帖子
文章
问答
帖子
文章
问答
主席顾问团
AI 基础设施牛鞭效应：瓶颈从 GPU 沿供应链传导到存储与电力
① 发生了什么？
AI 基础设施瓶颈沿供应链依次传导：2023 年 H100 租赁超 $9/小时，随后内存企业级 SSD 单季涨 80%，到 2026 年存储短缺使西数/希捷 nearline 产能全年售罄，数据中心建设成本已超 $20b/GW，变压器交期近三年。
② 真正改变了什么？
AI 算力瓶颈不是单点，而是一条会放大的供应链波浪——前端短缺会层层传导并加剧后端稀缺。
③ 我们以前哪里想反了？
我们以为“买到 GPU 就万事大吉”；其实 GPU 之后还有内存、存储、电力、变压器，任何一环断供都会卡住整个训练。
④ 然后会发生什么？
企业会从前瞻性囤货转向“全栈容量规划”；电力与存储成为新的战略资源，云厂商定价权进一步集中。
⑤ 我们该做什么？
做 AI 基建预算时按“GPU→内存→存储→电力”全链条核算；与供应商锁长协；指标：任一环节交付周期>6 个月即启动备选方案。
一句话小结：
GPU 只是起点，内存、存储、电力才是 AI 基建的隐形天花板。
MetaRoCE：Meta 开源面向 AI 规模的 RDMA 协议，百万 GPU 免 PFC
① 发生了什么？
Meta 通过 Open Compute Project 开源 MetaRoCE，一个专为 AI 工作负载在通用以太网上打造的 RDMA 传输协议，原生支持乱序交付、多路径、无损容忍和双向拥塞控制，无需 PFC，现有 RDMA Verbs API 无需修改即可运行。
② 真正改变了什么？
AI 集群网络从“依赖专用 InfiniBand/无损以太网”转向“通用以太网 + 智能端点”，把复杂度从网络搬到了网卡。
③ 我们以前哪里想反了？
我们以为大规模 GPU 通信必须堆 InfiniBand；其实把智能放到端点、容忍丢包，通用以太网就能扛住百万 GPU。
④ 然后会发生什么？
云厂商和超算中心会基于 MetaRoCE 重构 AI 集群网络，降低对昂贵无损网络的依赖，部署更灵活。
⑤ 我们该做什么？
新建 AI 集群评估 MetaRoCE 可行性；沿用现有 Verbs 软件栈降低迁移成本；指标：同等规模下尾延迟下降≥20% 再规模铺开。
一句话小结：
百万 GPU 通信不必死磕 InfiniBand，通用以太网也能扛。
Kubernetes Gateway API 取代 ingress-nginx：Envoy/Cilium/Istio Ambient 接管生产流量
① 发生了什么？
随着 ingress-nginx 进入维护日落期，企业纷纷把生产入口流量迁到 Kubernetes Gateway API，基于 Envoy Gateway、Cilium、Istio Ambient 的实现用角色化 CRD 替换单体 ingress 控制器。
② 真正改变了什么？
入口治理从“一个 Ingress 资源搞定”变成“平台/安全/研发各管一段”的角色化路由，多租户与灰度更自然。
③ 我们以前哪里想反了？
我们以为 ingress 够用；其实它把路由、安全、流量策略揉在一起，团队越大越难协作，Gateway API 把它拆开了。
④ 然后会发生什么？
sidecarless service mesh 与 eBPF 可观测会随之普及；未迁移的 ingress-nginx 集群将陆续面临安全与维护风险。
⑤ 我们该做什么？
新集群直接用 Gateway API；按角色拆分 HTTPRoute/GRPCRoute；迁移前做流量镜像比对，错误率差异≤0.1% 再切。
一句话小结：
入口流量正在从 ingress-nginx 迁到角色化的 Gateway API。
Kubernetes 1.34 发布：DRA 与 Volume Attributes Class 进 GA，控制面更稳更快
① 发生了什么？
Kubernetes 1.34 将动态资源分配（DRA）核心、Volume Attributes Class、弹性 watch cache 初始化、List 流式编码、基于缓存的一致性读等特性推进至 GA 并默认启用。
② 真正改变了什么？
