这几年，在C端互联网市场遇到天花板后，企业级服务市场被视作是新的增量。8月15日，中国企业级云服务龙头企业金蝶公布了2018年上半年的中期业绩，从金蝶的“期中考试”成绩来看，它在2017年从企业软件公司向云服务平台转型后，正稳步发展，上半年在云服务市场上的布局有望在下半年实现大爆发。

1、收入增长稳定：集团收入同比增长21.3%。

金蝶“期中考试”成绩显示，上半年集团录得营业额约人民币12.79亿元，同比增长21.3%。当前中国经济受到中美贸易战和经济周期性调整影响，百度、腾讯等公司发布的二季度财报显示，互联网公司营收基本都有增长压力，各大资本市场也不景气，而金蝶的主业是企业服务，自然会受到影响。在这样的大环境下，金蝶21.3%的增长率还是保持得不错的，维持了2017年的23.7%的增幅。

更重要的是云服务战略转让金蝶有着很强的营收增长后劲。财报显示上半年金蝶云服务实现收入约人民币3.55亿元，同比增长25.6%，占集团总收入达27.8%，作为金蝶云服务期间产品的金蝶云收入同比增长42.9%。云服务业务和金蝶云收入增长都超过了管理软件19.7%的增长率，可以看到，金蝶正越来越依赖云服务业务，云服务已成为金蝶新的营收增长点。

2017年，金蝶首次提出Cloud First战略，在5月将金蝶云ERP升级为金蝶云，当年云服务在收入中占比为24.7%，金蝶已提出目标，2020年要实现来自云服务的收入超过60%。今年上半年这个数据达到27.8%，距离云服务业务收入占比超过60%的目标越来越近。

从大环境来看，产业互联网是趋势，企业要数字化就要更多云服务，Gartner报告显示云计算市场正保持着22.8%年复合增长率，未来三年，SaaS服务将占中小型企业IT支出70%，而63%的集团企业都会上云，这对金蝶来说是利好。此外金蝶还在伴随着一带一路战略积极出海，获取更大增长空间。

云服务对于金蝶，就像昔日移动互联网对于BAT等互联网巨头一样，先是营收增长驱动，现在已是主要营收。从上半年的增长数据来看，金蝶在“上云”走得还是比较稳的。

2、利润增长强劲：经营利润约人民币1.67亿元，同比增长33.4%，权益持有人盈利增长59.5%。

金蝶上半年经营利润约人民币1.67亿元，同比增长33.4%；金蝶权益持有人应占当期盈利约人民币1.70亿元，同比增长59.5%。对于权益持有人来说，金蝶实现了近60%的利润增长，是一个非常可观的成就。

一方面，因为市场不景气，同时各种成本在上升，所以很多公司的利润都出现了下滑，比如腾讯二季度净利润竟然出现了破天荒的下滑（同比下降2%），金蝶的各项利润指标都在增长，归属于权益人的增长60%远超新经济上市公司的平均水平。

另一方面，每一家巨头转型都要付出代价，转型往往伴随着阵痛，因为新业务短期内不能产生收入，往往还需要大规模的投入，最终拖累整个业绩。金蝶进行从端到云的转型，却没有出现这样的阵痛，我们能够看到它的营收在增长，利润也在高速增长，可以说是实现了平稳过渡。

3、新老业务并驾齐驱：管理软件高端企业客户增长28.8%，大力进军超大型企业。

进军新市场，同时不能丢掉老市场，从金蝶EAS业务同比增长28.8%，与云服务并驾齐驱可以看到，它的传统核心业务即管理软件表现依然不俗。

金蝶EAS全称是集团企业卓越管控与运营平台，面向大客户的智能财务、管理会计、财务共享服务、数字供应链和智能制造等业务场景提供信息化解决方案，通过引入“ABCD（AI、Blockchain、Cloud、Data）+IoT” 等新技术，在高端市场受到青睐，上半年金蝶EAS也成功签约了长城物业、上海环境集团等行业头部客户。

