至顶网网络频道 08月03日 北京报道:由天地互连、下一代互联网国家工程中心主办的“2017全球SDNFV技术大会” (2017.chinasdn.org)于 2017年8月2-3日,在北京国宾酒店火热开幕。在3日下午的大会中,NTT DOCOMO网络创新实验室研究主管Kazuaki OBANA分享了主题为“5G时代核心网的需求和期待”的精彩演讲。
NTT DOCOMO网络创新实验室研究主管Kazuaki OBANA
以下为现场演讲实录:
Kazuaki OBANA:大家好。我想为大家介绍一下5G时代的核心网络的需求还有期待。我想首先为介绍一个大体的状况,毫无疑问,现在我们有很多的需求,比方说我们需要我们更加多样化的服务,再一个,我们需要降低延迟性等等。除此之外,可能最重要的一个需求就是我们需要供应出高质量的产品和服务。而且这种服务需要具有高的效率。而且有我们所需求的特性。这就引出了SDNFV。
大家都知道NFV是非常重要的一个技术,当然了,标准化也是其中,这种标准化对于我们的技术发展来说是很关键的,之前也有很多的嘉宾们都已经提到过了,开源是一个很重要的标准。这种标准化对于整个NFV的发展很关键,除此之外我们就能够基于这种标准来组织一系列的活动。
去年在三月份的时候我们建立了一个商业执行的一种商业的网络,这是世界上最早的商业化网络。是由爱立信所提供的。当然了,爱立信也涉及其中,以及思科公司。这就是我们整体的一个架构,大家可以看一下。介绍了我们整体网络的情况,一共有三层,这对于切片而言,切片也涉及其中这个概念。
下面是我们实现网络的关键驱动因素。第一,云的技术,这是一种虚拟化的技术。毫无疑问这是非常重要的技术。下面就是3GKP技术。我们先看网络切片的概念,这是一种三层的构架,我们一直致力于这种构架的使用跟开发。这个是我们去年的时候所做的PoC。这有些不同,这跟3GKP有所不同,因为3GKP定义了什么是切片,以及如何对此加以管理。PoC的概念则是 更加的基础的一个概念,我们不想要把现状加以过多的改变,相反我们所做的工作是我们加强了整个系统的活力性,它的动态。
下面给大家介绍一下目前的状况,IFA发展状况可以看到我们有不同的切片。再比方说IFA028适用于不同的多样的管理域的。我们在这之后能做的是什么呢,以及我们应该怎么做?尤其在NFA这个切片领域,这个才是我们需要考虑的问题。下面想介绍一下网络切片这个概念的现状是什么。
在这个问题上事实上之前公布了一系列的白皮书,有关于NGM,有关美国的5G等等,随后将会有一系列SDA来开始讨论所谓网络切片的问题,这涉及到3GKP,TM4,ITF等等,但是关于切片的概念以及系统的架构,以及实现这种概念的系统架构,我们需要再做进一步的讨论,下面我们所需要做的就是我们要意识到NFV和网络切片是未来实现网络虚拟化的重要的因素。
所以为此我们需要做的是什么呢?首先在NFV方面我们需要进行说明的间隔的分析,这个是在有关于未来的需求,核心网络的需求,还有目前的NFV的需求。再一个,就是我们需要意识到在网络的切片这个问题上,在所有的SDA方面都是有所需求的。下面我想为大播放一个家视频结束我的发言。
(播放视频)
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。