- 综合排序
- 最热优先
- 最新优先
AI时代的企业架构-对传统企业架构中的4A架构能力的增强
这个周末刚好看到武艳军老师微信公众号分享的一篇文章，谈企业架构4A架构中再增加一个AI架构是极其不合理的。 当然对于4A架构的集成和协同，我在前面专门写过文章。 企业架构规划设计-4A架构之间的关系和集成 我们常说的4A架构就是业务架构、数据架构、应用架构和技术架构，其实去理解4A架构的集成核心，你仍然要去参考企业架构这本书里面谈到的企业架构元模型。 而是想简单谈下在AI和大模型时代，对我们传统的企业架构和4A架构规划，究竟带来了哪些变化？ 智能化-模型驱动 到了AI和大模型阶段，那么变成了模型驱动，但是并不是说在传统的4A架构上面增加了一个新的AI架构。AI架构的内容本身应该拆分到已有的4A架构里面。
56600编辑于 2025-06-24- 来自专栏sktj
Kubernetes(4:架构)
Master 是cluster 的大脑： 运行 kube-apiserver kube-scheduler kube-controller-manager etcd pod restful api scheduler 调度器Scheduler负责决定将Pod放在哪个Node上运行。Scheduler在调度 时会充分考虑Cluster的拓扑结构，当前各个节点的负载，以及应用对高可用、性能、数据亲和性的需求。 Controller Manager负责管理Cluster各种资源，保证资源处于预期的状态。Controller Manager由多种controller组成，包括replicationcontroller、endpoints controller、namespace controller、serviceaccounts controller等。 etcd负责保存Kubernetes Cluster的配置信息和各种资源的状态信息。当数据发生变化时，etcd会快速地通知Kubernetes相关组件。 Pod要能够相互通信，Kubernetes Cluster必须部署Pod网络，flannel是其中一个可选方案。
40820发布于 2019-09-24 - 来自专栏HyperAI超神经
谷歌发布 HEAL 架构，4 步评估医学 AI 工具是否公平
HEAL 架构：4 步评估皮肤科 AI 工具公平性 HEAL 框架包含 4 个步骤： 确定与卫生健康不公平有关的因素，并定义 AI 工具性能指标 明确并量化先前存在的健康差异 (disparities) AI 工具性能测试 衡量 AI 工具优先考虑健康公平差距的可能性 HEAL 架构，以皮肤科疾病诊疗 AI 工具为例 第一步：确定皮肤科中与健康不公平有关的因素，明确评估 AI 工具性能的指标 研究人员通过查阅文献并综合考虑数据可用性 以及 AI 工具性能。 将 AI 工具的 HEAL 指标定义为：p(R > 0)，通过 9,999 个样本的 R 分布估算出 AI 优先考虑预先存在的健康差异的可能性。 随着 AI 技术的发展，相关的伦理准则和法律法规也将得到进一步的完善，让 AI 技术在更加公平的框架内发展。同时将更加注重多样性和包容性。
39210编辑于 2024-05-13 - 来自专栏深圳架构师同盟
EA企业架构、4A架构，业务架构、IT 架构之间是什么关系？
今天继续聊企业架构方面的话题。即对于EA企业架构、4A架构，业务架构、IT 架构之间是什么关系？这些架构之间又有哪些区别和联系？ 首先整体回答下问题再展开详细回答。 企业架构一般谈4A架构，即业务架构，数据架构，应用架构和技术架构 。如果只谈业务架构和IT架构。那么IT架构包括了数据架构，应用架构和技术架构。 我原来有一篇文章专门谈企业架构中的4A架构的关系和集成，可以参考我公众号的历史文章文章。 我们常说的4A架构就是业务架构、数据架构、应用架构和技术架构，其实去理解4A架构的集成核心，你仍然要去参考企业架构这本书里面谈到的企业架构元模型。 业务架构到应用架构集成方面，我们刚才讲到了，在业务建模里面会拆分出业务对象、业务活动、业务规则、业务角色这4个核心的要素。这4个核心的要素我们去详细考虑it实现的时候，一定会映射到它相关的应用功能。
