本文系基于公开资料撰写,仅作为信息交流之用,不构成任何投资建议。困于现代商业存量时代的当下,什么最可宝贵?毫无疑问,是增量。过往数十年,我们在互联网模式创新的环境中浸淫太久,很少有人注意到技术变革已经在酝酿中。只有少数人能洞察未来,创造趋势。趋势已来,最显著的一重脉络就是:从云计算到智能云的一跃。IDC最新《中国AI云服务市场2020年度研究报告》显示,2020年中国AI Cloud市场份额TOP4分别是——百度智能云33%,阿里云27%,腾讯云18%,华为云14%。智能云的份额折射代际差,随着AI和云持续与特定行业结合形成深度混合智能循环,新的科技奇点已经临近,基于智能实体产业互联网的增量商业生态将全面涌现。“云智一体”的技术创新商业体,会再次加速淘汰不够智能的企业,既包括传统公司,也包括模式创新的新经济企业。一重显著的线索已经外露:当时当下,Robotaxi已逐渐显露对网约车企业的替代效应。每个奇点时刻,都是一次创世的开端。人类的诞生创造辉煌的现实文明,智能云的诞生则可能会创造灿烂的现实虚拟一体化文明。01智能云的经济学原理智能云所隐含的经济学原理,即熊彼特的创造性破坏理论——不断从内部推动生产要素重新组合以“革故鼎新”,创造新的经济结构,引发产业革命,继而引领经济穿越康波周期。还原到经济学最基本原理——供需框架内,也可解释这一点:传统云计算,属于在既有供需框架内的改善生产效率的技术路径;而智能云计算,则是突破既有供需框架,创造供需两侧增量的技术路径。展开来说:【1】时代重新划分人类5000年的文明史,全球GDP从无到有至2020年的85万亿美元,其中增长曲线最炸裂的一段,当属1723年经济学之父亚当斯密出生至今的300年,更专业的分工提高生产力——从制针厂到互联网大厂毫不违和,莫不如此。我们以云计算为坐标系,可对过去300年以降的近代史作如下划分:云前时代,也即农耕和工业文明混合的时代,以人力和实物资本为底层的古典增长模型衍生跨国企业。网络时代,20世纪60年代末BNN公司拿到100万美元“ARPANET”项目订单开启网络时代是云计算的雏形,以技术为底层的内生增长模型衍生半导体及互联网公司。云时代,2006年亚马逊AWS为网络时代的企业无处安放的IT成本提供IaaS开始,真正开启云计算大潮,以技术和服务为底层的内生增长模型衍生大批云计算公司。智能云时代,2016年李世石败于AlphaGo开启AI时代,亦是开启智能云(AI云)时代。以数据和解决方案为底层的内生增长模型,衍生大批致力于加速数字化进程的AI公司。云计算作为基础设施级别的先进生产力,在摩尔定律以及强化版的库兹韦尔定律(如果你发明了一套更好的工具,然后你就可以利用这些工具更快地发明出更新更好的工具,形成技术创新的正反馈加速发展)之下,在最近的半个世纪刮起一道经济旋风,让GDP增长曲线变得极度陡峭。从1．0到2．0,每一个云计算的时代,都在深刻世界经济的形态。图:全球GDP总量,来源:锦缎研究院【2】增量型破坏式创新从云计算的发展历程看,当前世界正处在云时代末期和智能云时代早期的交汇点,两者都是破坏式创新,但也有显著的差异。云时代又可看成是服务时代,亚马逊AWS、阿里云、腾讯云、金山云、优刻得等IaaS(基础设施即“服务”),中国有赞、微盟集团等SaaS(软件即“服务”),声网等PaaS(平台即“服务”)。本质上,它们更多是在做存量博弈型破坏式创新,以更低的成本做替代。