30多年来,思科一直深耕基础技术,推动互联网的崛起和发展。如今,技术已成为我们生活密不可分的一部分,并衍生出无数新行业、新企业、新岗位和新体验。我对思科在这些进步中所做出的贡献感到无比自豪。
这些创新推动我们进入一个飞速扩展的时代。展望未来,我相信时代的变革将为我们的客户带来卓越的价值和无限的机遇。但是在实现跨越式发展之前,我们必须要克服一些真正的复杂性和根本性挑战。
思科长久以来都有引领大规模变革的历史传统。我们深知最重要的是:在每一次变革中,我们必须重新思考所做的一切。思科从应用最前沿的技术创新中看到所蕴含着的巨大机遇,这些技术创新包括机器学习、人工智能和高级分析,以及我们运营和定义网络的方式。
在重新构思网络时,我们必须从高度依赖人工且耗时的静态方法转变为能够适应未来需求的方法,这种新方法能够预测需求、洞悉意图并从所有业务相关的数据环境中持续学习。
思科推出新一代网络
基于上述原因,思科面向新时代推出新一代网络,这是当今世界和未来的网络。新一代网络是思科多年来不懈创新的智慧结晶,我相信它将改变整个行业的发展轨迹。
新一代网络造就了一个世界,您可以连接数十亿个设备,几乎可以立即识别它们,知道什么是值得信赖的,什么不可信,并从联接中获取卓越价值。所有这些工作均可在数小时内完成,无需花费数周乃至数月的时间。这一能力前所未有且至关重要,我们认为,它将促使企业更勇于探索全新机遇——因为变化虽大,却也不会那么让人望而却步,同时风险也在降低。
基于意图的网络是新时代的核心,它关注业务成果并推动企业以更快的速度达成预期目标。它是一个目的驱动的网络,未雨绸缪,进而帮助企业更快速、更智能地发展。尽管这一网络的实现依赖于多项技术的支撑,但意图和环境是它得以实现的关键概念支柱。随着企业的发展步伐不断加速,对于这些功能的需求也将与日俱增。
基于意图的网络支持大规模自动化,让企业能够轻松管理以前看似难以管理的一系列设备与技术;基于恰当的环境解读数据,从而使网络为企业提供更有意义的见解;身处行业之中,我们正在打造新一代的技术,如通过语音或手势等与技术进行自然地互动,从而在技术体验中加入更多人性特质。
所有这一切的核心是信任。思科打造的新网络是一个全面集成的统一系统,集智能与安全为一体。思科拥有数十年网络方面的经验,企业可以信任思科所拥有的最佳实践,这些实践将帮助企业实现网络自动化。同时,企业可以信任能够持续自我学习和自我演进的网络,这一网络可以检测出尚未发生的问题,提供切实可行的洞察并自行解决问题。
思科的产品组合全面采用基于意图的方法
在重新构思网络的基础上,思科将意图和环境方面的功能运用到整个思科产品组合中,包括下一代数据中心架构、高级物联网应用、世界一流的安全产品组合、端到端分析产品以及对核心技术的大量投资等。我们致力于打造全新理念,不断挑战极限,以全新方式为我们的客户带来卓越创新。
我们必须转变理念,打造能持续进行自我学习和自我演进的技术。我们认为,基于意图的基础设施将会成为下一个重要的增长机遇,而网络将会成为这一系列全新技术中的重要推动者和加速器。
许多人认为思科正在转型成一家软件公司,但实际情况是硬件、软件和服务对于思科的未来发展以及为客户建立全数字化业务的坚实基础来说均至关重要。在我们宣布如何在企业网络这一核心业务领域进行转变的同时,今天也标志着思科从上至下承诺将全力推动基于意图的基础设施发展的开始。
随着我们开启基于意图的基础设施的新篇章,思科的愿景是构建一个真正安全和智能的平台,推动全数字化业务创造出更加卓越的价值。我们坚信,这将为客户重塑未来奠定坚实基础。(作者:思科首席执行官罗卓克)
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。