ZDNET网络频道 01月06日 编译:诚然,软件定义网络(SDN),尤其是在开源项目中,如OpenDaylight,将彻底改变数据中心的联网方式。在数据中心内部我们也看到了更高的吞吐量表现,如Broadcom BCM56960芯片,具备25GE的吞吐量和128个端口。而在网络接入方面,最新的DSL标准G.fast让我们看到每秒1千兆比特的传输速度不在是个梦想。最后要说的是802.11ac越来越接近我们的工作和生活,同时也在向着更高的千兆无线网络连接速度进发。
网络资源越来越开源化
在谈到这点时,不得不先介绍一下网络中立性,这是一个简单的概念:互联网服务供应商应该与云服务商共享他们的网络资源部分。这又回到了商业互联网交换中心(CIX)的概念。那个时候互联网运营商第一次同意与对方平分连接。这个想法成为当今互联网的基础。
如Verizon互联网服务供应商,以及Netflix,都是用于访问互联网。法院和FCC一直偏袒Verizon,康卡斯特和时代华纳。最终的结果将是我们要结束了一个分层的互联网,这样的结果会直接体现为互联网资源今后将让大多数人能够买得起。
与此同时,Netflix公司,和所有其他的内容提供商,如CBS和HBO,将提高他们的内容价格,以弥补自己在最后一英里ISP的附加费用,而这些费用实际上是ISP对特定地域的一种垄断所造成的。
最后一英里上网速度制约整个网络发展
4K视频的出现,让我们可以在网络上从亚马逊和Netflix获得这些节目。如果你有每秒100(Mbps)的连接速度和Netflix,那么这些节目对你来说毫无压力,但你至少需求25Mbps的传输保障才能保证对4K视频节目的支持,这点恐怕很多地方难以实现。
在2014年,国内互联网服务供应商大都维持在4Mbps的宽带传输速率。但在2015年会不会有所改观,让我们拭目以待吧!
在世界舞台上,美国平均11.4Mbps的网络传输速度排在第14位。但像拉脱维亚和罗马尼亚甚至更小的县反而有更好的互联网性能!也许11.4Mbps听起来并不太给力,但如果你看看这些数字它的确更接近你现在的实际网速,富裕的城市地区,已经有相对良好的带宽,都推高了平均水平,而他们的郊区和农村地区仍在这条基准线之下。
但是,仅仅因为一些居民区有良好的互联网服务,并不意味着所有的社区都可以享受这样的服务。互联网服务质量的广泛性变化是个重要因素,因为你今后将在任何地方使用互联网进行工作和生活。
网络安全摇摇欲坠
达不到高速互联网是现实问题,但一个简单的事实是互联网的安全性正在接受前所未有的挑战。
我们看到越来越大的分布式拒绝服务(DDoS)攻击几乎每个月都在实施攻击。只要看看什么蜥蜴队确实到Xbox Live和PlayStation网络过圣诞节。似乎少数的黑客攻击就能使得两大游戏网络被彻底瘫痪。
因为我们发现,有很多基本的互联网技术正暴露出它的年龄缺陷,它的安全漏洞越来愈多。在2014年,我们看到了域名系统(DNS),网络时间协议(NTP)和OpenSSL,透露出主要的安全漏洞。
而且,虽然我已经听说了许多关于提高网络的安全性的声音,但还没有看到过一个非常行之有效的安全举措的出现。
因此,越来越多的互联网基础设施实际上每天都在摇摇欲坠的安全边缘徘徊。无法想象物联网的出现是不是会更加剧这样的隐患。在今天的互联网中,实际上根本没有一个绝对安全的网络环境,因为你并不清楚哪个环节会出现问题。
所以,要提高互联网在合理性,和公平的价格,这是我们现在需要做的。这样我们可以尽量避免以前主要的互联网故障,这将使互联网到目前为止更容易被人们接受。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。