ZD至顶网网络频道 12月10日 南京报道:2015年12月10-11日,由中国工程院、中国南京市政府共同主办,江苏省未来网络创新研究院(FNII)与下一代互联网工程中心(BII)承办,备受瞩目的2015中国未来网络发展与创新论坛在南京召开。
华三通信的副总裁王玮
华三通信的副总裁王玮在论坛的演讲中讲到,2015年应该说是一个未来网络的实践年,特别是在SDN、NFV上做了大量的实践,这里我们取得了很多重要客户的一些成果,比如说在阿里巴巴淘宝网实现最大的成果,2015年实现最大的SDN网络,支持了2万余台物理服务器,40多万台虚拟服务器,这是整个的网络规模提供了8个核心路由器,700余台交换机的大规模,应该是比较领先的SDN成功的实践。
除了在互联网行业,我们还有成功实践是在银行业,工商银行。当时工商银行云计算的规划中提出了三个要求,三个任意要求,任意服务器,任意基架支持任意应用,我们荣幸跟工商银行合作,提供了虚拟化的大型的二层虚拟化网络,为客户提供了安全的服务。除此以外我们还有很多非常多的实践这里就不一一列举了。那么总结2015年的实践,我们发现IT业感觉到IT变革的压力。我们从企业变革来讲,那么IT也感受到压力,我们感觉到国家在互联网+的压力,企业如何向互联网+变革,如何互联网+金融,企业如何做产业互联网,那么这都提出了对整个企业的CEO提出IT变革的要求。
大数据、大互联、大安全、云计算四个场景
基于此我们提出了我们怎么来事业未来企业业务变革的需求,因此我们提出了大数据、大互联、大安全、云计算四个场景。今天我们提出场景也没有深入思考,这个能解决企业未来IT的思考,今天上午听了李院士说到了一个概念,计算机人在做抽象化,网络人在做协议,我们正好做了实践,基于这四个场景实现了抽象化。我们试图把我们的IT应用抽象为四个场景,我们通过SDN技术把抽象化的场景部署到互联网或者我们协议化的网络中去,我们提出未来网络要适应四个场景。
实现场景化:融合+可定义化
那么怎么适应四个场景呢?我们提出我们的网络怎么去变革,那么我们觉得这个网络变革第一个变革是基础架构要实现融合化,也就是说我们的基础架构。所以我们公司通过资本合并从过去网络供应商,成为网络安全加技术加服务的供应商,未来技术架构实现计算和网络安全的融合,网络和存储的融合技术,这是第一个技术架构我们要融合化,提供完整的全方位的技术架构。
第二个提供可定义化,软件可定义。应该说是实现了面向四个场景的大安全、大互联、大数据、云计算,实施面向四个场景的可定义化的部署。这里面我们引用了一棵大树,它构建了我们的模型。它上面结的果实是我们四个场景,云计算、大数据、大安全、大互联四个场景这个一系列的IT应用。我们可定义的软件定义的场景化的未来网络就是大树粗壮的枝干,它一方面来支撑我们这些丰富的应用,并且为这些应用提供充足的资源,最下面这层这些根就是我们称之为的泛连接,就是PC连接、服务器连接,逐渐向工业互联网连接,向移动化连接的转变,我们希望这棵大树可以为我们的IT或者未来互联网的发展提供丰硕的果实。
最后,王玮讲到,华三的理念就是未来的网络应该是大互联,大就是场景化,互就是可定义,连就是泛连接。现在是人和人的连接,未来我们认为可能这个连接将成为人与物与设备的连接。展望未来应该说我们在几年前我们定义了SDN、NFV技术,就像今天上午邬江兴院士提到的六面体的魔方,但是我们还不知道怎么玩,2015年今年一年我们利用这个魔方玩出了一些游戏,我们实现了软件定义。
展望未来,王玮希望未来的网络是一个智慧的网络。为什么是智慧连接的网络,因为未来网络可以支持我刚刚提出的四个场景,支持未来的应用,真正构建给客户提供面向应用的可定义的网络,就像我刚刚介绍的那棵大树一样结出丰硕的果实。希望我们的未来网络是开放、合作的生态圈,正如企业和所有的机构学校一起来发展构建整个中国的未来网络。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。