技术行业一直以“微创新”和“重大创新”周期的方式运行着。微创新每个小时、每天、每周或每年都在发生。但重大创新周期大约为二十年。每二十年就会有一个庞大而基础性的变革。它不仅改变了我们的行业,还通过所有其他企业和行业来改变我们的工作、生活和娱乐方式。我们正在进入下一个重大创新周期。
从70年代中期到90年代中期,大型机终端和主机模式是进行业务创新的平台。 IDC称其为第一个创新平台。而第一个平台所使用的网络是专用线路和SNA。
二十年后,在90年代中期,我们开启下一个重大创新周期。第二个创新平台是客户端 -服务器以及局域网/广域网。因此,我们转向IP网络。当然,所有IP网络中最知名的是互联网。1995年,大约有互联网用户1600万,网站(但无法在线交易)2700个,移动用户不超过1亿……尽管大多数的连接采用拨号方式,但是移动设备无法连接到互联网。
但在未来20年里,互联网将改变各个行业。
如今,云计算、移动、社交和大数据让我们看到第三个创新平台的崛起。而且,这一平台所带来的压力和机会将再次改变一切。 Gartner表示,每个业务都将数字化。这一切需要一个新的网络来支持它。旧IP不是为第三平台而设计的,难堪重负。我们需要一个新IP。
如今,互联网用户达到20亿,在线交易网站10亿个,爆炸级数据的移动用户。我们从连接地方转为连接人和物体,几十亿甚至万亿个物体。这些物体也会产生和使用数据。而且您要保存、管理、移动并分析数据。
阿里巴巴或者百度等云运营商的创新速度以及低交付成本与传统运营商和IT部门之间拉开了很大的相关性差距。最终用户每天都会绕开他们直接从云端购买IT服务和应用。用户对自助服务、交付和创新步伐的期望越来越高。但网络和IT架构已经过时,而且从来没有考虑满足这些需求。
这种相关性差距导致了越来越高的压力。但是,如果您的预算仅够支持维护现有网络,没有余钱……更没有重新设计它的时间。随着创新移向云或是能在虚拟化基础架构上快速迭代的小型开发运营团队,您的事业可能停滞。您希望成为业务创新和价值的驱动因素。您希望满足用户不断变化和不断增长的需求,并提供自助服务工具,从事如今云服务商所做的工作。那么旧的体系结构让您的梦想难以实现甚至无法实现。
20年前,我们并没有预测到一切事物位于云端、应用虚拟化、万物移动化、物联网还有大数据。而且我们也从没有想到黑客和安全问题。
旧IP曾经为我们提供令人难以置信的优质服务,我们见证了它的优雅和弹性。我们并不需要抛弃它、远离它。我们需要用基于20年来的经验教训和动力建立新IP。我们需要为这个时代、为数字业务,也为第三平台的需要以及独特的压力来设计新IP。
新IP
什么是新IP?新IP就是针对现代化世界重新构想旧IP,旨在满足云计算、移动、社交和大数据的需求。新IP包括硬件和软件。而且它拥有业务和技术优势。
让我们比较一下我们如今的成就和新IP的承诺,然后说说这种转变所带来的优点和影响。
旧IP基于封闭的专有系统,创新周期受到定制硬件的限制,需要手动配置网络资源并且很困难。安全性是螺栓式的,互操作性是通过标准实现,厂商是生态系统的中心,成本很高,并且创新很慢。
新IP基于开源,采用商品硬件和商用芯片,并自动配置网络资源和自助服务。安全是内置的,互操作通过开放API实现,客户是生态系统的中心,资本支出和运营支出更低,创新与业务发展同步。
新IP还带来一些令人惊奇的事情。
新IP是一个基于您的时间和条件而建立的现代化网络。(文/博科中国系统工程师总监张宇峰)
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。