从EAS增长可以看到，企业管理软件正在“解决方案化”。简单地说，头部大企业业务更庞杂，场景更丰富，对管理的需求要求更高，标准化软件不能满足他们的需求，EAS的做法就是面向不同行业、不同企业和不同场景进行定制，引入新技术，来帮助企业解决信息化问题。

随着时间推移，中国企业正在越来越“大”，不只是有超大型国企，民营企业体量也在不断增加，7月发布的财富世界500强显示，今年中国上榜公司已达到120家，非常接近美国（126家），远超第三位的日本（52家），从1995年到今天，还没有任何一个其它国家的企业数量如此迅速地增长。企业变大，需求更个性化，金蝶此时瞄准这些高端企业，提供解决方案显然是很明智的。

与此同时，金蝶在企业管理软件、信息安全、需求管理、部署维护等环节有着25年的经验，可以很好地满足大型企业的复杂需求，正是因为此，金蝶也受到了各个行业标杆企业的欢迎。

不过，解决方案不适合中小企业，对于中小企业，金蝶采取的是标准化产品+云服务平台的方式，金蝶云之家是移动办公软件，连续第三年被IDC评为中国大中型企业移动办公市场占有率第一，云之家背后接入的是金蝶云服务，企业可以像在应用市场下载应用一样获取服务，自主拼装。

4、云服务未来可期：金蝶云收入同比增长42.9%，精细化运营效果明显。

中国有数千万企业，不同规模、不同行业、不同类型的企业信息化需求各有不同，我看到金蝶的做法是，对企业进行圈层划分，精细化运营。

8月8日，金蝶发布了新一代金蝶云·苍穹，定位于国内首款自主可控及云原生架构的大企业云服务平台，基于云原生架构设计开发，在PaaS层应用分布式计算、Docker、微服务等互联网技术，其中给提供包括财务云在内的SaaS服务，主要面向大型和超大型企业。

原来的金蝶云，则更名为金蝶云·星空，与苍穹互补，面向中小企业和大型企业的创新业务板块；精斗云则聚焦云会计、云进销存等云服务，面向中小微企业；管易云面向电商行业，处理订单总量已超6亿单，支撑商家交易流水近1,100亿元，分别较去年同期增长32%和35%；面向移动办公场景则有云之家。

金蝶从规模、行业、类型对企业进行划分，通过不同云服务的组合拳来满足他们的信息化需求，实现面面俱到。苍穹的发布更是强化了金蝶在高端企业云服务市场的地位，是其云服务技术实力的体现，如果能做好高端企业的云服务，服务中小微企业就没什么技术问题——造航母的肯定可以造轮船。金蝶投资者关系与证券部总监罗永辉在金蝶2018年度中期业绩交流会上也透露，金蝶云服务正受到标杆企业的青睐，其中湖南省超过50%的标杆企业都已选用金蝶云，就连华为基建都在使用金蝶云·苍穹，标杆企业用金蝶，事实上成为免费的代言人。

通过对行业、客户和场景精细化运营的策略，金蝶云服务成效显著，不只是收入稳定增长，更重要的是市场地位稳固。今年7月IDC发布的《中国公有云市场2017年下半年跟踪报告》显示，金蝶在2017年中国企业级SaaS厂商销售收入占比7.2%，超越国内外厂商位列第一。

IDC发布的另一份报告显示，2017年全年金蝶在SaaS ERM以17.5%的占有率排名第一，在SaaS财务云市场占有率达43.56%，超过第2到15名同行厂商的云收入总和。2016年、2017年金蝶连续两年取得整体企业级SaaS、SaaS ERM和SaaS财务云的三料冠军。

市场地位的稳固最终会形成更强劲的营收增长，上半年云服务收入增长25.6%，是因为金蝶在“蓄势”，一般来说下半年会发布新一代云服务，是云服务商的旺季，罗永辉在业绩交流会上透露，“预计下半年，云服务收入将会有60%以上的增长，云服务收入全年的增长率会达到45%，全年云的服务收入占比将到30%以上。”，注意，这这还是比较保守的预测。

