作者:曹图强 思科全球副总裁、大中华区 CTO
一片嫩叶,汲日月精华,沐春秋雨露,汇山水灵性。一朝脱离大树,便需要经过杀青、揉捻、烘干、渥堆、压制等等一系列脱胎换骨的考验,方百炼成茶。再静静地历经岁月,转化出弥久醇香。最后经沸水冲拂,热烈中,舒展沉浮,一吐芬芳。
“禅茶一味”,越是看似简单的东西,越有无比深刻的内容。茶如此,人如此,企业亦如此。
从最初的 “多协议路由器” 到如今的 “万物互联”,过去 30 多年,思科几乎成了 “互联网” 的同义词。思科的软硬件系统承载着全球 80% 的互联网通信,在进入的每一个领域都成为市场的领导者,创造着一个又一个技术传奇。
大浪淘沙。我始终认为,支持思科成功的根本,源于对 “互联网” 本质的深刻理解,以及对 “万物互联” 这一未来发展方向的把握。这两者相辅相成,如同分别握着 “显微镜” 和 “望远镜” 的两只手。“显微镜” 观战术、现本质:明察秋毫、见微知著;“望远镜” 看战略、指方向:高瞻远瞩、洞察未来。
那么,“互联网” 的本质是什么?“万物互联” 又是什么呢?
用中国人的汉字来回答这个问题,最为精辟易懂。
什么是 “互联网”?互联网就是 “网、联、互”。
· “网”:即物理的相互连通,强调的是节点和节点之间的连通,网络就是节点和节点之间的关系的总和;
· “联”:即网络节点是智能节点,要有广义的计算能力,能够处理、存储和发布信息;
· “互”:即交互关系;物理上连通的智能节点之间要在各个层面互动起来。网络建立关系,关系产生价值。
观察思科的成长轨迹,我们可以更直观地理解 “网、联、互”。
· 从创立到今天,思科推出了一系列的路由器、交换机等产品,一直推动着世界的广泛连接——“网”;
· 2009 年起,思科推出了 UCS 和数据中心网络,正式挺进网络计算 ——“联”;
· 32 亿美金收购 WebEx,34 亿美金收购 TANDBERG 等等大手笔,以及对 “云” 的密集部署,都是致力于提高基于网络的交互能力——“互”。
思科不断演进的企业网络、数据中心、协作等产品架构,是“网、联、互”的经典范例。
因此,也可以说,理解了互联网就理解了思科。
如果说过去的思科致力于 “互联网”,现在的思科则致力于 “万物互联”。在思科看来,互联网和物联网(IoT)的未来就是万物互联(Internet of Everything,简称 IoE),就是通过 Internet 连接人、流程、数据以及万物(Networked Connections of People, Process, Data, Things)。
思科倡导的 “万物互联”,几乎成为目前物联网领域出镜率最高的术语了。
同样,用 “网、联、互” 来分析 “万物互联”,又会有怎样的解读呢?
对 IoE/IoT 而言,“网”,这个万物互联的基础,将呈现出更加多样化的格局,新技术、新协议、新方式层出不穷。思科布局低功耗无线技术,6LowPan、LoRA 以及各种工业低功耗无线,正是致力于给 IoE 的应用提供成熟可靠的接入技术和产品。
在“联”的层面上,思科创新性地提出了Fog Computing(雾计算)的概念和架构。未来无论IoE/IoT的智能终端节点的网络拓扑结构如何,这些智能节点都需要通过一个被称为“现场计算”(Field Computing)的网络节点互联到互联网,并进一步联接到云端。这个现场计算的节点,就是雾计算节点。通俗理解的话,可以说 “云在天边,雾在身边”。雾计算在IoE/IoT网络现场,承担着多协议网关以及多业务网关的作用,是物联网中分布式计算和智能的重要组成部分。
最后是 “互”,IoE/IoT 的特点决定了 IoE/IoT 总体架构必定是一个 “云” 架构,“万物” 通过 “雾节点” 接入互联网,并在云端进行丰富的交互。在云端,如此大规模的业务接入,如此频繁快速的业务部署和变化,如此巨量的计算和服务需求,都要求 “云” 本身和“云”网络更加具备 ASAP 特性:Analyze(分析),Simplify(简单),Automate(自动化)和 Protect(保护)。
万物互联,看似复杂实则简单,万物互联就是 “网、联、互”;
万物互联,看似简单实则深刻,万物互联里蕴涵着巨大能量;
未来已来,时不我待。 唯有把握时机,以变应变,以创新促变革。尽管 “路漫漫其修远兮”,我辈将上下求索,永不止步!
万物互联正当时!
思科全球副总裁、大中华区 CTO
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。