2017年1月10日,应用交付领导厂商F5公司一年一度的核心媒体沟通会在北京举行。会上,F5中国区总经理张毅强先生、F5大中华区总裁黄彦文先生、F5大中华区技术总监张振伦先生、F5中国区市场总监王学军先生与F5亚太区安全架构师金飞先生分别从各自领域进行讲解,与到场媒体朋友分享了F5公司在过去一年中的成长,以及对2017年应用交付行业发展趋势的展望。
张毅强先生在分享中透露:“F5在过去一年中的表现可谓成绩斐然。在国际领域中,F5再次被Gartner评选为应用交付领域中的领导企业,这已经是F5连续多年获此殊荣。而在国内市场,F5始终保持这两位数的业务增长。这一切,均来自F5核心的应用交付技术对用户需求的高度关注,以及对互联网领域发展趋势的敏感认知。在云、4G以及物联网等技术不断落地的当下,用户使用体验已经成为各个厂商不懈努力的终极目标。在F5公司刚刚发布的最新一期“应用交付现状”报告中可以看到,能否更加快速、智能、安全的部署、导入应用,已经成了用户升级自身基础架构的首要考量。在这一大势下,F5不仅在研发商立足用用户需求,同时在业务拓展的同时,努力打造一个良性的应用交付生态系统。通过与微软、VMware、华为、曙光、听云这样各领域的领导企业展开战略级合作,使我国用户无论在云部署还是在本地数据中心构建时,都可以得到定制化的应用交付解决方案,从而使他们能够更加专注于业务而非IT架构本身。在技术与市场的双重努力下,F5的良好业绩也就变得顺理成章。”
F5大中华区技术总监张振伦先生表示:“应用为王时代已经到来。有数据显示,2016年,中国4G用户已经超过6亿,这意味着移动上网的人群,以及通过移动设备使用各式应用的用户已经接近了我国总人口的半数。此外,另有报告显示,在今天,有45%的企业至少拥有200个应用,而超过1000个应用的企业,也已达到了15%。这些数据充分证明了,现在人们的工作生活,早已与应用息息相关。另一方面,为提升应用交付效率,以及合理控制成本,多数大型企业均采用大型应用与专项小应用并行,或公有云与自身数据中心混合运行模式。在这种复杂场景下,F5赋予用户透明化、可定制且安全的应用管理、交付解决方案就显得十分必要。”
F5亚太区安全架构师金飞先生认为:“应用安全,已经成为现在CIO、CTO们考虑架构升级、或云端迁移时需要考量的首要因素。随着用户对应用的依赖增强,来自应用的威胁会产生的危害也就越大。举例而言,在物联网时代,应用将不仅是一个个运行在设备上的程序,而很有可能就是这个设备本身。假设一个物联的心脏起搏器受到攻击,其危害将变得不可想象。同时,随着联网设备的增多,攻击者发起DDOS攻击的潜在能力也就越大,单纯的硬件型网络设备不可能有效应对这样近乎无限资源的攻击。只有像F5这样深刻了解应用的企业,才能有针对性的甄别流量,并通过软件乃至云的方式调动资源,从而使不法分子没有可趁之机。此外,F5近些年一直致力于应用安全产品系列的研发,已经可以为用户提供针对不同使用场景的端到端的安全解决方案。在应用成为网络流量主要来源的当下,为用户打造面向应用的安全架构,是F5这样专注于应用的企业拓展安全领域的主要方向。这就使得用户更能有的放矢的保护自己核心应用不受侵害,从而直接提高业务延续性。”
F5大中华区总裁黄彦文先生总结时表示:“F5认为云与安全将是应用交付领域的两大趋势。作为这个领域的领导者,F5有能力继续领先、引领趋势,通过不断地推陈出新,使应用真正成为用户顺利面向未来的驱动器。”
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。