从财报可以看到，金蝶上半年更多是在“稳中求进”，抓住云服务崛起的趋势大力转型，做各种业务布局、产品升级和品牌升级，技术基础强、业务覆盖全、销售能力强，再对市场精细化运营，在云服务市场日拱一卒。

中期财报则像是一次摸底的期中考试，下半年，随着企业信息化采购关键决策期的到来，金蝶云服务布局也将释放出更大价值，年终有望交出一份更加亮眼的答卷。

　　虽然数据中心的计算能力不能和超算中心(专门承担各种大规模科学计算和工程计算任务，同时拥有强大的数据处理和存储能力的数据中心)相比，但计算能力也是数据中心水平的一个重要体现。以前和现在也有很多数据中心在进行自我介绍的时候，都强调自己拥有多少台计算服务器，实际上想表露的就是自己的计算能力。当然，可以计算的不仅仅是服务器，其它很多设备也都在进行着各种各样数据的计算和处理。接下来我们就来说一说数据中心里都有哪些硬件计算技术，以便大家对此方面有所了解。

　　大家对CPU都不陌生，所有的设备都需要一个或者多个CPU芯片，由CPU来完成设备需要完成的各种功能，这其中涉及到大量的复杂数据的处理和计算。CPU由控制器和运算器构成。整个CPU工作起来就像一个工厂对产品的加工过程：进入工厂的原料(指令)，经过物资分配部门(控制单元)的调度分配，被送往生产线(逻辑运算单元)，生产出成品(处理后的数据)后，再存储在仓库(存储器)中，最后等着拿到市场上去卖(交由应用程序使用)。经过这么多年的技术发展，CPU的处理数据速度有了很大提升。除了通用的Intel和AMD的CPU之外，也出现了很多专业技术领域里的CPU，一台设备如果没有了CPU就等于一台死机器，不能开机，一切都不能执行。

Unit)是现代显卡中非常重要的一个部分，其地位与CPU在服务器上的地位一致，主要负责加速图形处理的速度。我们知道图形文件，包括视频文件都比较大，计算量很大，并对数据的实时性要求要高一些，所以GPU更适用于这种计算中。GPU是一个高度并行化的多线程、多核心处理器，它比CPU的计算能力要强多了。现在我们常说的CPU实际上两者都包含，有的指的是CPU有的指的是GPU，并没有对两者进行区别。GPU是以大量线程实现面向吞吐量的数据并行计算，适合处理计算密度高、逻辑分支简单的大规模数据并行负载，而CPU则有复杂的控制逻辑和大容量的缓存减少延迟，擅长复杂逻辑运算。GPU属于强计算弱控制，更多资源用于数据计算，而CPU属于强控制弱计算，更多资源用于缓存。GPU早期主要应用于显卡，以图形处理为主，现在发展成为图形和高性能计算并重，像AMD的FireStream和NVIDIA的Tesla都是通用计算的GPU。

　　GPU 的核心数量一般是 CPU 的成百上千倍，计算能力要比 CPU 多出几个数量级，也更适合进行并行计算。但是如果计算里面有大量的分支，或者算法的数据前后存在依赖关系，使得算法无法并行运行，则 GPU 的性能优势会被大大减弱。这时出现了一种新的计算方式FPGA(Field Programable Gate Array)，其基本原理是在 FPGA 芯片内集成大量的数字电路基本门电路以及存储器，通过烧写FPGA 配置文件来定义这些门电路以及存储器之间的连线。这种烧入不是一次性的，可以反复烧写，所以叫做可编程门阵列。FPGA 既能提供集成电路的性能优势，又具备CPU可重新配置的灵活性。相比GPU，FPGA的可操控粒度更小，具备更高的灵活度和算法适应性。FPGA能够简单地通过使用触发器来实现顺序逻辑，并通过使用查找表来实现组合逻辑。当算法需要并行计算能力时，可以将大部分的逻辑资源都用来做计算，达到更高的计算效率。打破了顺序执行的模式，在每个时钟周期内完成更多的处理任务，超越了数字信号处理器的运算能力。FPGA融合了ASIC和基于处理器系统的最大优势，能够提供硬件定时的速度和稳定性，且无需类似自定制ASIC设计巨额前期费用的大规模投入。