比如客户自建机房除了前期一次性投入过大,中期还存在超过1/3配置闲置的问题,于是它们按需购买亚马逊AWS或者阿里云的计算力很香。以上云时代可称为Cloud1．0阶段。而Cloud2．0阶段即智能云时代,与1．0阶段其最大的不同在于,它是在做增量型破坏式创新。例如自动驾驶:在当前智能云所延伸出的最大单体场景之一——自动驾驶中,衍生了电动车市场、车载智能芯片、智能传感器、智能座舱、智慧交通等诸多创新增量,涉及自动驾驶解决方案商、整车厂商、配件厂商、以及政府部门、基建单位等参与主体,其蕴含的势能之巨不言而喻。随着芯片的计算能力越来越强,软件覆盖场景越来越多,智能云会无处不在,不断打通各行业knowhow形成显性的中短期商业价值,它输出解决方案,用软硬一体化的方式重构过去的商业形态。从长期看,智能云与具体行业的深度交互将带来技术边界的扩张,会形成崭新的“混合智能”技术与商业生态——例如:智能云结合视觉、深度学习技术实现自动驾驶,智能云结合游戏、VR技术形成云游戏,智能云结合脑机、AR技术实现虚拟永生……在存量时代做增量,这已经是发展趋势,大部分公司还没有意识到这一点的时候,奇点时刻已经迫近。【3】奇点时刻美国作家卢克·多梅尔在《人工智能》一书中提出“奇点”的概念,指的是机器在智能方面超过人类的那个点。而从云时代到智能云时代,“AI+云”也将在技术和产业上让云经济临近“奇点时刻”。实际上,这一时刻的来临比我们预期的更快。智能云在新能源汽车行业的深度应用,已经诞生Robotaxi这一增量的商业形态,奇点时刻正在到来。日前百度(NASDAQ:BIDU/HK:09888)发布专门为共享出行场景定制的Robotaxi新车型:Apollo Moon。最大亮点有两个:成本降低至盈利空间。单车成本48万,比之前成本百万元起步的Robotaxi便宜了一半。5年的可靠运营期保证,月均成本0．8万元,假如每天单车收入1．5万元-2万元的话(实际上在建立用户习惯的初期不会追求盈利),已经进入盈利区间。更加从容地应对corner case。不管是谷歌Waymo还是百度Apollo都实现L4级功能Robotaxi,但极端工况重视还是无法避免的。但百度自动驾驶技术部总经理王云鹏硬是表示自己的Robotaxi“万无一失”,原因是它的方案里配备了5G云代驾,少数自动驾驶搞不掂的情况,远程司机来拉一把。时间推移之下,Robotaxi一定是碾压网约车的存在(这一具体商业场景的潜在剧变我们将在专题报告中剖解)。Robotaxi技术模式的想象力在于,它将让时间变得无缝,调度效率高于一般网约车;让空间不仅承载从A到B的出行,还能工作、娱乐和餐饮等。02云与智能云:两个商业历史代际从云到智能云,反映的是两个商业历史代际的不同,而智能云的份额折射代际差。IDC最新《中国AI云服务市场2020年度研究报告》显示,2020年中国AI Cloud市场份额TOP4分别是——百度智能云33%,阿里云27%,腾讯云18%,华为云14%。百度智能云的AI应用全面开花、多行业落地,具体到细分技术场景:人脸人体识别公有云市场份额连续两次第一,占比45%;图像视频公有云市场份额连续三次第一,占比31%;NLP公有云市场份额连续三次第一,占比42%;对话式AI公有云市场份额第二,占比22%;智能语音公有云市场份额第二,占比32%;机器学习公有云市场份额第三,占比16%。