谷歌平臺的副總裁Bart Sano，在企業需求背景下，談到了關于谷歌硬件選擇、遷移所面臨的挑戰以及下一波云計算。

隨著大量的數據遷移到各個云提供商平臺,云提供商都競相擴大其基礎設施選擇，谷歌也不例外,看起來這些新的技術，作為一種成為市場上主要參與者的手段。

谷歌平臺的副總裁Bart Sano,帶領著一個團隊，甚至算是一個公司。他們設計warehouse-scale數據中心，并且，公司內部一切以其大規模運營能力而文聞名世界。

Sano談到關于SearchCloudComputing的谷歌硬件和基礎設施—從他們如何適應企業的需求到下一波云計算，以及遷移客戶的多樣化工作負載所面臨的挑戰。

谷歌和英特爾最近宣布了合作開發企業云應用。其中一部分包括谷歌2017年云平臺的下一代英特爾芯片。這一伙伴關系的動力是什么呢?

Bart Sano：我們通常不做這種類型的聲明，但我們認為這是非常重要的,因為，用戶可以了解到該項技術明年初就會上市。不僅能給最終客戶帶來有用的好處,很明顯,谷歌本身對我們的搜索、廣告、以及系統來說，都是很有用的。對于云來說，也是很有用的，因為其提供了更高的性能以及更多的配置,通過更大的內存占用以及多個線程等，能夠幫助解決不同的工作負載問題,同時，建設架構能夠幫助解決更多的計算和向量處理問題。

谷歌構建其基礎設施來滿足自己的特殊要求。你需要改變底層硬件，來滿足云客戶一系列不同的需求嗎？

Sano: 谷歌有五到八個不同的產品領域,而這些產品領域都有自己的形式和功能。談到云,我們在客戶方面有更大的多樣性。很多客戶仍然在內部傾斜的類型內適用，本質上，因為他們是通用的,但是，也有客戶希望實現最大的內存配置,或者最快的浮點比率。不僅在計算方面,而且在數值計算方面—GPU變得越來越多樣化,最終，采用我們的機器學習TPU(張量處理單元)。

TPU和GPU之間,甚至現場可編程門陣列(FPGA),似乎有一個大熱潮，主要的云提供商想要將這些技術，在他們的平臺上實現合并。這背后蘊藏著什么？

Sano: 我們試圖支持下一波云，機器學習和數據處理,利用機器學習和分析大數據。你需要更多的數值計算，求出大數據處理。

例如,不是每個人都需要一個GPU來做一個小的機器學習模型,一個特定的任務—也許CPU功能就足夠了。這就是我們平時一直做的,直到我們的問題變得太大,我們不得不采用gpu。然后,這個問題成為太大的問題,我們必須做自己的定制硬件。然后，你需要決定[成為]做一些定制asic(專用集成電路)和FPGA嗎?有不同的架構方法:你想要可編程的嗎？你想要固定功能但更有效率的嗎?每種架構方法都有自己的不足和優勢。

所有這些不同的縮略詞的原因是(因為)，我們看到計算從一般用途轉變成機器學習和分析空間,并且，我們看到云提供商試圖引進分析功能—一般用途以前不需要的功能。

能解釋一下，這個過程在谷歌是如何展現的嗎？

Sano: 我從FPGA開始講起。你通常采用FPGA,因為FPGA是可編程的,你不能預測未來,所以，就要有靈活性。快速部署這個FPGA，然后將其個性化。很難預測未來，但這是非常昂貴的、非常耗電，因為它們是通用的。

另一個方向是，如果你能足夠快地開發定制ASIC，快速部署,這樣的話，FPGA的優勢有所減輕。這是我們的立場。我們能夠及時開發ASIC,我們一直努力構建基礎設施,在某種意義上，你可以進行再造,重新補充人員，重新個性化。

谷歌是一個容器的早期采用者。關于容器技術如何開始流行起來，你的觀點如何?

Sano: 我到這里后不久,我們做了一個決定：我們應該采用VM還是容器?糾結了很久，我們最終決定采用容器，因為容器的開銷低，盡管容器在管理方面等，可能會復雜一些,但是，容易是一個更有效的解決方案。事實證明了這是一個正確的決定。虛擬機是很靈活的,但是，因為虛擬機的靈活性，你需要支付更高的溢價。對我們來說，效率是非常大的、重要的方面。因為我們的規模，1%或2%的內存效率或處理器遷移時間和開銷—很重要。

促進客戶規模遷移，谷歌面臨的挑戰是什么？

Sano:移動數據并不簡單,這是一個巨大的挑戰。坦率地說，軟件是最大的挑戰,獲取所有的軟件，這樣，就可以遷移數據集等等。我可以很容易地看到，什么時候可能會變成一個異構平臺環境。

從本地環境遷移到云，不僅受到軟件,而且也受到硬件的約束。受制于硬件，這也是我們與他們合作的事情……我們試圖盡可能靈活適應他們,但是，這是這個行業的轉型,我們得通過。

過渡到云，面臨的其它挑戰是什么？

Sano: 運行在舊系統之上的傳統企業等,必須開發一個遷移策略。對我來說,是最大的問題,我們要做的就是構建更多的網橋，與混合環境匹配。