　　FPGA 虽然成本比设计的专用芯片(ASIC)要便宜，当然性能也没有专用芯片强，在很多的技术场合还是需要采用ASIC芯片来完成计算，比如网络设备。ASIC(Application Specific Integrated Circuits)专用集成电路是指应特定用户要求或特定电子系统的需求而设计制造的集成电路。这类ASIC专业性极强，将所有的计算资源都应用到特定的应用中，所以处理某一类计算时效率特别高。比如网络转发ASIC芯片，其专门处理二三层网络流量转发，其它功能均没有，所以执行效率高。当然，就像是私人定制，既然是专有的东西，那一定是特别贵。是的，ASIC要比CPU、GPU还是FPGA都贵得多，实际上ASIC的内部实现并不如这三种复杂，但是里面涉及了很多专业领域很强的技术，其它三种计算硬件做不来。ASIC在吞吐量、延迟和功耗方面都无可指摘，但ASIC研发成本高、周期长，而且ASIC是一锤子买卖，设计出来要是发现哪里不对基本就没有机会改了，这也使得每款ASIC推出来的时间都要长，再加上不像通用CPU市场竞争那样激烈，ASIC的价格都比较贵，甚至具有一定的市场垄断性。还有ASIC的灵活性也是硬伤，ASIC不能做复杂的有状态处理，比如某种自定义的加密算法，我们也看到像网络交换芯片，基本都是处理二三层的转发，对于四到七层网络协议由于涉及到很多状态机的处理，就不能靠ASIC来完成。所以对于四到七层的网络流量依然要交由通用CPU处理，像很多支持四到七层网络转发的网络设备，实际内部还是靠CPU或者FPGA来实现网络转发功能的，这样转发效率没有二三层网络设备高。

　　通过以上的对比，可以看到每种硬件计算技术都有其各自的优先和缺点，应用于不同的计算环境中。在数据中心的技术大染缸里，每种计算技术都在发挥着作用，虽然每种技术都在不断发展与进步，但短时间之内，谁也无法替代谁，四种硬件计算技术仍要长时间在数据中心领域里共存。

　　责任编辑：DJ编辑

GPU在商用应用程序上的部署究竟能带来多少性能提升，这是很多人关心的问题，也许只是个昂贵的噱头，也许会变成数据处理的一个重要组成部分。
GPU大概从2003年开始，我们开始使用GPU来独立处理电脑3D游戏的数据，或者其他对图形要求比较高的程序。
GPU逐渐进入了我们视线，包括我们的家用电脑，笔记本，GPU都开始发挥它的作用。但现在，在数据中心的服务器上，你都可以发现GPU的身影了。 GPU是否也可用通过这种远程协作的方式使用？如虚拟化GPU。随着虚拟化技术的发展，已经可以把GPU应用在虚拟机里使用，这样可以让GPU代替许多CPU的工作。
GPU的核心数量非常多，这和CPU有本质的区别，一般GPU都内置了数百个内核，甚至上千个，GPU的工作原理就是并行计算，在并行处理特定数据的时候，GPU比CPU高效非常多。但在复杂指令计算方面，GPU远远不及CPU，所以GPU和CPU是一种互补的关系，而不是互相代替的关系。
一些适合GPU计算的地方就利用GPU并行计算的优势去部署，而不是单单考虑提升CPU的性能。高性能的GPU处理器不是普通的计算处理过程。GPU是用利用高度序列化的处理模式和CPU配合使用，并不是使用高性能GPU就可以搭配低性能的CPU。由于它们的工作侧重点不同，是一种并行处理的方式，所以不能因为GPU的并行处理能力很强就忽略了CPU的重要性。
GPU部署在数据中心比部署在现场好，科学家在现场只需要将探测的数据交回数据中心处理，之后再接收传回的GPU处理完的数据。这也就是数据中心为什么越来越多的部署GPU进行数据处理的原因。