未来世界是构建于网络上的世界,那么未来网络是什么?该如何构建?4月17日,在南京江宁未来网络小镇召开的2017全球未来网络发展峰会上,新华三集团总裁兼首席执行官于英涛应邀出席主论坛,就此问题发表了演讲。
本次峰会由中国工程院、南京市政府主办,以“创新合作共赢,引领未来发展”,汇聚国家相关部委领导,全球未来网络领域著名专家,国际顶尖大学的领军人物,全球运营商、网络设备制造商、互联网企业和资深专家,共同交流未来网络发展前沿技术,探讨未来网络发展应用空间。
新华三集团总裁兼首席执行官于英涛发表演讲
新IT战略——助推数字经济发展
在主题为“应用驱动未来网络变革”演讲中,于英涛表示,云计算、大数据、物联网、人工智能等新IT技术的发展,促使国家信息化发展战略从2015年的“互联网+”、2016年的“新经济”发展到今年的“数字经济”,后者可以说是中国新经济时代的具体表现,涉及城市管理、行业变革和民生服务等诸多领域。归纳其内在的逻辑,核心就是数字化转型,由技术创新和应用创新双轮驱动的数字经济发展。在这一背景下,新华三提出“应用驱动,云领未来”新IT战略,通过云平台、大数据、大互联和大安全技术支撑,让应用驱动IT的云化,推进数字经济未来发展。
数字经济时代是万亿联接的时代,要实现从人与人到物与物互联的升级与转变,面临着诸多挑战:如应用联接千变万化,如何实现网络智能承载?从“人与人”到“物与物”,如何统一“万物语言”?于英涛认为,构建未来网络要从全面云化、软件定义、场景化定制、生态链建设等要点着手。
大会现场
应用驱动+万物互联 新华三把脉未来网络
“未来网络是数字经济的神经系统”于英涛表示,新华三从两个方面建设未来网络:应用驱动——利用SDN/NFV开展网络重构;万物互联——通过IOT技术赋予万物生命。对此,新华三已推出应用驱动网络AD-NET解决方案,包括AD-WAN(应用驱动广域网)、AD-MAN(应用驱动城域网)、AD-DC(应用驱动园区网)、AD-EC(应用驱动边缘计算)、AD-Campus(应用驱动园区网)、AD-IoT(应用驱动物联网),新华三希望让网络更加柔性和可扩展,并借助IOT技术联动各个层面,实现万物互联的泛连接网络,在一个统一的万物互联网上承载各种不同的业务和应用,根据用户场景化需求定制解决方案,共建网络发展生态圈,推动数字经济快速健康发展。
作为未来网络的领先者与最佳践行者,新华三在SDN/NFV技术的落地方面已经拥有了丰富的实践经验,规模服务与BAT、招商银行、30多所211/985高校、三大运营商、中国网联数据中心等高端用户。,同时新华三还积极参与行业标准测试,荣获ONF中国首批OpenFlowV1.3一致性认证证书、顺利通过中国泰尔实验室测试,实践证明,新华三已成为未来网络最有力的推动者。
“引领新IT,助推新经济”是新华三发展的核心诉求。于英涛表示,未来,新华三将通过持续的技术和应用创新,完善的服务以及全面的生态合作,支撑各行业用户的网络建设与变革需求。同时,依托紫光集团,新华三愿意通过包括资本合作在内的各种形式,与业内领导厂商、优秀的Startup公司合作,一起共建未来网络,为中国数字经济的发展贡献自己的力量。
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。