将IT和CT融合是华为进入企业级IT市场以来一直在坚持做的事。ICT融合可以简化设备管理,最大限度提高网络设备效率。面对企业分支机构业务的日益复杂化,华为采用虚拟化技术实现了IT和CT在网关上的深度结合,于近日推出企业网关AR3670,力求帮助企业分支机构提高业务部署效率,降低成本。
在企业ICT设备支出成本中,日常运维费用,如故障处理、例行巡检和现场维护等所占比例接近70%,这种高成本让诸多企业都倍感压力。而新业务的出现,也让企业从设备采购到网络规划、布线安装和业务部署上需要花费大量的精力,周期往往在30天左右。如果要减少时间和费用支出,就需要对硬件设备进行调整。
从业务层面看,分支机构虽小,但IT和CT服务却一个都不能少,无线、存储、路由、计算、交换、防火墙、语音、邮件加速等等都需要获得网关的支持。华为敏捷企业网关AR3670基于英特尔的X86架构设计,一台网关就相当于一个ICT分支,能够支持上述服务,这种融合架构大幅降低了企业分支机构的设备购置成本和运维管理成本。
对于分支机构,华为用三个关键词给出了自己的理解,那就是“融合”、“创新”和“增值”。华为希望将企业总部ICT设施和分支机构设施更好的结合,充分利用各自优势,从而快速发展企业业务。
华为交换机与企业通信产品线AR路由器产品总监郭俊在解读华为敏捷企业网关AR3670时表示,华为希望在AR3670上实现IT和CT的真正融合,这种融合不仅仅能够降低30%的TCO(总体拥有成本),更能够实现创新的融合。
首先,这种ICT融合不是IT和CT的简单叠加,是在硬件和应用中间增加一个hypervior虚拟层,是业界首次基于虚拟化技术实现IT+CT深度融合,从而实现各种业务应用的按需组合。
这种融合也不是硬件的简单堆砌,而是一种向云迁移的动态资源分配过程,可以最大限度保护用户投资。
这种融合将实现网络管理和虚拟机管理的协同化,基于SDN/虚拟化架构实现ICT的统一控制和运维。
ICT融合,并不是产品的简单叠加,而是一种架构性的创新,是在虚拟化、SDN等技术基础上,以客户业务需求为导向的产品创新。华为敏捷企业网关AR3670率先引领了这种ICT融合趋势,以创新技术助力企业应对分支业务的新挑战。通过网络统一管理,使得IT和CT管理不再割裂,从而简化运维配置,实现新业务远程部署,助力业务增值。
在企业网关领域,华为已经耕耘了多年。华为交换机与企业通信产品线企业网关领域总经理李先银在接受媒体采访时表示,网关涉及的是比传统路由器更高的4-7层,即应用层。目前华为网关涉及三大领域,一是敏捷企业网关领域,即传统路由器演化而来的企业网关;二是敏捷移动网关,如在巴士在线上的应用,有媒体接口,有WiFi接入应用等。三是敏捷物联网关,这种网关意义重大,可以实现过去诸多协议转换连接的重要渠道。未来,这三种网关有一定融合的可能性,目前只是因场景形成了复杂度和设备形态的差异,但在架构上将逐渐趋同,并将跟敏捷分支融为一个整体架构。
李先银表示,企业网关AR3670表面看起来只是个盒子,但其核心是一个生态体系,通过OpenStack、OpenDaylight这样的开源组织,让上下游企业都参与其中,并逐步实现产品的标准化,推动整个行业的发展。
AR3670是企业分支机构实现ICT融合的一个开始,这种将虚拟化、SDN等模式融入到分支网关将给企业分支机构带来新的变化,推动企业分支机构的快速发展。
好文章,需要你的鼓励
前谷歌资深工程师David Petrou创立的AI初创公司Continua宣布完成800万美元种子轮融资,由GV领投。该公司开发AI智能体技术,可加入SMS、iMessage和Discord等群聊平台,为用户协作提供智能支持。Continua能够在群聊中自动设置提醒、发起投票、添加日历邀请或生成待办清单,解决群聊混乱问题。公司通过微调技术让AI理解群聊动态,具备社交智能,只在需要时提供帮助。
艾伦人工智能研究院开发的MolmoAct是首个开源的机器人空间推理模型,通过"看懂-规划-执行"三步思考法让机器人具备类人的空间理解能力。它不仅在多项基准测试中表现优异,还支持直观的视觉轨迹调教,用户可直接在屏幕上画线指导机器人行为。研究团队完全开源了模型、代码和数据集,为全球机器人研究提供强大基础平台。
Anthropic宣布为企业客户增加Claude单次提示词的信息处理量,以吸引更多开发者使用其AI编程模型。Claude Sonnet 4现支持100万token上下文窗口,可处理75万词或7.5万行代码的请求,是此前限制的5倍,超过OpenAI GPT-5的40万token。该功能也将通过Amazon Bedrock和Google Cloud等云合作伙伴提供。更大的上下文窗口有助于AI模型更好地处理软件工程问题和长期自主编程任务。
这项由北京大学和清华大学联合完成的研究首次提出时间自奖励语言模型,通过"锚定拒绝"和"未来引导选择"策略解决了AI自学习中的梯度消失问题。该方法让AI既能从过去的低水平样本中学习反面教材,又能向未来的高水平样本学习正面目标,成功维持了清晰的学习对比信号,在多个基准测试中显著优于传统自奖励方法。