微软云在中国市场火力全开 必须要给纳德拉打Call


正在召开的2017微软技术暨生态大会上,微软全球CEO萨提亚·纳德拉仿似化身产品经理,对微软Microsoft Azure云计算、Azure Stack混合云解决方案、SQL Server 2017、整合微信平台的 Office 365微助理等进行了全面阐述。


这也是萨提亚·纳德拉自就任微软全球CEO之后一年一度中国之旅的重头戏,同时也充分展示出微软对中国市场的重视,尤其在人工智能、量子计算等新技术开启计算新时代的今天,微软必须对在技术创新和应用活跃的中国市场格外关注。


微软全球CEO萨提亚·纳德拉


相比较混合现实、人工智能、量子计算等微软的黑科技,笔者更加关注萨提亚·纳德拉对云计算部分的阐述,黑科技是未来愿景,而云计算则是当下就十分火热的生意;这一点从微软截止到9月30日的2018财年第一季度财报就可以明显看出,在这一财季中,微软云业务营收69.2亿美元,环比前一季度增长90%,同比增长14%。


出身云计算部门的纳德拉让微软焕发第二春



三年前,纳德拉在就任微软全球CEO之时,微软尽管依旧是软件界的老大,但由于移动业务前途不明、PC相关业务遭遇市场瓶颈等,公司一度被外界认为正在走向平庸,甚至没落。


曾在Windows、Office等多个业务部门工作,先后领导微软必应(Bing)搜索引擎、SQL Server数据库和Azure云计算业务的纳德拉是一个典型的“少壮派”,尤其在面对新的技术趋势时,他也更倾向于做一个激进的推动者而并非犹豫不前的观望者。


因此,在纳德拉接任之后,就推动微软走上了向云计算转型的道路上,他之前所专注的Microsoft Azure和Office 365等云计算业务在其任期内也取得了不错的成绩,微软也由此从一个逐渐走向平庸的科技巨头再次站到了时代的巅峰。


在最新一个季度的财报中,微软表示,其商业云业务的年化营收达到204亿美元。这样的成绩不仅使得2015年纳德拉设定的到2018年微软商业云业务营收达到200亿美元的目标提前完成,也让微软的股价再次冲上了历史新高,如今微软正从6000亿美元市值迈向7000亿美元。


什么才是微软云的成功秘诀?



来自第三方分析机构的数据显示,在公有云领域,微软是仅次于亚马逊的一支力量,究其原因,很多人都归功于微软长期以来所积累的桌面软件和Windows服务器系统用户,这些用户在迈向云计算的过程中,仍然选择Azure作为云计算解决方案的提供者。


在笔者看来,用户的顺势升级只是表象,深层次的原因无外乎以下几点:1、微软介入云计算领域较早,在产品、技术和服务的打磨上在业内拥有一定的领先优势;2、微软持续不断推动技术(如开源、容器、人工智能等)的创新,让用户可以及时享受到新技术所带来的体验;3、微软致力打造开放生态的决心和行动,尤其是越来越多合作伙伴的加入让用户可以从这样一个生态系统中获得更加完善的服务。


早在2014年,由世纪互联运营的国际公有云Microsoft Azure和Office 365就落地中国,这一合作堪称业界典范。据了解,在过去4年多的时间里,微软与世纪互联携手,已将Azure在国内的云计算规模提升了一倍,由世纪互联运营的Microsoft Azure企业客户超过8万家,由世纪互联运营的Office 365客户超过120万家,并覆盖了互联网、金融、教育、政府、制造等全行业客户。


在此次纳德拉的中国之行中,他也再次强调了生态的重要性和接下来的市场布局:由世纪互联运营的Microsoft Azure将在未来6个月完成扩容,届时Azure在中国提供的云计算规模将扩容至现有水平的三倍。


不仅如此,微软与全球硬件合作伙伴Dell、联想、Cisco、华为共同推出的Azure Stack也将于2018年上半年正式商用。作为Azure公有云的延伸,Azure Stack从API接口、开发工具、云市场、运营管理等各个层面,都能提供与Azure 一致的混合云平台和体验。此外,SQL Server 2017在中国正式商用,并支持Linux、Windows、Docker版本;微软Office通过与腾讯微信合作,也正式推出在微信中整合Office365移动办公套件功能的Office 365微助理。


在笔者看来,与生态圈合作伙伴和开发者的合作,不仅是微软在中国业务取得快速发展的秘诀,更是微软得以在云计算时代获得全新发展动能的关键所在。对于中国云计算市场而言,微软云与阿里云、华为云等为代表的中国云计算厂商之间的竞争也在进入比拼生态系统的阶段,在这个阶段,谁能够在生态系统的打造上更胜一筹,谁就有可能在未来的云计算市场竞争中占据更大优势。





长按指纹  识别二维码   关注我



欢迎讨论与转载,转载请注明作者与出处。

“常言道”已入住今日头条、百度百家、一点资讯、搜狐新闻、网易新闻、凤凰新闻、腾讯新闻、新浪新闻、界面、UC、号外等多个媒体平台。有合作意向请发送邮件至32357985@qq.com



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值