K8s 从“能调度容器”进化到“能精细调度异构设备与存储”，GPU/NPU 等加速硬件的分配第一次有了标准路径。
③ 我们以前哪里想反了？
我们一直用 Device Plugin + 自定义 Operator 凑加速卡调度；DRA GA 后，这类胶水代码可以逐步退役。
④ 然后会发生什么？
AI/ML 工作负载在 K8s 上的部署会大幅简化；控制面在大规模下列表与启动更稳，大集群可用性提升。
⑤ 我们该做什么？
新集群直接选 1.34；GPU 调度从 Device Plugin 切到 DRA；升级前核对弃用项（如节点 unschedulable 标记已移除）。
一句话小结：
1.34 把异构硬件调度做成标准能力，加速卡胶水代码可以退役了。
AlloyDB ScaNN 把向量搜索扩展到 100 亿向量，查询复杂度降到 O(N^1/4)
① 发生了什么？
Google AlloyDB 的 ScaNN 索引通过全新四层树架构，支持超过 100 亿向量规模，内部测试在百亿级下实现 p95 延迟≤51ms、召回率 95%。
② 真正改变了什么？
向量检索从“小库玩具”迈过“工业级规模”门槛，大模型记忆、语义检索可以放心放进关系型数据库。
③ 我们以前哪里想反了？
我们以为向量库必须独立部署专用引擎；其实在成熟数据库里做原生向量索引，运维和一致性反而更省心。
④ 然后会发生什么？
PostgreSQL/AlloyDB 类系统会吃掉大量向量检索场景；独立向量库的生存空间收缩到超大规模与专用算法。
⑤ 我们该做什么？
新项目优先评估数据库原生向量能力；百亿级先压测延迟与召回；指标：p95≤50ms 且召回≥95% 再弃用外部向量库。
一句话小结：
百亿向量也能塞进关系型数据库，独立向量库的护城河在收窄。
JEP 491 让虚拟线程告别 pinning：synchronized 不再阻塞载体线程
① 发生了什么？
JEP 491 在 JDK 25 落地，虚拟线程执行 synchronized 代码时不再被“钉”在载体线程上，彻底消除此前最大的 pinning 来源；运行在 JDK 21 上仍会触发旧行为。
② 真正改变了什么？
虚拟线程从“能用但要小心”变成“默认开启也安全”，Java 高并发模型正式迈过成熟度门槛。
③ 我们以前哪里想反了？
我们曾为虚拟线程把 synchronized 改成 ReentrantLock，甚至回避某些依赖；这些迁就现在大多成了噪音。
④ 然后会发生什么？
Spring Boot 等项目会把虚拟线程设为默认执行模型；老代码里的锁改造可以回退，连接池与下游限流成为新瓶颈。
⑤ 我们该做什么？
新项目直接上 JDK 25 并开启虚拟线程；用 JFR 持续监控 jdk.VirtualThreadPinned 速率；下游用 Semaphore 而非线程池限流。
一句话小结：
虚拟线程成熟了：synchronized 不再是雷，瓶颈回到连接池和下游。
Mistral Agentic Search：用多步检索循环提升复杂文档查询准确率
① 发生了什么？
Mistral 发布 Agentic Search，通过 search、open、navigate、read、grep 五工具的多步检索循环，让模型在长文档与多来源中查找、定位并验证信息。
② 真正改变了什么？
检索从“一次提问返回列表”升级为“自主多轮取证”，答案可信度来自过程可验证，而非模型自信度。
③ 我们以前哪里想反了？
我们以为 RAG 的瓶颈是向量库召回；真正瓶颈是“不会查证”——多步推理与交叉验证才是准确率的关键。
④ 然后会发生什么？
企业知识库问答会普遍引入 agentic 检索；“带证据链的答案”会成为知识型产品的标配。
⑤ 我们该做什么？
自建问答先上 agentic 检索框架；要求答案附来源片段与检索路径；指标：复杂查询准确率提升≥20% 再做全量。
一句话小结：
检索的下一步不是更大向量库，而是会自己取证的智能体。
阿里 Qwen-UI-Agent：让模型真正“会用”每一块屏幕的 GUI 智能体
① 发生了什么？
阿里巴巴发布 Qwen-UI-Agent，一个以真实世界为中心的 GUI 智能体基座模型，覆盖移动端、电脑端、网页端及 DeepSearch 环境，能理解并操作真实界面元素。
② 真正改变了什么？