55510编辑于 2025-11-17 - 来自专栏摸鱼范式
深入AXI4总线-架构
知乎用户ljgibbs授权转发 本系列我想深入探寻 AXI4 总线。不过事情总是这样，不能我说想深入就深入。当前我对 AXI总线的理解尚谈不上深入。 但我希望通过一系列文章，让读者能和我一起深入探寻 AXI4。 声明1：部分时序图以及部分语句来自 ARM AMBA 官方手册 （有的时候感觉手册写得太好了，忍不住就直接翻译了。。） [二] 架构 五个独立通道 AXI4 总线的一大特征是它有 5 个独立的传输通道，这些通道都只支持单向传输。 作为类比，SPI 总线有 2 条单向传输通道：MISO， MOSI。 值得注意的是 AXI4 不再支持 WID 信号，这和 AXI4 的乱序机制有关，AXI4 规定所有数据通道的数据必须顺序发送。 结语 本文中我们了解了 AXI 总线的架构，它的五大通道以及各自的信号，最简单的读写操作流程以及AXI 总线的拓扑连接。
1.6K10发布于 2020-06-24 - 来自专栏超级架构师
(4) 微服务架构采用准则
这意味着微服务架构主要面向后端，尽管这种方法也用于前端。每个服务在其自己的进程中运行，并使用HTTP/HTTPS、WebSockets或AMQP等协议与其他进程通信。
35631发布于 2020-07-18 - 来自专栏超级架构师
微服务与SOA架构(4）
如图4-1所示，事实上，了解服务客户与服务之间所采用的远程访问协议并不意味着就了解任何一方是如何实现的，也不意味着双方在实现上要保持一致。 图4-1 SOA也支持协议感知的异构互操作能力，但是它支持得更进一步，可以做到协议无关的异构互操作能力。 例如，如图4-2所示，在.NET平台上用C#实现的某个服务客户端可以使用REST调用对应的服务，但是服务（本例中是EJB3 Bean）只能使用RMI通信。 图4-2 如果你发现自己所处的是异构环境，需要对多种使用不同协议的系统或者服务进行整合，那么很可能需要采用SOA架构而不是微服务架构。 图4-3 合约解耦显然有一些使用上的局限。如果服务所需数据无法从客户所发送数据转换获得也无法从其它数据源获得，服务调用只能返回失败，因为服务合约无法得到满足。
1.3K40发布于 2018-04-09 - 来自专栏AI系统
【AI系统】AI系统架构的组成
AI 编译与计算架构AI 框架充分赋能深度学习领域，为 AI 算法的开发者提供了极大便利。 为了实现硬件的多样性，需要将神经网络模型计算映射到不同架构的硬件中执行。在通用硬件上，高度优化的线性代数库为神经网络模型计算提供了基础加速库。 DSA 芯片架构支持：AI 训练和推理对性能和时延都非常敏感，所以大量使用专用的 AI 加速芯片进行计算，而 AI 编译器其实是以 DSA 架构的 AI 加速芯片作为为中心的编译器，这也是区别于通用编译器的一个特征 AI 编译与计算架构负责 AI 模型在真正运行前的编译和系统运行时的动态调度与优化。 虽然 AI 系统在总的方向上分为开发体验层、框架层、编译与运行时和硬件体系结构和 AI 芯片 4 层结构。
1.4K11编辑于 2024-11-26 转载：【AI系统】AI系统架构的组成
AI 编译与计算架构 AI 框架充分赋能深度学习领域，为 AI 算法的开发者提供了极大便利。 为了实现硬件的多样性，需要将神经网络模型计算映射到不同架构的硬件中执行。在通用硬件上，高度优化的线性代数库为神经网络模型计算提供了基础加速库。 DSA 芯片架构支持：AI 训练和推理对性能和时延都非常敏感，所以大量使用专用的 AI 加速芯片进行计算，而 AI 编译器其实是以 DSA 架构的 AI 加速芯片作为为中心的编译器，这也是区别于通用编译器的一个特征 AI 编译与计算架构负责 AI 模型在真正运行前的编译和系统运行时的动态调度与优化。 虽然 AI 系统在总的方向上分为开发体验层、框架层、编译与运行时和硬件体系结构和 AI 芯片 4 层结构。