图:2020年中国AI云市场份额,数据来源:IDC不了解云计算行业的投资者可能会疑惑,为什么阿里云和腾讯云的IaaS份额在中国排前二,在移动互联网的下半场,它们在战略上也非常重视IaaS业务横向拓展的产业互联网;按道理讲,其智能云份额应该靠前,为什么反而是百度智能云稳坐行业头把交椅呢?【1】模式创新与技术创新太阳底下没有新鲜事,跟踪阿里巴巴(NYSE:BABA/HK:09988)和腾讯控股(HK:00700)时间很久的投资者,都知道其云计算业务的历史成因。电商购物节期间用户会蜂拥而至,阿里巴巴必须要储备大量服务器资源,而多出来的服务器资源平时用不上。因此亚马逊和阿里的云计算可以说是业务需求倒逼而来的模式创新,毕竟服务器资源闲着也是闲着,不如按需租赁换取收入。腾讯的云计算业务的诞生,逻辑相同,主要承接的是游戏与微信两大主业基本盘。阿里云和腾讯云在此基础上衍生的智能云业务,成长的潜能会弱一些。用管理科学的话讲:模式创新的企业处于追求实际应用、而不重视基础认知的爱迪生象限。基础认知的不足,使其无法更好的突破既有产业格局。图:管理科学,来源:锦缎研究院而百度智能云处于即追求实际应用也追求基础认知的巴斯德象限,是技术基因和底蕴的产物。技术基因在于——百度创立于2000年,创始人李彦宏拥有“超链分析”技术专利让中国成为全球仅有4个拥有搜索引擎核心技术的国家之一。今年“木头姐”在报告中狂推的未来25万亿美元市场规模的深度学习,百度2013年就开始发力布局,当年成立百度深度学习研究院,2014年建立大数据实验室和硅谷AI实验室。底蕴在于——长期高强度研发投入带来的技术导向和积累的大量AI人才。关于百度的研发费用我们在此前报告中有详尽论述,总结来说就是在强大的现金流支撑下,百度对于研发的投入达到了偏执地步,研发费用率在20%上下。在智能时代,企业数字化需要的云计算,不只是普通的云计算——低价卖计算力的IaaS,这已经无法跟上智能化的主流发展路线——试想,只实现了店铺数字化的传统服装企业怎么去跟用AI和大数据武装到牙齿的shiin竞争?时代需要智能云,核心点在于企业的AI定制需求(2018年波士顿咨询调研数据显示86%的AI需求为定制需求),很难用通用云计算模型满足它们的业务创新需求。百度智能云基于技术基因和底蕴,打造“云智一体的AI开发全栈模式”,将AI基础设施(AI计算、AI存储、AI容器等)和AI开发双平台(零门槛开发平台EasyDL和全功能开发平台BML)紧密结合在一起,更好满足企业需求,加速产业智能化升级。EasyDL是2020年机器学习平台的第一,市场份额22．8%。图:百度“云智一体”AI开发产品架构,来源:百度智能云白皮书模式创新推动的智能云是一个物理性耦合逻辑,技术创新的智能云是化学反应式逻辑,这是百度智能云的地位稳固的第一个重要归因。【2】流量“涌现”与创新“涌现”KK的《失控》有个理论是连接的越多,各种价值涌现越多。交易平台主要连接的是流量;创新平台主要连接的是开发者的智力,涌现的是智能。流量涌现是基于流量和交易的平台涌现出各种场景,对应着互联网红利,如同改革开放以来中国社会的发展主要依赖的是人口红利一样,是数量的优势。创新涌现是基于效率和附加值的平台涌现深度智能,对应着科技创新,如同当下中国经济正在掀起以高端制造业为主的经济转型升级一样,是质量的提升。实际上,流量涌现到后期多是一潭死水,最终进入存量厮杀时态。