9月7日,“全球IPv6下一代互联网高峰会议”(www.conference.cn/ipv6/2015)将在北京国宾酒店隆重举行。本次峰会由IPv6论坛(IPv6 Forum)和天地互连(BII Group)共同主办,以“IPv6时代来了,你准备好了吗”为主题,将邀请数十位海内外顶尖行业专家、数百位全球运营商代表、行业知名厂商代表、学术机构专家、用户企业及众多权威媒体共同参与。
作为一项已连续举办十四届的全球产业权威平台,IPv6峰会的出席嘉宾历来备受关注。据了解,即将于9月7日举办的本届峰会在嘉宾方面同样极具看点。根据已确认嘉宾情况来看,本届峰会的演讲嘉宾涵盖业内各行的权威专家,不仅有互联网领域大佬及IPv6领域顶尖专家,还包括国际权威组织主席、运营商高层、全球知名厂商等。届时,众多演讲嘉宾将与全球业界精英一道共同就“IPv6大规模部署的技术焦点与主流方案”、“IPv6发展给网络安全带来的影响与挑战”、“IPv6助力万物互联”等焦点话题展开讨论。
以下是本次峰会的部分嘉宾:
TCP/IP协议的发明者、被誉为“互联网之父”的Vint Cerf博士一直是IPv6下一代互联网的重要支持者。他认为IPv6在物联网的发展中起到了至关重要的作用,并曾在上届IPv6峰会致辞中称“无论对中国还是世界,中国IPv6示范城市的建设都是一个令人兴奋的历史转折点”。在本届峰会中,我们期待Vint Cerf 博士从全球互联网部署等及物联网大规模应用等角度为IPv6产业发展提出更多指导性意见。
作为IPv6产业重要的推动者之一,全球IPv6 论坛主席Latif Ladid先生曾多次参与到IPv6峰会中,见证了IPv6产业的全部发展历程。在上届峰会上,Latif Ladid先生一再肯定中国在全球IPv6产业的重要地位,对中国的IPv6产业给予厚望,并表示:“虽然IPv6现在的发展还是垂直的发展状态,但是很快它就会蔓延成横向的企业之间的发展。”本次峰会上,Latif Ladid先生将再次参与到IPv6峰会中,并为我们带来最新的信息分享与产业卓见。
作为ICANN董事、DNSOP工作组主席的Suzanne Woolf,从事IPv6相关研究多年,致力于推动DNSSEC及IPv6的操作和应用发展,同时参与到DNSEXT及V6OPS(IPv6 OPertions)等IETF工作组中。本次峰会上,Suzanne Woolf将以“未来互联网名字、地址、标识体系”为题进行演讲,同时与现场观众沟通交流并答疑解难。
IPv6发展给网络安全带来的影响与挑战一直是业内普遍关心的热点问题。本届峰会上,2014互联网名人堂入选人、BIND技术创始人Paul Vixie先生将莅临IPv6峰会,以“IPv6和DNS网络技术设施的安全分析”为主题进行演讲,IPv6在网络安全方面面临着怎样的挑战?DNS网络技术在当中起到怎样的作用?当前是否有行之有效的解决方案?我们期待Paul Vixie先生在会议现场带来的精彩解读。
除上文提到的众多权威专家之外,日本IPv6高度化推进委员会主席Hiroshi Esaki,日本庆应大学教授、M根服务器运营者Akira Kato,BII Lab 首席架构师Shane Kerr,中国电信云计算中心主任、北京研究院总工程师赵慧玲,中国联通集团下一代互联网首席专家傅承鹏,中国移动研究院网络所所长段晓东等众多国内外顶尖专家均将莅临本次峰会,在如今IPv6时代即将爆发的关键节点分享各自观点,展望下一代互联网的发展趋势,共同助力IPv6下一代互联网的全面部署。
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。