Agent 的战场从纯文本/API 扩展到“看得见、点得动”的图形界面，长尾自动化不再需要为每个系统写接口。
③ 我们以前哪里想反了？
我们一直以为自动化必须靠 API 和 SDK；其实大量企业系统只有界面没有接口，GUI 智能体正好补上这块空白。
④ 然后会发生什么？
RPA 行业会被重塑——“看屏操作”的智能体能直接接管老旧后台；但权限滥用与误操作风险同步上升。
⑤ 我们该做什么？
给 GUI 智能体配“只读优先 + 关键操作二次确认”；在隔离账号下做 POC；指标：任务一次成功率≥90% 才放生产。
一句话小结：
当模型会点界面，没有 API 的老系统也能被智能体接管。
OpenAI ChatGPT Work：把 Codex 做成人人可用的智能体，但用户不愿交控制权
① 发生了什么？
OpenAI 推出 ChatGPT Work，把 Codex 改造成面向非工程师的智能体产品，最低 20 美元/月即可让白领用 LLM 自主完成多步工作。内部 6 月 98% 员工用 Codex，但组织订阅仅 17%、个人不足 1%。
② 真正改变了什么？
AI 产品从“工具”走向“代理人”，但采用率卡在“愿不愿意交出控制权”，而非能力够不够。
③ 我们以前哪里想反了？
我们以为只要模型够强大家就会用；真实瓶颈是信任与责任归属——人不敢把多步决策完全交给模型。
④ 然后会发生什么？
厂商会用更简化的界面和更明确的审计来争取信任；企业会把“人在回路”做成合规刚需而非可选项。
⑤ 我们该做什么？
上线自主智能体前先定义“可交出/不可交出”的动作清单；对对外动作强制人工确认；指标：自主任务占比周增≤10%，防止失控。
一句话小结：
智能体普及的最大阻力不是能力，而是人愿不愿意交权。
GPT-5.6 登陆 Kiro，软件开发智能体把单任务成本砍掉 82%
① 发生了什么？
OpenAI 与 AWS 合作，将 GPT-5.6 模型家族（Sol/Terra/Luna）接入 AWS 编程智能体 Kiro。Terminal-Bench 2.1 测试中，GPT-5.6 Terra 在 Kiro 内完成任务的 token 成本较上一代降低约 82%。
② 真正改变了什么？
AI 编程的胜负手从“模型多强”转向“每任务性价比”。一次架构级优化就把边际成本压到接近零，云厂商 API 定价被迫跟进。
③ 我们以前哪里想反了？
我们一直以为 AI 编程贵是模型贵；真正贵的是无效迭代与 token 浪费，一次结构优化就能砍掉八成成本。
④ 然后会发生什么？
中小团队以更低门槛用上顶级 coding agent；“单任务成本”会成为 AI 编程的核心 KPI，倒逼 LLM 持续降价。
⑤ 我们该做什么？
评估 coding agent 把“单任务成本”纳入基准；新项目先跑 Kiro+GPT-5.6 的 POC；阈值：同等任务 token 成本下降≥50% 才值得换栈。
一句话小结：
AI 编程的竞争，正从“谁模型强”变成“谁每 token 更便宜”。
月之暗面让服役仅 7 个月的 Kimi K2.5 退役，2.8 万亿参数的 K3 全面接棒
① 发生了什么？
8月24日月之暗面宣布第一代万亿参数多模态模型 Kimi K2.5 将于 8月31日结束服役、API 同步下线，生命周期仅约 7 个月；今年 7 月开源的 Kimi K3（2.8 万亿参数，基于 KDA 混合线性注意力，原生多模态、100 万 token 上下文）全面接棒。同日 K3 在全球生成式 AI 实力调查中位列第 6，超越谷歌与 SpaceX AI。
② 真正改变了什么？
模型代际切换从“年”压缩到“月”，万亿参数模型也成了快速淘汰品，开发者不再能一选定终身。
③ 我们以前哪里想反了？
我们以为选定一个旗舰模型能长期沿用，其实持续迁移适配才是新常态，锁死单一模型等于技术债。
④ 然后会发生什么？
开发者要在多模型间频繁切换；K3 用户请求暴增一度导致算力告急、暂停 C 端新订阅，供给瓶颈会反复出现。
⑤ 我们该做什么？
架构上做模型抽象层 + 路由降级（K3 主用、K2.6/K2.7-Code 兜底）；建成本看板跟踪各模型单价与可用性，设定 SLA——单模型不可用 5 分钟内自动切流，月度迁移演练≥1 次。
一句话小结：