相较而言,创新涌现的天花板要高出很多,技术创新本身可以不断地涌现,而创新者带来的增量价值会吸引各方协同合作,AI云就是一个典型的创新涌现点。创新“涌现”的第一个层次是——有更多的开发者才能满足企业AI定制需求。百度智能云背后是庞大的开发者群体:百度AI开放平台的开发者数量大幅领先行业,2020年底是260万,5月20日的WAVE SUMMIT 2021深度学习开发者峰会上百度CTO王海峰透露,开发者数量已经达到320万,比去年同期增加70%。图:截止2020年底百度连接开发者遥遥领先,来源:百度招股书创新“涌现”的第二个层次是——在开发者智力的线性变现之外,智能云软硬一体双向优化带来商业模型迭代。以智能汽车为例,它的重点是算法及支撑算法的数据和硬件。而算法无论是在云端训练还是在终端推理,都需要极高的性能。智能汽车的硬件则需要对特定专门应用及算法进行大量的性能优化。所以只做算法或只做芯片或只做操作系统,长期看都会面临性能优化上的困境。只有每一块组成部分都属于自己开发,才容易进行性能优化。而软件和硬件的分离,会导致性能无法最优化。百度智能云生态就诞生了昆仑芯片,第一代采用14nm工艺,计算力达到256Tops,广泛应用在智慧城市、计算中心等领域;第二代于2021年上半年量产,采用7nm工艺,性能较第一代提升约3倍。图:百度昆仑1,来源:《AI芯片技术选型目录》回过头来看,阿里的芯片公司是买来的,腾讯没有芯片。这就是流量“涌现”与创新“涌现”的差异,也是是百度智能云的地位稳固的第二个重要归因。【3】新的商业时代智能云突破了对云计算早期的定义,它不仅是基础设施,也不仅仅是解决方案,两者结合具体的场景双向优化会产出新事物。它是对生产力与生产关系的实然性改造,最终交融出新的商业时代。此处代入一个具体商业场景可以管窥豹:以百度与化纤企业恒逸石化的合作为例。恒逸下属的双兔新材料外检工段负责人王礼娜,以前的工作是——每天拿着强光手电肉眼观测至少2500锭丝锭。基本上看几个小时眼睛就花了,每天最后一段时间工作质量和效率明显下降。但自从一个月前百度智能云的智能质检设备落地恒逸之后,王礼娜成为了人工智能数据标注师,工作从普检变为复检,这台设备让长期缺员的质检工人们感到轻松。目前百度智能云已经形成以工业智能为核心的完整工业互联网平台,智能质检也已经升级为工业视觉智能平台,在钢铁、汽车制造等10多个行业和100多个场景落地应用。以智能检测场景为样本,我们得以窥见,传统制造业正从机械工业的存量时代跃迁进智能工业的增量时代,这正是智能实体产业互联网应有的模样。一个个增量的场景,最终汇聚成百度智能云业务的快速落地,汇聚成全行业最大的份额,这离不开核心技术能力的支撑。百度智能云的中枢系统是百度大脑,现在已成为业内领先的软硬一体AI大生产平台,包括飞桨深度学习平台、百度昆仑芯片、以及语言、视觉、知识图谱、自然语言处理等核心人工智能技术和平台,已经成为赋能各行各业的AI新基础设施。其中,底层的飞桨深度学习平台是我国首个产业级深度学习开源开放平台,目汇聚320万开发者,服务企业10万家,外向输出AI能力已成规模。如果我们更有想象力——毕竟技术是想象力的产物,而技术创新又是人类社会前进的秘钥——未来智能云还会进化到高度混合智能的元宇宙时代,虚拟实境成为部分人的工作生活空间,它的市场空间是星辰大海。一言以蔽:不上云的公司,已经是古董公司。不上智能云的公司,眼看着要跟不上时代。新的商业时代呼啸而来,你准备好了吗?

