2017年10月12日,北京 —作为阿里云十月在杭州云栖大会的合作伙伴,思科与阿里巴巴集团(以下简称阿里巴巴)展开深入合作,凭借其新一代数据中心交换网络的创新科技,助力阿里巴巴成功打造性能卓越、业界领先的新一代数据中心,有效推动网络可视化和智能化发展。这一不断更新迭代的数据中心将成为中国互联网行业平台的典范,并且持续释放云计算与大数据的无限潜能,赋能互联网经济的极速发展。
云和产业数字化是打造科技和生态相结合的智能社会的基础。阿里巴巴集团旗下的阿里云作为全球领先的云计算及人工智能科技公司之一,为200多个国家和地区的企业、开发者和政府机构提供服务。阿里云致力于以在线公共服务的方式,提供安全、可靠的计算和数据处理能力,让计算和人工智能成为普惠科技。
安全的网络云架构是互联网经济生成和成长的摇篮,互联网时代数据的计算、存储、应用正在改变商业的发展模式和人们的日常生活。计算正逐步渗透到各行各业,与数据一起为各个产业提供巨大的引擎动力。随着众多客户、以及各种规模和要求的业务迁移到阿里巴巴的云平台上,作为云平台支撑的数据中心网络成为了万众瞩目的关注点,数据中心的网络运维能力则成为云平台竞争力的一个重要组成部分。在安全的云网络架构上,如何实现阿里巴巴所有商业活动中计算的经济价值,已经成为企业发展的首要任务和构建不断扩大的商务生态系统的关键。
思科作为全球科技领导者,凭借对未来数据中心发展趋势的领先洞察以及优质可靠的科技创新产品,为阿里巴巴深度定制了数据中心架构。经过全面考虑,阿里巴巴选择思科作为其数据中心架构的主要供应商之一,双方携手开启了合作之旅。
思科通过架构灵活性,助力阿里巴巴数据中心提高敏捷性并简化运营。思科为阿里巴巴25G数据中心架构部署了Nexus 9000系列交换机,以多种规格提供历经验证的高性能、高密度、低延迟和出色的能效。Nexus 9000系列交换机采用突破性的Cloud Scale ASIC技术,在思科NX-OS软件或以应用为中心的基础设施模式下运行,符合传统或全自动数据中心网络的部署需求。目前,阿里巴巴25G数据中心已经完成了规模部署,思科长期研发投入带来的价值显而易见。
在现有数据中心架构基础之上,在国内外顶尖技术研发人员的支持下,阿里巴巴数据中心目前已经快速迭代到25G/100G第二代的架构。作为阿里巴巴新一代数据中心交换网络的技术合作伙伴,思科在技术上采用16nm FF+工艺的第二代CloudScale芯片,紧密配合阿里巴巴技术迭代,3.6T和6.4T单芯片数据中心定制交换机在提高性能的同时,能够逐步降低能耗,实现性价比的线性提高。此外,随着业务的多元、热点的不同、以及底层支撑系统的演进,流经阿里巴巴新一代数据中心的海量数据给相对静态的物理网络带来了新的挑战。在思科的技术支持下,阿里巴巴的网络规划运维部门结合大数据和人工智能的技术,对网络流量、网络性能指数的数据进行实时采集和分析,通过算法来发现、处理和优化网络,真正赋予了前沿技术崭新的内涵和外延。
思科全球副总裁,大中华区首席技术官曹图强表示:“在全数字化转型浪潮中,思科始终把握着技术更新迭代的脉搏,帮助企业通过科技创新获取发展源动力。此次,思科非常高兴能够与阿里巴巴集团携手,共同进行中国互联网行业数据中心的创新尝试。未来,双方将继续在数据中心互联、流量可视化、网络感知等方面通力合作,不断为全球互联网经济发展赋能。”
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。