本周在美国德克萨斯州达拉斯举行的Cisco Partner Summit 2017大会上,思科首席执行官Chuck Robbins面向数千位合作伙伴阐述了思科的数字化和渠道战略。
Robbins登上合作伙伴峰会舞台
Robbins表示:“有5大关键因素,是我们需要共同努力的,来帮助客户为他们未来数年制订数字化战略奠定基础。只要我还在这里,合作伙伴就一直是、且仍将是思科的核心。”
下面就让我们来看看Robbins谈到的,合作伙伴需要关注的5大基本要素。
安全是基础
安全是基础
我们必须首先确定安全架构。没有人会建造一个房子,一年之后才给门上锁。所以你必须提前就架构好。你必须搭建一个具有安全性的架构,覆盖云,覆盖网络,覆盖终端设备,拥有一套定期更新所有修补程序的策略。这是一个机会,让我们共同构建的架构通过将每天我们看到的200亿个威胁关联起来以提供安全性,然后能够在端点、在云端、在网络中进行防御。所以我们和客户要做的第一件事情就是打造安全战略。
重构网络
重构网络
市场分析公司IDC表示,到2020年我们每小时会在互联网上增加一百万的新设备……为了满足我们所有人的需求,网络必须是与今天完全不同的。我们必须重构网络,我们必须让网络更简单、可编程、可扩展,对我们的客户更加敏捷;这就是我们今年夏天所做的发布。这是我们在这个新时代重构网络的开端,包括能够利用业务意图的能力——了解业务希望实现什么——并将这一意图和策略运用于网络。过去几年我们有数千位工程师致力于重新编写核心企业操作系统的代码,成为一个现代的、数据驱动的API架构,以便我们能够做到这一点。所以你通过自动化强化你的意图,然后我们想获得上下文信息,因为“如何让技术变得更加直观”这个整体概念,所以会从中进行学习。这是通过对基础设施的分析,Tetration [Analytics],我们的安全产品组合,我们的Talos Threat Intelligence、AppDynamics——我们一直在学习和了解网络中正在发生着什么。
拥抱多云的世界
拥抱多云的世界
上周,我们联合首屈一指的网络级云提供方Google Cloud,围绕网络功能的集成、Kubernetes开放云平台的安全能力进行了重要公布。这种晕是多云的。我们的客户正在试图掌握很多SaaS应用,不管是HR系统、CRM系统、还是从多个云提供商那里购买的云服务,但他们仍然有自己的私有数据中心。现在,数据在边缘位置呈现爆炸式增长。所以现在“云”已经成为客户正试图管理的一系列复杂分散的技术资产。对于合作伙伴来说这是件好事,因为我们需要帮助他们解决这个问题,因为跨这个环境从边缘(数据爆炸正在发生的地方)到公有云、到SaaS应用、到私有数据中心、再到移动工作者,共同点就是网络。
释放数据的能量
释放数据的能量
有如此多数据在边缘生成。必须快速处理从这些数据中获得价值,这就是为什么你会看到我们正在投资新的技术,我们的访问产品中有通用计算能力,可以帮助合作伙伴的客户在网络边缘更有效地管理他们的数据。
我们将帮助合作伙伴的客户利用我们在网络中提供的所有分析能力,例如数据中心中的Tetration,今年夏天发布的Network Intuitive,我们公布了多个网络数据平台,这样合作伙伴就可以从企业基础设施中获得分析,在广域网中,Talos拥有大量威胁情报和分析功能,然后还有AppDynamics——将所有这些汇集到一起,让合作伙伴可以帮助客户从跨网络移动的数据中获得洞察。所有这些都旨在帮助客户更快速地获得业务成果,这是他们的终极目标。
员工和客户体验
员工和客户体验
所有这些都是为了帮助客户向他们的员工和他们自身的客户提供更好的体验。我看到了很多有趣的统计数据:我们中有2/3的人在移动设备上安装了应用之后将其删除。因为我们是有期待的,如果不喜欢这个应用,我们知道还有其他的选择。所以我们就会删掉它,寻找下一个应用……想想我们客户的期待,以及他们自身客户的期待。更不要说他们的员工了。现在 有一个令人难以置信的人才竞争环境,我们所有员工都期待与你合作的时候有一个难忘的体验。通过我们的协作架构,我们将如此多的东西带入了生活中。这就是我们上周收购BroadSoft的原因之一,是为了继续帮助我们的客户提供至关重要的员工体验和客户体验。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。