前期我们详细介绍了B站在定制化数据中心（R2-AZ2）项目上的探索[1]，主要集中在智慧节能数据中心的技术迭代和实施情况。数据中心的高效运作并非孤立存在，它依赖于复杂而精细的互联互通网络，确保数据中心内的服务器、存储和网络设备间的连接。 布线系统是实现数据中心互联互通的关键组成部分， 数据中心布线的管理不当问题会造成生产环境交付周期拉长、预留线缆过长、线缆布局混乱、设备安装困难、故障排除和维护时间增加，甚至会影响机柜的气流组织，导致局部过热从而影响电子信息设备的安全运行。 此外，随着AI技术及业务应用的快速发展，智算中心正在迅速崛起，网络正向大带宽、低延时、低功耗等方向发展，这也意味着对网络和布线系统的要求正在持续提高。 布线系统作为大型数据中心的关键基础设施之一，如何利用数字化管理工具提高其交付及运维管理效率，也是我们一直在思考的问题和探索实践的方向。
在日常的编码实践中，经常会用到缓存来解决高并发问题，缓存可以说是解决流量洪峰的不二利器。虽然集团中间件团队已经构建了缓存的基础设施，已经帮助我们解决了绝大部分问题，但是在实际的编码使用过程中，应用端调用缓存API时还是存在下述几类问题： 使用缓存的逻辑非常通用，基本都是先查缓存，有直接返回，没有查DB，再放入缓存中。这段通用逻辑散落在系统的各个地方，违反了高内聚低耦合的原则。 缓存代码和业务逻辑代码深度耦合在一起，不仅降低了代码的可读性，还额外增加了系统复杂度。 如果要切换缓存（MDB->LDB）或者API升级时，所有涉及代码都需要改动。 如果要解决缓存击穿、缓存穿透、级联缓存等类似通用问题时，都需要通过框架去解决。 因此，缓存是什么，如何选择某一种缓存，都不是本文重点，今天就写写实际编码过程中，如何将缓存代码从业务代码中剥离出来，促使代码更简洁，更便于阅读。
2024年4月12日，腾讯研究院联合前海国际事务研究院、青腾一同发起AI&Society人工智能+社会发展高端研讨会，第一期会议主题为“大模型时代的创业生态”，研讨会在深圳前海举办。 会议邀请国内外人工智能与社会治理方面的业界领袖和知名学者，重点围绕大模型创业生态构建的话题，通过专家主旨演讲和圆桌讨论的形式，分别对中美大模型生态及技术趋势、AI投资趋势及应用方向两个主题展开讨论。 以下是“AI投资趋势及应用方向”圆桌实录，内容由实习生李玉杰整理，AI工具辅助完成。内容经嘉宾确认。
由于外部环境的变化，适用于大模型训练任务的 GPU 整体规模无法继续增长。这些存量 GPU 组成的集群，仍然是当前加速大模型训练的主要 AI 算力来源。同时，各类国产 AI 芯片开始大规模投入实际生产任务。在未来一段时间内，数据中心的 AI 算力将保持多种芯片并存的现象。 但是，当前基础大模型训练所需要的最大 AI 算力集群规模，已经从单一集群千卡逐步提升至万卡量级。同时，很多智算中心已经部署的 GPU 集群，通常是十几台至数百台服务器不等，难以满足未来行业大模型训练的需求。 所以，在已有 AI 算力集群的基础上，构建由 GPU、昆仑芯、昇腾等不同芯片混合组成的单一集群，为大模型训练提供更大 AI 算力，成为了一个自然的选择。
一条SQL语句的执行究竟经历了哪些过程？作者作为一个刚入职的大数据研发新人对SQL任务执行整个流程进行了整理，本文就作者学习内容和体会供大家参考。