模型生命周期以月计，可迁移性比单模型性能更值钱。
智谱 GLM-5.3 靠后训练 Scaling 把开源编程推到新高度，还顺手挖出潜伏 40 年的 DNS 漏洞
① 发生了什么？
8月14日智谱发布 GLM-5.3（7430亿参数）。基座与 GLM-5.2 相同，仅靠后训练 Scaling（IndexShare、SAO、Slime 框架）拉高智能上限：Terminal-Bench 3.0 从 4.6 升到 28.3，DeepSWE v1.1 从 46.2 升到 66.9，多项开源第一；8月19日 API 上线，两周内开源权重。
② 真正改变了什么？
证明“同一基座 + 极致后训练”就能逼近闭源前沿，开源模型第一次在编程与安全专业任务上正面叫板 Claude Fable 5、Mythos 5。
③ 我们以前哪里想反了？
我们以为能力差距靠堆参数和换基座，其实后训练的工程化天花板远未触顶，同一块石头还能再榨出一大截。
④ 然后会发生什么？
模型会从跑分走向真实安全工作流——GLM-5.3 发布前联合安全团队发现 2404 个潜在漏洞、1088 个中高危，其中包括潜伏 40 余年的 DNS 协议级风险（单请求可放大近 8 万倍，影响超 1000 万处公网 DNS）。
⑤ 我们该做什么？
把“模型即安全生产力”纳入研发流程：用前沿模型做代码审计与漏洞预检，设定 SLA——上线前模型扫描覆盖率≥90%，高危漏洞 24h 内复核闭环。
一句话小结：
后训练 Scaling 正在改写“开源 vs 闭源”的差距定义。
数据库正在“吃掉”AI：向量、多模与实时流成新战场
① 发生了什么？
8 月大数据圈信号密集：DynamoDB 把向量搜索做进核心库，OceanBase 统一管理结构/非结构/向量，Fluss 用 14 个月从孵化到毕业提供湖仓实时流，Milvus 3.0 主打湖原生检索，Snowflake 收入同比 +33%。
② 真正改变了什么？
数据湖从“冷存储”变“热战场”，数据库不再是 AI 的外挂，而是 AI 应用的底座。
③ 我们以前哪里想反了？
我们以为 AI 瓶颈在模型，实际很多企业卡在数据层——上下文与权限跟不上，模型再强也接不住业务。
④ 然后会发生什么？
开源生态补齐实时拼图；AI 与数据平台结合被商业验证为高增长赛道。
⑤ 我们该做什么？
选型优先“向量+事务一体”减少搬运；实时场景评估 Fluss 类流存储；定指标：RAG 召回 P95<200ms、数据不出域合规率 100%。
一句话小结：
AI 落地的胜负手，越来越在数据库而不是模型。
腾讯云发布 TDSQL Nexa：数据库变成 Agent 的原生数据底座
① 发生了什么？
DTCC 2026 腾讯云发布 TDSQL Nexa，把事务、全文/向量检索、AI 计算、大规模分析统一到一个平台；测试相对开源组合性能提升 10 倍、成本降 60% 以上。
② 真正改变了什么？
数据库从“AI 的外挂”变成“AI 的原生能力”，Agent 成为数据库的新服务对象。
③ 我们以前哪里想反了？
我们以为 Agent 缺的是更强模型，其实缺的是业务语义与权限上下文——Nexa Knowledge 让生成 SQL 基本无需人工改。
④ 然后会发生什么？
多模统一 + 语义层会成为 AI 数据库标配；行列级权限与操作审计内置化。
⑤ 我们该做什么？
接 Agent 前先沉淀表/字段/指标口径知识；给每个 Agent 独立身份与访问范围；高风险操作设拦截或人工确认门槛。
一句话小结：
给 Agent 喂业务语义，比换大模型更能治好“SQL 写不对”。
CNCF 警告“影子 AI”：从笔记本到 K8s 的治理路径要重画
① 发生了什么？
CNCF 发文对“开发者笔记本 → CI → K8s Pod”的云原生交付路径做威胁建模：代码助手泄源码/密钥、AI 生成流水线篡改构建、运行时需 SPIFFE/SPIRE 身份 + 最小 RBAC + Falco/Tetragon 行为检测。
② 真正改变了什么？
AI 治理缺口被点名——提示注入检查、智能体发现、工具调用策略尚无毕业级项目全覆盖。
③ 我们以前哪里想反了？
我们以为安全边界在集群，其实 AI 从笔记本端就把密钥和架构泄露出去了，防线必须前移。
