应用性能公司Riverbed日前震撼推出一系列软件定义解决方案,旨在加速云优先及数字化转型战略,这已成为当今数字时代企业成功的关键因素。
数字化转型正在推动着各行各业的变革,同时由于云和移动技术的普及,也正在加快数字化转型成为企业战略的核心。尽管如此,仍然有许多企业还在使用传统网络架构,还没有符合数字化网络和应用的基础设施,这将会使数字化转型举措搁浅。尽管IDC预测数字化转型将每年增长,到2019年将实现2.1万亿美元,但实际上,60%的数字化转型举措会因缺少战略性架构到2017[1]年将无法继续实施。此外,云和终端用户的移动性正在创造混合IT模式,使管理复杂,维护成本增高,这还包括大多数员工所在的分支机构和客户访问和购买商品的地点。
为应对这些挑战,Riverbed 发布了全新方案,帮助企业实现从传统硬件向新型软件定义的云网络方式转型,改善终端用户体验,促进企业数字化转型举措的全面实施。此次Riverbed推出的产品包括:Riverbed Cloud-Ready Branch,一款软件定义的云就绪方案,提供IT所需的部署和管理所有分支机构的简单、灵活、可扩展的方案;SteelCentralSaaS,结合SteelCentral Aternity,可提供不同设备之间云及非云、及新型终端用户体验管理的全面可视化;以及新款云和虚拟化版本 的SteelFusion。
Riverbed 主席兼CEOJerry M. Kennelly表示:“Riverbed在几年前就 预见到 网络和应用基础设施转型的必要性,并在公司内部或通过收购进行了战略技术投资, 同时深入与领先云及服务提供商的合作,促进我们应用性能平台的发展,满足当今数字化企业的需求。现在,我们在软件定义时代带来了软件定义架构,并将基础设施扩 大和深入到云以及所有终端用户。这些解决方案将为我们的客户,同时为Riverbed和我们的合作伙伴创造更大的市场机会。”
IDC的Bob Parker也谈到, “Riverbed 率先提供了战略性的软件定义架构, 实现现有网络、性能监测以及边缘IT基础设施的现代化。企业只有采用一种更全面的方法才能以理想的速度进行创新和发展,并按所需规模提供数字服务;同时保持自己的核心业务和关键任务运行的安全和盈利。”
微软Azure网络企业副总裁YousefKhalidi指出:“今天的企业正在继续借助混合云的优势, 在成本不断节约、 速度不断加快以及规模效应中获利,同时又可以灵活地将工作负载在公共云与私有云之间调度。企业必须拥有这种灵活性,才能够从云服务和数字转型中获利。Riverbed 持续创新,通过提供应用定义和软件定义解决方案,实现云时代的智能网络。”
Riverbed为数字化转型推出软件定义方案
Riverbed 今天发布的新型解决方案扩展了RiverbedApplication Performance PlatformTM(应用性能平台),提供了企业在云时代和数字时代取得成功所需的灵活性、可视化与性能。通过利用这个平台,企业能够提供应用和数据,能够通过任何网络向所有终端提供各种公共云、私有云或混合云服务。
Riverbed科技与市场领先地位
此次发布延续了 Riverbed在市场上的发展态势,此前,Riverbed于2016年1月收购了SD-WAN(软件定义广域网)解决方案领先提供商Ocedo公司,7月收购了终端用户体验(EUE)和应用性能监测方案提供商Aternity公司。通过自身发展和战略性收购,Riverbed拓展了与全球最大的云服务企业和云服务提供商的关系,拓展了强大的渠道和合作伙伴生态系统。Riverbed 同时提升了自身技术和市场领导地位,为客户带来面向21世纪及未来网络架构的根本性转变。
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。