时间步入了2024年，新的技术趋势，如大模型/AIGC/多模态等技术，已经开始与实际业务相结合，并开始生产落地。这些新的技术趋势不仅提高了算力的需求，也给底层基础设施带来了更大的挑战。 在计算方面，以GPU和FPGA等异构硬件为例，他们通过短周期的迭代和演进来适应不断变化的需求。阿里集团通过统一调度、统一资源池以及全面弹性等调度手段满足了复杂的计算需求。 在存储方面，经典的微服务应用通过云原生化的方式，兼顾了性能和效率。但对于计算量增量最大的分布式AI训练、大数据等计算密集型应用，data locality直接影响了计算作业的运行效率与吞吐，网络I/O的消耗还间接拉高了带宽成本，且在可预见的场景中，数据集规模的还会以较高的速率保持增长，如何通过合理的数据缓存亲和性技术加速数据访问，将是提升计算任务运行效率的同时降成本的关键。 大模型训练/多媒体等场景的数据集以图片和音频文件为主，天然适合将数据托管在OSS对象存储上，也是目前线上大多数计算作业的存储选型，以训练场景为例，具有以下读数据的特征：1）数据集顺序的随机化处理造成传统的单机缓存策略失效；2) 多个epoch会对
如果系统的控制权、代码完全被掌控，很容易添加中间层； 现实情况我们往往无法控制系统的所有细节，所以需要使用一些 “非常规”（拦截） 手段来增加中间层。 常见的场景有 自动上报未捕获的错误，进行错误监控 拦截网络请求（fetch、xhr）进行接口性能统计、统一错误码处理、远程 debug 接口 构造执行第三方代码、微应用必须的沙盒环境
我是10年左右在清华读博士的时候开始关注创新，关注创新空间的营造，博士论文写的是创新驱动的科技城规划，研究到底能否从头开始去规划一个创新城市。后来在经管学院做博士后，关注创新创业生态和创新网络。 在研究的过程中，我调研了世界范围内那些常被大家津津乐道的创新区，比如硅谷，也盘点了1970年后多个国家政府对标硅谷在城市郊区全新建设的科学城、科技城和创新城，比如日本筑波、韩国大德；再到2000年后，学界业界总结的“创新回流到中心城区”，我又开始观察创新街区的起落。这个过程中，我也先后参加了国内一些城市的创新区或创新城的规划研究工作，围绕创新空间的命题，从宏观尺度到微观尺度做了不少调研。 我们都知道创新在这个时代无比重要，世界经济的每一次大发展都跟创新密不可分。甚至世界各国竞争的关键也是创新能力的竞争，这也是为什么世界各国都如此关心创新的问题，为什么层出不穷的计划都希望能再造一个硅谷。 在十多年的研究和实践里，我一直有个疑问：创新空间是否真的能通过人为规划的方式被规划出来？假设我们拥有足够的资源，我们真的能创造出一个创新不断涌现的空间吗？
随着 Kuberentes 等云原生技术的飞速发展，带来了研发与运维模式的变革。企业软件架构由单体服务向分布式、微服务演进。随着业务发展，多语言、多框架、多协议的微服务在企业中越来越多，软件架构复杂度越来越高，如何快速通过可观测工具快速定位出问题对研发人员至关重要。为满足全场景、端到端的应用监控需求，应用实时监控服务 ARMS 推出应用监控 eBPF 版，通过 eBPF 技术完善整个应用监控体系。应用监控 eBPF 版提供无侵入、语言无关的可观测能力。 详细产品介绍：多语言应用监控最优选，ARMS 应用监控 eBPF 版正式发布 使用 eBPF 来进行可观测性需要进行应用层协议解析，但云上微服务软件架构中的应用层协议往往比较复杂，这也给协议解析带来了不小的挑战。传统的协议解析方式存在 CPU、内存占用高，错误率高等问题，在应用监控 eBPF 版中，我们提出一种高效的协议解析方案，实现对应用层协议的高效解析。
无法与业务耦合的开发工程师，职业发展往往更易触碰到天花板。只有在经历过快速迭代的业务需求锤炼、海量用户规模场景的“拷打”以后，工程师才能向架构师甚至更高的技术岗位进阶。
在1月24日举办的腾讯科技向善创新节2024“大模型安全与伦理专题论坛”上，腾讯发布了大模型安全白皮书《大模型安全与伦理研究报告2024：以负责任AI引领大模型创新》，并邀请业界专家进行圆桌研讨。 白皮书由腾讯朱雀实验室、腾讯研究院、腾讯混元大模型、清华大学深圳国际研究生院、浙江大学区块链与数据安全全国重点实验室联合研究撰写，对大模型发展中的安全机遇与挑战、大模型安全框架和实践做法、AI伦理和价值对齐进行了系统性梳理，并展望了大模型安全与伦理未来趋势。