④ 然后会发生什么？
Envoy AI Gateway、kagent 等成为云原生谱系候选；AI 供应链治理被写入合规要求。
⑤ 我们该做什么？
给 CI/构建加 OIDC 可信发布与 ephemeral runner；运行时上 Falco；设指标：cluster-admin 账号数归零、命名空间级 RBAC 覆盖率 100%。
一句话小结：
影子 AI 的入口在笔记本，防线必须前移到开发机。
OpenTelemetry 正式毕业 CNCF，可观测性大一统落地
① 发生了什么？
CNCF 宣布 OpenTelemetry 毕业，成为云原生指标、日志、链路的厂商中立标准；企业平台团队正弃用专有监控 agent，统一到 OTel Collector，可无缝对接 Datadog、Dynatrace、Grafana。
② 真正改变了什么？
遥测数据面与后端分析解耦，“换监控厂商不换埋点”成为现实。
③ 我们以前哪里想反了？
我们以为可观测性绑定厂商 agent，现在标准数据面消除供应商锁定，也消除多 agent 在节点上的性能开销。
④ 然后会发生什么？
sidecarless mesh 与 eBPF 埋点普及；跨云统一可观测流水线成为标配。
⑤ 我们该做什么？
新系统只埋 OTel；旧 agent 排期下线；定 SLA：关键链路 100% 采样、跨云看板统一、告警平均发现<5min。
一句话小结：
遥测只埋一次，后端随便换——这就是 OTel 的价值。
Spring Boot 4 携 Java 25 降临：模块化单体与 Spring AI 2.0 成主线
① 发生了什么？
DevoxxGR 2026 展示 Spring Boot 4（Java 25）：用 Spring Modulith 把系统拆成特性模块，编译期强制边界，事件驱动走 outbox；内置 Resilience4j 熔断、Spring Security 7 无密码登录、Spring AI 2.0 工具调用。
② 真正改变了什么？
“大泥球单体”有了官方演进路径：模块化单体 → 渐进微服务，不强制整体重写。
③ 我们以前哪里想反了？
我们以为上微服务才能解耦，其实编译期模块边界 + 事件解耦先把复杂度管住，再决定要不要拆。
④ 然后会发生什么？
模块化单体回潮，outbox 模式成跨模块一致性的标准件；AI 能力直接长进 Spring 应用。
⑤ 我们该做什么？
老单体优先用 Modulith 划模块而非急着重构；关键写操作加熔断与 outbox；评估把领域问答接 Spring AI 2.0 工具。
一句话小结：
不想拆微服务？先用 Spring Modulith 把边界划清楚。
Spring Boot 3.x 实战重点：虚拟线程与 GraalVM Native 商用落地
① 发生了什么？
2026 年 Spring Boot 3.4/3.5 成企业首选，虚拟线程一行配置即可让 Web/异步跑在轻量线程上；GraalVM Native Image 商用，启动从 1.8s 降到 40ms，内存降约 70%。
② 真正改变了什么？
“启动慢、内存大”不再是 JVM 上云原生的硬伤，Serverless/Edge 等冷启动敏感场景被打开。
③ 我们以前哪里想反了？
我们以为高并发必须上 Reactive，现在 MVC+虚拟线程覆盖 90% 场景，更简单也更易调试。
④ 然后会发生什么？
虚拟线程成默认选项，Reactive 退回流处理专用；原生镜像成容器化部署的常态。
⑤ 我们该做什么？
新项目直接开虚拟线程；镜像优先 Native（注意反射/动态代理需配 hints）；定指标：启动<200ms、空闲内存<80MB 纳入发布门禁。
一句话小结：
2026 年 Java 后端的性价比答案：MVC+虚拟线程，部署用 Native。
技术同盟成员
更多 >活动日历
线上直播
线下沙龙
线下沙龙
线上直播
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
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
提问已提交，平台将在审核通过后自动邀请对方回答
您可前往问题详情页查看问题进展 查看详情>