答：配置虚拟机属性 - CPU QoS 的份额是：表示虚拟机可占用主机系统资源的比例关系。预留：表示主机保留给虚拟机的最低资源量，这部分资源量不能被其他虚拟机占用。题目中所给的例子：虚拟机 A：如果按照份额分配，本应得 800MHz，但由于其预留值大于 800MHz，因此最终计算能力按照预留值 1400MHz 算。剩余 4200MHz 为 B、C 的和，由于 B 和 C 的份额比为 1:2所以虚拟机 B 计算能力为 4200*（1/3）=1400MHz虚拟机 C 的计算能力为 4200*（2/3）=2800MHz

回答:成本计算，没有计算数据中心土木建设、电气建设、空调制冷等成本。1.200 台服务器成本:200 台* 15000 元=3,00000 元;2.管理维护成本:4 人* 200,000 元=800,000 元/年3.电力成本:200 台 0.15kw* 1 元* 24 小时 _ 365 天=262,800 元/年4.云计算虚拟服务器成本:200 个虚拟机 _ 4 元 _ 24 小时 _ 365 天=7,008,000 元(1)200 个服务器以 100%的使用率使用 4 年成本分析传统模式:300W+80w _ 4 年+26.28W _ 4 年=725.12W云计算模式:700.8W _ 4 年 _ 100%使用率=2803.2W(2)200 个服务器以 50%的使用率使用半年成本分析:传统模式:300W+80w _ 0.5 年+26.28W _ 0.5 年=353.14W云计算模式:700.8w _ 0.5 年 _ 50%使用率=175.2W

(1) 1000：2000：4000 = 1：2：4A= 2.8GHz x 1 / 7 = 0.4GHZ = 400MHzB = 2.8GHz x 2 / 7 = 0.8GHZ = 800MHzC = 2.8GHz x 4 / 7 = 1.6GHZ = 1600MHz份额为 1000 的虚拟机 A 的计算能力约为 400MHz 的，份额为 2000 的虚拟机 B获得的计算能力约为 800MHz，份额为 4000 的虚拟机 C 获得的计算能力约为1600MHz。(2) 如果虚拟机 B 和 C 均处于空闲状态，虚拟机 A 可以获得整个物理核即 2.8GHz的计算能力。

（1）VM1 资源限额为 2GHz，VM1 可用的 CPU 资源最多为多少 GHz。（2） VM1 和 VM2 的资源份额分别是 1000 和 2000，竞争时 VM1、VM2 各获得多少 GHz，（3） VM1 资源预留 2GHz，VM2 资源预留为 0，竞争时 VM1、VM2 各获得多少 GHz。答：（1）CPU 资源限额控制虚拟机占用物理资源的上限，所以 VM1 可用的 CPU资源最多为 2GHz；（2）VM1 获得 1000/(1000+2000)*3=1GHzVM2 获得 2000/(1000+2000)*3=2GHz（3）CPU 预留定义了多个虚拟机竞争物理 CPU 资源的时候分配的最低计算资源。所以，竞争时 VM1 获得 2GHz，VM2 获得 3-2=1GHz。

(1)2 的 32 次方，0x00000000~0xFFFFFFFF(2)0x00000000~0x0C7FFFFFF

209.BASE 理论是指？基本可用、软状态、最终一致性210.CPU 个数为 3，CPU 核数为 2，CPU 的线程数为 4(支持超线程技术)，vCPU 的个数是多少？答案： vCPU 个数 = 物理 CPU 个数* 物理 CPU 核数* 单核线程数=3* 2 *4=24

