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首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。