为了成为一个一应俱全的物联网基础设施提供商,思科将不得不在软件上下大功夫,以做到软硬兼备,不断的变革仍是其最大的挑战。
日前,思科CEO Chuck Robbins向媒体展示了思科最新的合作伙伴和物联网技术。在Robibins看来,仅仅是靠卖作为互联网基础的硬件,物联网潜在的财富将超过数十亿美元。
“我认为这(IoT)比第一波互联网还要强烈,且的确如此。”Robbins如是说。
确实,根据IDC报告显示,到2020年,全球IoT市场将会从去年的6558亿美元增长到1.7万亿美元。一部分预计收入将来自于像思科这样销售交换机 和路由器这样的公司,直接与物联网设备联通,包括智能手表、电视、家用恒温器、制造机器人、医疗设备、石油和天然气管道等。
不过更多的财富等着提供IoT软件的公司来挖掘,比如分析大量数据用于商务智能,Robbins说道。且对于客户来说有价值的将是能够发现和阻止网络攻击的技术。
思科计划包揽这些——硬件、分析以及安全。不过Forrester分析师Andre Kindness称,目前该公司还没有显示出它可以开发顶级软件分析和安全的能力。
“我不确定他们是否真正理解软件端,可以足够快地完善所有建设,”Kindness说道。
如Kindness所说,对于思科来说建设速度是非常关键的,因为思科面临着很多以软件为核心业务的竞争对手,比如Amazon、谷歌。
思科在IoT软件方面所做的努力
为了尽快完善其软件建设,思科向开发者开放其网络设备。去年,该公司开始着手DevNet项目,让网络工程师和开发者一同构建软件。
日前,思科推出DevNet实验室项目,旨在吸引DevNet社区以外的开发者加入到进来一同开发软件。
这都是思科通过收购扩展其软件方面能力所做的努力。早在2013年,思科以27亿美元收购安全公司Sourcefire。同样是2013年,为了启动软件定义网络平台建设,思科染指其附属公司Insieme Networks。
鉴于还要构建IoT、云计算和安全产品,思科的疯狂收购还远没有结束。“我们还将继续进行收购,”Robbins说道。到今天思科的收购已超过190起。
为了见证其在交付物联网技术方面取得的进步,思科介绍了一系列的合作伙伴,其中包括机器人制造商FANUC。合作伙伴建立一个平台,能够分析机器人的行为,在宕机前发现麻烦。
该系统正在FANUC客户(包括汽车制造商通用汽车、高科技制造商Flex)使用的1800个机器人上测试。在过去的六个月中,FANUC客户通过避免宕机节省了3800万美元,根据Robbins的说法。在今年年底,FANUC计划扩展到2500个机器人进行测试。
另外一个合作伙伴是施耐德电气公司。两家公司共同构建了一个软硬兼备的系统,来监控石油和天然气管道中可能造成破坏的潜在问题。
这种强势联合代表了思科在与大型技术供应商打交道方面的优势,不过他们不太可能与像Amazon、谷歌这样的互联网公司进行合作,Kindness说道。后者善于打破商业模式,因而该行业的主流技术提供商们不愿向其开放软件。
“思科拥有政治和地缘优势,”Kindness说道。
比如,在2014年,谷歌以32亿美元收购了智能恒温制造商Nest,帮助该互联网巨头立足智能家居市场,使谷歌一举成为其他设备制造商的有力竞争者。
Robbins认为IoT是思科自1990年起最佳的增长机会。当然,为了真正能做大做强,新的CEO还需要完成Chambers已经开始着手的举措——将思科向软件公司进行过渡。
好文章,需要你的鼓励
OpenAI发布ChatGPT新功能Pulse,可在用户睡眠期间生成个性化报告,提供5-10条简报帮助用户快速了解当日重要信息。该功能旨在让用户像查看社交媒体一样优先使用ChatGPT。Pulse首先向每月200美元的Pro订阅用户开放,未来计划扩展至所有用户。功能支持连接Gmail、日历等应用,可解析邮件、生成日程安排。报告以卡片形式展示,包含AI生成的图像和文本,涵盖新闻摘要、个性化建议等内容。
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。
AI平台公司Clarifai发布新推理引擎,声称能让AI模型运行速度提升一倍,成本降低40%。该系统采用多种优化技术,从CUDA内核到高级推测解码,能在相同硬件上获得更强推理性能。第三方测试显示其在吞吐量和延迟方面创下行业最佳记录。该产品专门针对推理过程优化,特别适用于需要多步骤响应的智能体和推理模型。
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。