2.1K10编辑于 2024-12-11- 来自专栏闲余说
架构设计 4-高可用架构之FMEA方法
导读：《架构设计》系列为极客时间李运华老师《从0开始学架构》课程笔记。本文为第三部分，主要介绍 FMEA 方法，以及如何将 FMEA 方法应用于架构设计之中以提高服务可用性。 什么是FMEA FMEA（Failure mode and effects analysis，故障模式与影响分析）又称为失效模式与后果分析、失效模式与效应分析、故障模式与后果分析等 在架构设计领域，FMEA 的具体分析方法 给出初始的架构设计图 假设架构中某个部件发生故障 分析此故障对系统功能造成的影响 根据分析结果，判断架构是否需要进行优化 FMEA 分析表 功能点 当前的 FMEA 分析涉及的功能点， 个人理解 FMEA 方法是一种分析问题的方法，一共列出了 11 个点，我们在分析架构问题的时候，按照每个点逐一去适配、分析。 reference 从 0 开始学架构
94740编辑于 2022-08-19 JBoltAI：事件驱动 AI 架构，重构 Java AI
企业级 AI 应用开发中，多模块耦合、高并发响应延迟、流程异常难以排查等问题，成为 Java 团队落地 AI 能力的核心阻碍。而事件驱动架构，正是解决这些痛点的关键思路。 事件生命周期管理，是 JBoltAI 事件驱动 AI 架构保障企业级稳定性的核心抓手，让 AI 流程彻底摆脱 “黑箱” 状态。 此外，事件驱动架构的高可扩展性，完美支撑企业 AI 能力的渐进式升级：从初期的文案生成（L1 级），到中期的私有化知识库（L2 级），再到后期的跨系统 AI 智能体（L4 级），仅需新增对应的事件与处理器 作为 AIGS 范式的核心实践者，JBoltAI 的事件驱动 AI 架构，重新定义了企业级 Java AI 开发的模式。 从智能报销、智能问数到 AI Agent 复杂任务执行，从老系统 AI 改造到 AI 原生应用开发，JBoltAI 的事件驱动 AI 架构正在赋能千行百业的 Java 企业，让 AI 能力真正融入业务流程
12310编辑于 2026-03-13- 来自专栏全栈程序员必看
4G网络架构_三大网络架构
4G是集3G与WLAN于一体，并能够快速传输数据、高质量、音频、视频和图像等。 4G能够以100Mbps以上的速度下载，比目前的家用宽带ADSL（4兆）快25倍，并能够满足几乎所有用户对于无线服务的要求。 EPC 核心网架构秉承了控制与承载分离的理念，将分组域中SGSN 的移动性管理、信令控制功能和媒体转发功能分离出来，分别由两个网元来完成，其中，MME 负责移动性管理、信令处理等功能，S-GW 负责媒体流处理及转发等功能 3，4G网络架构的变化 1）实现了控制与承载的分离，MME负责移动性管理、信令处理等功能，S-GW负责媒体流处理及转发等功能。 4，3G与4G系统参数的比较 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
5.7K20编辑于 2022-11-08 - 来自专栏AI系统
【AI系统】推理系统架构
推理系统架构是 AI 领域中的一个关键组成部分，它负责将训练好的模型应用于实际问题，从而实现智能决策和自动化。 在本文中，我们将主要以 NVIDIA Triton Inference Server 为基础深入探讨推理系统架构的各个方面。 多框架支持：兼容 TensorFlow、PyTorch、ONNX 等主流 AI 框架。模型优化：集成 TensorRT 等优化工具，进一步提升模型推理性能。 作为一个强大的推理框架，Triton 能够满足多样化的 AI 应用需求，帮助企业和开发者构建高效、可靠的推理服务。 资源高效利用：多后端架构使得 Triton 能够根据模型特性和硬件资源情况智能选择最合适的推理引擎。
