宾从左到右:
华为中国金融交付与服务部部长 杨伟
全球技术服务部企业运维与维护交付运营部部长 汤鹏
浙商银行科技运行部网络管理中心高级架构师 聂爱才
全球技术服务部网络保障与运维服务营销工程部部长 邢俊
华为企业行业运维与提升服务总架构师 张志峰
面向云网融合、云与AI融合、计算与网络融合的大趋势,华为借助20年ICT运维数智化转型经验积累,总结出企业运维运营数智化转型成功需具备建平台、转组织、转流程和精度量四大关键条件。而华为行业运维方案Hi-OPS,通过一个平台(统一运维平台IMOC)、两种模式(本地与云化)、三类服务(驻场协维服务包、数据中心运维服务包、行业场景化运维服务包)以及四全价值(全预置、全天候、全感知、全可视),匹配行业客户需求,护航政企数智化转型。
华为行业运维服务解决方案Hi-OPS全新升级,发布嘉宾从左到右:
软通动力重大客户事业群副总裁 谢明礼
华为全球技术服务部企业客户支持与行业运维业务部部长 黄俊
中国中化数字化部高级专家、云平台负责人 晏从发
华为中国交付与服务ICT运维服务部部长 鞠超
华为企业行业运维与提升服务总经理 梁奕
与客户、伙伴携手应对数智化转型
数智化已深入各行各业。
浙商银行围绕“185N”战略目标,夯实科技基础,致力于构筑数字化改革基础底座,打造数智浙银,着力提升1分钟问题感知、3分钟问题定位、6分钟问题处置的快速响应能力,围绕燕鸥智能导航系统,最终实现全网一张图、应用与网络互视、导航定位和路况直播、优化服务、提升体验。
浙商银行科技运行部网络管理中心高级架构师 聂爱才
中国中化提出“线上中化”重要战略,采用“统一运营,分域运维”的运维运营管理模式,在运维的基础之上,加持运营统筹。中国中化云是两地四中心架构,采取由集团统一运营,各数据中心的云资源池则由属地单位的人员负责对应运维工作,构建运维运营一体化组织、流程规范体系和运营运维平台。
中国中化数字化部高级专家、云平台负责人 晏从发
武汉超算中心通过通过算力运营、生态运营、产业运营,匹配各方诉求;而东风汽车乘数字化东风,探索运维体系变革,提升运维效率与经营管理水平。
武汉智算运营中心运营负责人 陈斌
东风汽车集团数字化部主任 祁伟
软通动力作为华为在辅助运营&行业运维领域的ICT服务伙伴,一直深耕互联网与电信运营商服务、金融、数字能源、制造等多个行业,携手华为,持续增强数智化运维能力建设,基于IMOC平台能力,打造差异化解决方案服务客户。
软通动力重大客户事业群副总裁 谢明礼
数智化转型是客户、华为、伙伴、业界共同面临的挑战,携手共进加速数字化转型进程,是智能时代我们共同的使命与当担。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。