尽管AT&T、Sprint和Verizon等服务提供商长期以来一直在大力宣布他们的网络能力,不过许多大型提供商目前已经开始逐步公开他们内部的网络设计。

谷歌、亚马逊、脸书、微软等公司已经对软件定义网络 [注] 和他们的广域网(WAN)投入了大量资金,并且他们中的许多公司已经公布了由自己开发的SDN [注] 软件和白盒交换机的部署细节。实际上,获得高性能、高扩展性和低延时性目前已经成了超大型云提供商的竞争目标。
这些超大型SDN网络在规模、性能、可靠性和配置/管理要求方面存在着不同。网络级机构有着庞大的计算规模和存储能力。他们的数据中心通常占地面积 在250000平方英尺至500000平方英尺不等(有的占地面积甚至超过了沃尔玛超市的面积),放置着约100000台至500000多台物理服务器。
超大规模数据中心在物理服务器与虚拟服务器之间需要大量网络带宽,因此未来几年以太网连接将由10GB发展到100GB,期间可能会短暂经历 25GB、40GB和50GB这几个过渡阶段。在这些大型数据中心之间和/或是向互联网传输这些数据都需要创造性的思维。在脸书的新数据中心网络 [注] 设计中,大批先进的交换机设备向互联网或是城域DCI提供了高达每秒7.68TB的交换能力。Infinera、Ciena和ALU等光纤提供商也开始选 用高密度且成本效益出色的光纤连接,以支持每个数据中心所需的网络级光链接需求。
超大规模数据中心的能力增长使得配置网络带宽对于IT机构来说成为了一项艰巨的挑战。脸书等公司已经表示他们的网络过于庞大以致于无法进行物理配置,而实现(无人工干预的)自动化是他们部署SDN的一个关键目标。
网络级提供商开始推销其超大型SDN网络
在近期召开的开放网络峰会(ONS)和开放网络用户组(ONUG)等会议上,谷歌、脸书和微软的高管详细介绍了他们数据中心和广域网的架构、性能和 规模。其独特的网络环境刺激他们开发自己的SDN软件和白盒交换机硬件。这些研发工作所带来的好处已经随着一些细节情况的公布而开始流向市场。网络级供应 商的目标是以商品化服务器和存储的方式实现大型网络的商品化。
SDN部署的一些细节
· 谷歌利用SDN规则创建了一个中央软件控制堆栈,以管理数据中心内数以千计的交换机,并将它们作为一个统一的大型架构加以管理。他们表示,网络允许100000台服务器在一个数据中心内以10Gbps的速度交换信息,这一能力比过去几年增长了100多倍。
· 脸书通过创建一个FBOSS软件以在网络管理中实现分布式与集中式的混合控制。脸书为此引入了名为Wedge 的Linux架顶网络交换机,其可通过开放计算项目作为一款开源硬件设计。他们的“6-pack”平台为新架构的核心,Wedge则作为基本的构建模块。
· 微软Azure存储与计算的使用量每六个月就会翻一倍,其云平台由分布在全球的22个超级区域组成,主机数量达到了数百万台。其Azure网络需要可自助 配置、可 虚拟化、可分区和可扩展设计,并且可通过商用服务器上的SDN进行交付。微软通过由其内部设计的Vnets和虚拟过滤平台(VFP)实现了将Azure的 数据层作为Hyper-V虚拟网络交换机的功能。
网络级机构一直将他们的SDN创新作为一种关键的竞争优势。在数据中心和广域网内实现高性能、大规模和低延时等特点已经成为了许多大型云提供商的追求目标。网络设计(如配置、自动化和管理)方面的技术发展可能在今后几年将逐步应用到企业级数据中心和广域网中。
好文章,需要你的鼓励
OpenAI、Anthropic和Google的AI代码助手现在能够在人工监督下连续工作数小时,编写完整应用、运行测试并修复错误。但这些工具并非万能,可能会让软件项目变得复杂。AI代码助手的核心是大语言模型,通过多个LLM协作完成任务。由于存在上下文限制和"注意力预算"问题,系统采用上下文压缩和多代理架构来应对。使用时需要良好的软件开发实践,避免"氛围编程",确保代码质量和安全性。研究显示经验丰富的开发者使用AI工具可能反而效率降低。
Prime Intellect团队发布开源AI训练全栈INTELLECT-3,这个106亿参数模型在数学、编程等测试中超越多个大型前沿模型。团队完全开源了包括prime-rl训练框架、环境库、代码执行系统在内的完整基础设施,为AI研究社区提供了高质量的训练工具,推动AI技术民主化发展。
英伟达与AI芯片竞争对手Groq达成非独家授权协议,将聘请Groq创始人乔纳森·罗斯、总裁桑尼·马德拉等员工。据CNBC报道,英伟达以200亿美元收购Groq资产,但英伟达澄清这并非公司收购。Groq开发的LPU语言处理单元声称运行大语言模型速度快10倍,能耗仅为十分之一。该公司今年9月融资7.5亿美元,估值69亿美元,为超200万开发者的AI应用提供支持。
港科大研究团队开发ORCA框架,首次让视频头像具备真正的"主观能动性"。通过"观察-思考-行动-反思"循环机制和双系统架构,虚拟角色能够自主完成复杂多步骤任务,在L-IVA测试平台上达到71%成功率。这项技术突破了传统视频生成只能机械执行预设动作的限制,为虚拟主播、教育视频等应用开辟新前景。