本月初,在经历了近五年的试点论证与筹备后,《三网融合推广方案》正式颁布。方案旨在加快在全国全面推进三网融合,推动信息网络基础设施互联互通和资源共享。按照方案的设计,中国的三网融合进程将得到全面而深入的推动。这也就意味着在不远的将来,中国的广电、电信、互联网的界限将变得十分模糊,用户对于服务、内容等选择也会日趋丰富起来。
但是,我们也可以预见,真正实现三网融合不是一朝一夕即可落地的工程。这样的改变意味着三个网络中现有的企业必须从技术上、运营模式上做出彻底的改变。除却利益分配、准入门槛不谈,各个企业如何在技术上使自己真正从三网融合中受益,会成为每个CIO最需要考虑的问题。专注于应用交付领域的F5公司的大中华区总裁黄彦文先生,也分享了自己的思考。
F5公司大中华区总裁 黄彦文
黄彦文先生认为,三网融合实际上最大的受益者,应该是国内广大用户。我们可以设想:未来用户可以通过电视网络使用VOIP甚至可视电话,或是通过电信网络供应商体验IPTV的节目……这样的变化势必给用户更多的服务选择。选择的增多的直观变化一定是价格的下降,是以通过三网融合,用户可以花费更少的费用获取更多的服务。但是对于企业而言,陷入价格战,则往往意味着未来发展的速度会放缓,甚至导致整个行业都陷入恶性竞争的泥沼。
黄先生建议,从IT技术的角度看,面对一个剧烈转型的市场,企业应该更加做好开源与节流的前瞻性规划,只有这样才能在变化到来时,提升自己的核心竞争力。首先,从开源来讲,现在所有的IT服务几乎都是以不同设备上的应用来实现的。单纯的降低价格也许会带来短期效益,但从长远讲,提高用户的体验质量(QoE),才是用户选择一个服务的最大驱动力。三网融合对于企业而言,最大的挑战在于不损失自己在原有行业的优势下,如何结合新领域的特点尽快推出用户认可的应用服务。举例来说,一个网络接入服务商的优势可能在于其已经完善的网络以及基于网络服务的基础架构。但当其要涉及比如IPTV这样的大量内容服务时,由于应用类型的不同,基础架构势必面临着巨大的调整。F5认为,在这个情况下,一个能够无缝扩展、按需扩展的灵活的基础架构,就显得尤为重要。在F5刚刚发布的BIG-IP V12的特性中,F5就强调了扩展性以及混合架构的重要性。如果企业构建一个混合的基础架构,在需要的时候可以在多个数据中心,甚至云与数据中心间无缝部署或者调配资源,那么这个企业就可以更加快速的将一个新的应用测试并推向市场,从而在竞争中先人一步。
黄彦文先生继续表示,节流的需求,其实也是三网融合后,企业的基础架构日趋复杂所致。假设一个广电内容的服务商,三网融合前需要注意的应该是内容的丰富;但在融合后,它在保持丰富内容的同时,还要考虑不同的内容包以适合不同人群,更要考虑如何针对不同设备让用户顺畅的接收到这些内容。更重要的是遇到诸如春节或是大型活动直播时如何满足激增的需求,又不在闲时浪费网络与计算资源。F5的建议是通过应用交付解决方案把企业的计算与网络资源池化,使资源在闲置时可以对核心应用进行补充,从而最大化的盘活资产。实际上,F5在金融与电信行业的双活、多活数据中心的应用实例,已经成功为很多国内大型企业所接受。譬如中国电信江苏分公司,部署双活数据中心解决方案后,灾备中心不仅在需要时可以进行分钟级的容灾,更承担了新业务的真实环境测试、压力测试等功能。这就使企业不再出现空转数据中心,从而做到了投资成本与运营成本双节约。
最后,黄彦文也对三网融合表示了自己的展望。黄先生认为,三网融合是一件利国利民的大事,也是我国步入互联网强国的重要决策。三大网络企业中的CIO们应该从技术角度向业务角度转型,把自己的注意力集中在如何通过IT技术帮助企业创造更多的应用服务上。相信像F5一样,在整个IT生态系统中的各个厂商都能发挥自己所长,使最终用户能够在不断演进的互联网环境中受益。
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。