1.6K10编辑于 2024-12-02 - 来自专栏韩曙亮的移动开发专栏
【AI 大模型】大模型应用架构 ( 业务架构 - AI Embedded、AI Copilot、AI Agent | 技术架构 - 提示词、代理 + 函数调用、RAG、Fine-tuning )
; 三、大模型应用 - 技术架构 1、提示词 技术架构 传统的 ChatGPT 和 文心一言 的用法 , 用户发一句 " 提示词 Prompt " , 大模型 回一句 " 输出结果 " ; 这是在 AI Agent + Function Calling 技术架构 的 主体是一个应用程序 , 就不再是春对话方式了 , 应用程序还必须提供对应的 函数 API , 以供 AI 大模型 回调该 API 功能 API 功能 , 可以是 应用程序提供的 ; 也可以是 AI 大模型内置的 ; 该技术架构的工作流程如下 : 首先 , 用户的 应用程序 中 输入 " 提示词 " ; 然后 , 进行函数调用 , AI AI 大模型 执行 就相当于 Agent + Function Calling 技术架构 的执行过程 ; 4、Fine-tuning 微调 技术架构 Fine-tuning 技术架构 , 是在一个已有的 输出要求 评估指标 最后 , 验证数据集评估模型性能 , 如果对结果不满意 , 持续进行 超参数调整 和 Fine-tuning 策略的优化 , 直到得到满意结果为止 ; 该技术架构是 AI 大模型最全面的技术架构
1.6K21编辑于 2024-07-09 - 来自专栏全栈程序员必看
UE4 GamePlay架构学习篇
现在UE4刚免费不久，网上的资料还很少，有一些UE3的大佬出了一些学习的帖子。 InInstigator); 6>AAIController::public AController +CharacterMakeNoise() + UAIPerceptionComponent(AI 监听组件，可有视力和听力) AI的控制器，首先这个是客户端服务器都有的。 AI有自己的独立控制器，在Pawn上面进行设置即可。可在蓝图中选择，在这里还会衍生出AITree等一系列的AI模块的东西。 14>UMG->Slate： 它是UMG的底层实现，也是UE4编辑器界面使用的GUI的架构，也就是说UE4的编辑器界面就是用Slate写的。
2K30编辑于 2022-11-09 - 来自专栏AI
深入解析，AI 架构揭秘
[AI Perplexica] AI驱动的开源搜索引擎上一篇文章，我们对 Perplexica 做了个基本介绍，包括特点，以及如何安装。今天，我们来深入看下 Perplexica 的架构。 Perplexica 的架构Perplexica 的架构由以下关键组件组成：用户界面: 一个基于网页的界面，允许用户与 Perplexica 互动以搜索图像、视频等内容。 gitlabAI 博客 - 从零开始学AI公众号 - 从零开始学AI
84110编辑于 2024-07-03 - 来自专栏AI系统
【AI系统】推理引擎架构
在深入探讨推理引擎的架构之前，让我们先来概述一下推理引擎的基本概念。推理引擎作为 AI 系统中的关键组件，负责将训练好的模型部署到实际应用中，执行推理任务，从而实现智能决策和自动化处理。 其核心优势不仅仅局限于体积小和资源占用低，更在于如何在有限的资源约束下，最大化地发挥出 AI 模型的潜力。 零依赖 轻量级推理引擎从架构设计之初就追求极致的纯净与独立，确保主体功能无任何外部依赖。 应对 AI 推理引擎在需求复杂性与程序大小之间权衡的挑战，可以采取一系列综合策略和技术革新，确保在满足日益增长的模型复杂性需求的同时，保持程序的高效和精简： 模块化与插件化设计：设计高度模块化的架构，使得每个模块专注于处理特定类型的计算或操作 整体架构 推理引擎作为 AI 应用的核心组件，其架构设计直接关系到模型在实际部署环境中的效率、灵活性和资源利用率。 模型压缩 模型压缩作为 AI 领域的一项核心技术，也是推理引擎架构中不可缺少的一部分，它旨在通过一系列精巧的策略减少模型的大小，同时保持其预测性能尽可能不变，甚至在某些情况下加速训练和推理过程。