207.什么适合需要用到虚拟机快照？虚拟机用户在执行一些重大、高危操作前，例如系统补丁，升级，破坏性能测试前执行快照，可以用于故障时的快速还原208. 容器与虚拟机的区别。（1）占用磁盘空间大小：容器技术小，虚拟化技术非常大。（2）启动速度：容器技术快，虚拟化技术慢（3）运行形态：容器技术直接运行在宿主机内核，不同容器共享同 1 个 Linux 内核，而虚拟化技术运行在 Hypervisor 上。（4）并发性：容器技术能在一台宿主机可以运行成千上百个容器，虚拟机技术在单台机器最多几十台虚拟机（5）性能：容器技术接近于宿主机本地进程，虚拟化技术逊于宿主机（6）资源利用率：容器技术高，虚拟化技术低。

答案：FT 通过类似主备的冗余配置，数据在主备间实时同步。当主虚机出现故障时，秒级可切换到备虚机上。使用于高可用性系统。HA 动态调度的策略，当检测到某主机发生故障或负荷过高时，将虚拟机迁移到目的主机，保障业务连续性。FT 的恢复时间更短、但成本较高，适用于高可用性要求的关键系统；HA 机制恢复时间较长，但更为灵活、相对成本更低，适用于可以容忍短时中断的系统。

互联网大厂单双周假期变更能上热搜,但很多更繁重的工作却乏人关注。电子设备的质检工,通常每天要完成1万多个零件的人眼检测,平均每分钟检测十几个产品,连续工作超10个小时并不鲜见。高负荷导致工人精力跟不上,出现漏检、错检在所难免。如何缓解质检工的工作压力、提升制造企业的产品品质,成为亟待解决的难题。浪潮携手思谋科技,基于深度学习算法打造边缘工业智能质检解决方案,通过实时读取质检图片,对瑕疵产品进行推理、定位,即时给出缺陷类型、大小和处理建议。同时,这些数据还会反馈到云端,进一步优化AI质检模型算法。据《IT创事记》了解,这一解决方案已应用于钢铁、3C电子、汽车等行业的智能工厂,缺陷检出率从原来的90%提升到99%,不放过每一个缺陷,过检率≤3%,不会造成大量的“错杀”,同时日均处理产品件数大幅提升,对产品品质控制和生产效率优化助益显著。边缘计算在智能制造中的角色,类似于古时的御前带刀侍卫。巡逻、查夜、看守库房是带刀侍卫的日常职责,危急时刻作为“人肉盾牌”保护圣驾更是责无旁贷;边缘计算就像智能制造的贴身侍卫,用火眼金睛发现问题、监控环境,以顺风耳实现与云端的协同,遇到突发状况也会挺身而出,为智能制造的平稳运行保驾护航。智能制造面临多元挑战基于中商产业研究院的数据,2020年中国智能制造装备产值规模达20900亿元。制造业景气度整体维持在高位,为智能制造的快速发展奠定了坚实基础。与欧美发达国家相比,我国智能制造还有相当大的发展空间。亿欧智库的调研显示:当前90%的制造业企业配有自动生产线,但仅有40%实现数字化管理,5%打通工厂数据,1%使用智能化技术。预计到2025年,数字化、网络化、智能化制造企业占比将分别达到70%、30%、10%。智能制造的未来是星辰大海,但脚下的路却并不平坦。首先要面临复杂多元算力的挑战。伴随深度学习不断发展,分类算法AlexNet分析224×224大小的图像需要720FLOPS,使用工控机处理需要1秒左右;而实际生产中常使用的ResNet50视频处理的计算量是AlexNet的数十倍,复杂度越来越高,算力结构性缺口日益凸显。其次是巨量数据贯通的障碍。从2015年迄今,国内机器人装机量从25万台猛增到100万台,数控机床、PLC的市场规模从1400亿增长到2000多亿,系统平台从以人为核心的ERP、CRM扩展到以物为核心的IIOT、MES、PLM等。智能化装备、各类生产线以及跨领域系统平台的巨量涌现,让工厂的数据量呈指数级增长,海量数据的贯通和深度挖掘计算成为难题。此外,高并发实时处理的需求激增也带来困扰。智能制造过程广泛使用装配机器人,对智能机器人的目标识别、轨迹规划的计算实时性、复杂性提出了更高要求。