我们看到,目前很多企业在做IT架构升级时都会把目光投向新技术领域,如SDN、云,以及虚拟化等等。但在利用这些新技术同时,大部分企业往往比较谨慎,会先评估以往业务与新IT架构之间能否实现高效联动。这也是很多新技术,如SDN没有迅速在企业中没有得到普遍部署的一个重要原因。
瞻博网络公司大中国区总裁林小平为论坛致辞
在近期召开的瞻博网络创新论坛上,瞻博网络大中国区技术总监王栋认为,“在目前企业部署SDN的过程中,明确需求、寻找痛点远比SDN技术本身更为重要,而最了解需求、痛点和用例的非自身莫属,即便是最亲密的合作伙伴,也不可能准确洞悉企业的需求。”
就目前SDN市场的发展来看,呈现出厂商积极推动、用户被动响应的一种局面。对此,王栋也表示,“如果用户不能总结自己的业务痛点,那么在开源系统下供应商可以知道用户的问题,就有能力帮助用户解决;但是如果既不能对供应商开放系统,又不能发现自己的问题,事情就比较难解决。”因此,王栋建议企业应该自觉主动地行动起来,定义自身用例,让合作伙伴更好地提供方案,而不是简单的去要求产业提供成熟的解决方案。
而出于对上述原因的考虑,要想推动SDN尽快在企业中得到部署,这就又回到了我们最初的目的:SDN是否能解决目前企业业务中所存在的种种问题?所以,要部署SDN,首先要找准业务痛点。
王栋表示,“瞻博网络的产品涵盖路由器、交换机和防火墙等,具有100多种功能,但是很多客户可能只使用了其中几个个功能,没有完全调动起来盒子潜力。而网络应用需求层出不穷,很难一次性解决所有问题,瞻博网络认为70%-80%的用例可以通过供应商的SDN平台予以解决,但是20%的东西需要供应商与用户共同定义。”
王栋还表示,瞻博网络的产品涵盖路由器、交换机和防火墙等,具有100多种功能,但是很多客户可能只使用了其中几个个功能,没有完全调动起来盒子潜力。而网络应用需求层出不穷,很难一次性解决所有问题,瞻博网络认为70%-80%的用例可以通过供应商的SDN平台予以解决,但是20%的东西需要供应商与用户共同定义。
因此,瞻博网络认为,对业务的二次开发也非常重要。出于这种考虑,王栋也表示,“瞻博网络期待与客户在网络设备基础上进行DevOps做好二次开发和编程的相关工作,以在充分调动网络设施潜能的同时更加充分地满足用户需求。”
从全球形势来看,目前国外尤其是北美市场的DevOps进展较快,已经出现了很多实际案例。对此,瞻博网络亚太区资深产品总监马绍文表示,从瞻博网络自身来看,作为供应商最重要的是尽量遵循国际标准,支持各种各样的开放标准,满足不同用户对于业务编排的需要。
从这方面来看,瞻博网络对此已经在全球范围内积累了很多成功经验,在国内为OTT和运营商提供了很多定制化的解决方案。瞻博网络全球工程院院士伍昌鸿表示,“下一步将在美国的研发人员与中国的客户之间搭建一个平台,邀请美国的顶级专家与中国客户进行知识和经验的分享,将DevOps的实战经验引入国内。同时,瞻博网络目前还在与众多合作伙伴沟通,以获得更多的DevOps技能。”
而谈到创新,瞻博网络也有自己的独到思路,伍昌鸿表示,“我们会从合作伙伴、客户那里学到很多新的DevOps技能,并把这些好的思想、方法应用到瞻博网络的路由器等产品中,更好地服务客户。从技术的角度看,像BIER Multicast、EVPN等是当前的技术热点。我们会通过这些新技术的使用,改进和优化客户的网络,帮助它们增强核心竞争力。”
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。