在2016年,随着服务器提供商和企业争相开发相关硬件和软件来提高网络灵活性,SDN部署预计会增加。
根据研究公司HIS最新调查显示,在数据中心首次部署SDN或扩展SDN应用的云计算和通信服务提供商的数量将会从2015年的20%增加到2016年60%。与此同时,企业部署率预计会从6%增加到23%。
也就是说,这些公司将会花费更多钱在SDN部署上。根据HIS调查显示,数据中心和企业LAN内以太网交换机和SDN控制器的收入将会从2015年14亿美元增加到2019年的122亿美元。在后面这个数据中,交换机将占82亿美元,SDN控制器将占40亿美元。
SDN软件市场竞争激烈
在2016年,硬件开支增加将有望受惠传统网络供应商,例如思科、瞻博网络和惠普企业。但软件市场预计将会给其他供应商提供更多机会。
根据HIS表示,预计将有多达45%的服务提供商试图使用开源技术用于编排软件、SDN应用和控制器。而转向虚拟化供应商或第三方获取SDN相关软件的企业数量预计将达到39%。
HIS研究主管Cliff Grossner表示:“对于交换机之外的软件,其他供应商还有很多机会。”
Gartner公司分析师Andrew Lerner表示,如果支持者们可以将主要标准倡议整合到单个平台,开源将会开始腾飞。如果想要与领先的专有SDN框架(例如思科的应用为中心的基础设施以及VMware的NSX)相竞争,供应商们需要移除使用开源技术所存在的障碍。
现在有些供应商可以简化开源技术的使用,包括Red Hat和Mirantis—他们正在围绕OpenStack构建SDN平台,还有Brocade,该公司正在围绕OpenDaylight开发SDN产品。
Lerner称,从最开始就基于开放技术构建的SDN平台可以实现某些SDN的承诺,例如跨平台的可移植性。如果SDN要成为新的网络方式,则需要这种创新,而不只是渐进式的改进。
同时,思科和VMware之间的竞争可能会加剧。在2015年年底,思科领先于VMware,1100名ACI客户与900名NSX用户。但这种局面很容易改变。
Lerner称:“我们看到这两家供应商势均力敌。”
SD-WAN提供投资回报率
在2016年,企业可能通过部署软件定义WAN从SDN部署获得最高的投资回报,因为SD-WAN将流量从昂贵的MPLS连接转移到更便宜的宽带,这显著降低了传输数据的成本。
在2011年,Sno-Isle Libraries部署了Talari Networks公司的SD-WAN设备来虚拟化该机构的WAN—支持着跨美国华盛顿州各地区的21家社区图书馆。
Sno-Isle Libraries利用Talari的技术使用成本较低的消费级宽带来取代其MPLS网络,该机构信息技术经理John Mulhall表示,这每年帮助降低40万美元的成本。
“取代MPLS网络是大胆的举动,”Mulhall称,“但有时,你必须这样做,只是从财务的角度来看。”
截至2015年年底,10000到15000家分支机构在使用SD-WAN,Lerner称:“我估计在2016年这个数字会增加两倍。”
这个火爆的市场将会吸引很多新的初创公司,在2016年这些公司总数可能会达到三十几家。到今年年底,较大型的供应商会开始收购最有前景的新供应商,市场逐渐会整合。
而在整个SDN市场,整合已经开始进行。在2015年,4G LTE供应商Cradlepoint收购了SDN供应商Pertino,惠普公司在拆分为两家公司(惠普企业和惠普公司)之前收购了ConteXtream。随着初创公司失去吸引力以及大型供应商收购创新的初创公司,这种趋势很可能会继续下去。
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。