工业现场单个摄像头每天会产生约330G的视频数据,完全传输至云端不仅占用带宽,亦难以满足实时性(毫秒级)的业务需求。边缘计算生逢其时应对智能制造面临的多元挑战,需要系统性的解决方案,而边缘计算也许是分量最重的利器。国际知名调研机构IDC将企业数字化成熟度划分为入门者、探索者、组织者、转型者、颠覆者5个阶段,目前中国制造企业数字化转型总体处在中间阶段,第四、五阶段的占比很低。人工智能、物联网等技术在制造行业应用落地过程中,企业迫切需要边缘侧强大的算力支持智能制造发展,而这正是国内市场最明显的短板。一组数据也印证了上述判断:2020年有超过500亿台设备连接在一起,每个工厂每天收集的数据点超14．4亿,这意味着对边缘侧的计算能力、服务速度的期望值前所未有。边缘计算在靠近数据源头端提供计算及存储服务,能够有效缓解网络带宽与数据中心的压力,增强服务的响应能力,并对工厂内的隐私数据进行保护,提升数据和生产的安全性。通过与云端的交互协作,还可实现系统整体的智能化。中国信通院技术与标准研究所互联网中心高级项目经理宋平博士认为,边缘计算是一个技术赋能平台,可以天然地与AI、大数据、区块链等新一代ICT技术进行深度融合,进而推动不同行业朝网络化、数字化、智能化方向转型升级。作为“带刀侍卫”,边缘计算对智能制造面临的三重挑战给出了强有力的回应:控制层智慧化运营管理:以深度学习为代表的复杂优化方法在自动化领域有较多应用,边缘计算可以为其提供基础设施,保证相关的计算任务安全、快速、高效地完成。例如在随机订单的混沌生产场景,利用边缘智能构建多个智能体系统,通过不同智能体之间的行为交互提高自主决策能力,增强生产过程的自适应性。贯通层海量数据分析挖掘:数据贯通层需要分布在边缘侧的计算节点统一协同,实现海量工业数据的挖掘。在工业生产中,产品、部件在传送带上流动,数据信息也在流动,利用边缘计算能快速感知工厂内各环节设备、产品异常,并基于RFID、蓝牙等技术对生产线上流动产品进行定位和质量评估。感知层更低时延诊断预警:数据感知层故障诊断与缺陷监测是应用边缘计算最多的领域。基于工厂产线零件识别与缺陷检测、轴承故障诊断、钢炉热异常检测、电力设备检修等场景,可以通过边缘计算进行更低时延的诊断预警,提高生产检测效率,缩短订单交付周期。“带刀侍卫”的烦恼与对策在智能制造产业升级进程中,边缘计算无疑发挥着举足轻重的作用。但“带刀侍卫”也有自己的烦恼,还存在一些妨碍其大展身手的制约因素。首当其冲的是AI技术链条与制造业的产业链条彼此脱节。据埃森哲等咨询机构的研究,70%以上有AI技术的研究机构、科技公司缺少需求场景及行业领域的知识和数据,与此同时,70%以上的行业用户欠缺技术人才和AI平台的实施能力,这种状况严重制约了智能制造的发展速度。思谋科技首席架构师侯力政对此深有体会:“我们很多的研发人员是研究机构或互联网公司出身,掌握高精尖的算法,但对整个工业领域缺少切实的体会。智能制造的应用场景比较碎片化,同一个客户不同的生产线也可能差异很大。一开始因为数据支撑较少,需要case by case地去做,接触的相似场景更多之后,就可以从中抽离出对应的核心算法。”云边协同缺乏一整套资源管理和任务调度的解决方案,也是症结所在。边缘计算的核心是将分析和决策下沉到网络边缘侧,对用户而言需要从算法、云平台、边缘资源管理平台、硬件产品等方面实现软硬件结合的系统性突破。消费级算力产品稳定性较差,成为智慧工厂的心病。很多边缘计算设备成熟度低,稳定性差。例如:不少工厂应用的工控机,工作一周就要下线10分钟——这些设备使用了桌面级的芯片做设计,在室外部署环境中无法保证稳定、可靠的持续运行。针对产业链脱节、生态离散的顽疾,已有嗅觉敏锐的企业开启“破圈”尝试。本文开头提到的智慧工厂案例,就是强强携手的典范。