1.6K21编辑于 2024-12-05 - 来自专栏AI系统
【AI系统】Kernel 层架构
Kernel 层的优化主要体现在各种高性能算子和算子库的设计上，这些算子和算子库通常针对不同的 AI 加速芯片进行了优化，以提高计算速度和效率。 推理架构如图所示，下面分别从 CPU 和 GPU 的角度介绍一下几种人工实现的高性能算子和封装的高性能算子库：CPU 优化：NEON：NEON 是 ARM 架构上的 SIMD（单指令多数据）扩展，用于提高多媒体处理和浮点运算的性能 对于支持硬件加速的推理引擎，这一步可能还包括为特定 AI 加速芯片生成优化的执行代码。 NCHW4 是一种特殊的内存布局，其中 C 被分割为 4 个通道，这种布局通常用于支持 4 通道的 SIMD 操作。 NCHW4 布局可以在支持 4 通道向量化指令的硬件上提供更好的性能，例如某些 ARM 处理器。这种布局可以减少数据填充（padding）的需要，并提高数据处理的并行度。
47410编辑于 2024-12-06 云端 AI Agent 架构实战
云端 AI Agent 架构实战：Google ADK 5 种 Skill 编排模式的工程化落地Agent 技术栈正在经历从原型验证到生产部署的跨越。 映射到云架构中，本质就是一条同步处理流水线。 分层模型调度# 路由判断用轻量模型——快且便宜router.set_model("gemini-2.5-flash")# 执行层用中端模型worker.set_model("claude-sonnet-4- 6")# 关键决策走最强模型supervisor.set_model("claude-opus-4-6")在多模型混用的 Agent 架构中，通过统一的 API 聚合平台管理模型调度能显著降低运维复杂度 如果基础设施在 GCP 上，ADK 与 Vertex AI 的原生集成更丝滑。LangChain 生态更广泛但框架层抽象较厚，调试成本更高。
24010编辑于 2026-03-26AI与科学的双向革命：AI4Science与Science4AI如何重塑未来？
这不仅是对传统科研体系的颠覆，更宣告 AI与科学融合进入"双向赋能"新阶段 ：AI4Science（人工智能加速科学发现）与Science4AI（科学理论反哺AI创新）形成螺旋上升的结构性协同，重塑人类认知世界的方式 https://agents4science.stanford.edu/ 一、AI4Science：当人工智能成为科学发现的"超级引擎" 生物医疗领域：从"十年磨一药"到"数月出成果" 2025年5月， AI发展的核心价值得到公认： Hopfield网络 ：霍普菲尔德借鉴物理学中 自旋系统的能量概念 ，开发出能存储和重建图像的神经网络 玻尔兹曼机 ：辛顿基于统计力学开发的无监督学习模型，成为深度学习的基础架构 范式**变革：AI从"执行者"变为"建议者"，与科学家形成平等协作关系 独立作者阶段 ： 全流程自主研究、多模态知识整合，如斯坦福Agents4Scie nce会议尝试AI作为论文作者 2. 未来平衡点：人类需主导 科学问题定义 与 伦理框架构建 ，AI负责 大规模计算 与 模式发现 ，形成"人类洞察+机器智能"的共生体系。
1.7K10编辑于 2025-08-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号