在国内AI和边缘计算服务器领域独占鳌头的浪潮,与致力于AI系统架构在智能制造行业落地应用的思谋科技,以跨界联手的方式促成了边缘计算的逆袭。早在2016年,浪潮就开始布局边缘计算,经过多年深耕,取得丰硕成果。围绕智能制造、智慧能源、智慧交通等场景,浪潮打造出边缘微服务器、便携AI服务器、边缘服务器和边缘微中心四大产品系列,并汇聚智能制造领域系统、算法、应用等伙伴,形成多种智能制造解决方案。工业机器人“智能体检”即是具有示范效应的典型应用。浪潮与展湾科技共同开发了一套“智能体检模型”,能够实时监控智能工厂内机器人健康参数,通过“物联网+算法模型” 在线监控和预测机器人系统的故障隐患,将传统基于时间的维护转变为对设备状态进行管理——根据设备健康参数提供分析图表,可提前将有问题的设备进行更换,避免机器人非计划停机,保证了全自动化产线连续、稳定、高效地运转。24小时在线的“安全监督员”也是比较成熟的解决方案。目前各行业的作业现场安全监督仍以人工管理为主,无法做到实时不间断监控。借助边缘计算技术,对生产全过程进行智能化监管,已成为各行业保障安全的优先发展方向。基于计算机视觉的AI智能监管,可以通过摄像机采集现场视频,依托安全帽和防护服监测、人脸检测等算法来判断工人的行为是否符合安全规范,并自动进行告警和记录。浪潮边缘计算事业部总经理孙波认为,以短平快灵活开发的模式去支撑边缘计算的不同场景,是浪潮在智能制造领域脱颖而出的关键。“我们在产品研发端采用模块化架构设计,揉合不同客户的差异化需求;供应链端实现小规模定制的柔性生产,哪怕只需要一台服务器,也能按客户需求供货。”孙波一语道破天机——在纷繁复杂的场景中积极求变,也许正是边缘计算的生存之道。

204.什么是云计算？它有哪些特征？云计算是一种通过 Internet 以服务的方式提供动态可伸缩的虚拟化的资源的计算模式。需求服务自助化资源配置动态化资源的池化和透明化以网络为中心205.虚拟化的三种类型？平台虚拟化、资源虚拟化、应用程序虚拟化

202.什么是虚拟化？答：是将计算机的各种实体资源，如服务器、网络、内存及存储等，予以抽象、转换后呈现出来，打破实体结构间的不可切割的障碍，使用户可以比原本的组态更好的方式来应用这些资源。这些资源的新虚拟部分是不受现有资源的架设方式，地域或物理组态所限制。203.云计算领域存在的两个主要技术路线一是基于集群技术的云计算资源整合技术，一个是基于虚拟机的云计算资源切分技术。

200.分布式计算的定义和特征是什么？定义：分布式计算就是在两个或多个软件互相共享信息，这些软件既可以在同一台计算机上运行，也可以在通过网络连接起来的多台计算机上运行。特征：分布式计算中，多个通过网络互联的计算机都具有一定的计算能力，它们之间互相传递数据，实现信息共享，协作共同完成一个处理任务。201.在 FusionCompute 中，虚拟机热迁移能够带给客户什么价值？降低服务器操作维护过程中业务中断的风险；降低服务器升级过程中业务中断的风险；将虚拟机集中到几台服务器上，关闭没有负载的服务器，降低业务运行成本；防止服务器故障导致的虚拟机业务中断。

 ① 磁盘虚拟化② 块虚拟化③ 磁带 /磁带机 /磁带库虚拟化④ 文件系统虚拟化

答：RAID 0 和 RAID 1 的区别：1、RAID 0 读写速度快、阵列容量是加入阵列磁盘的总容量、无数据备份功能，安全性差。2、RAID 1 读写速度如单盘，容量是单盘的容量，但盘间是相互备份的，安全性高，4 块硬盘，做 RAID1 时不一定就是 120G3.raid10 是 raid1 和 raid0 的组合，至少需要 4 块硬盘，两块硬盘组成 raid1，然后在和另外两个 raid1 组成 raid0