至顶网网络频道 11月22日 综合消息: 11月15日,浪潮思科网络战略发布会在北京举行。浪潮思科网络总经理兼CEO张海涛、CTO周牧出席现场,发布三个“100+”发展战略及基于SDN技术的研究成果,来自海内外的200余位顶级专家学者、客户代表,共同见证了此次盛典。
浪潮思科网络科技有限公司总经理兼CEO张海涛
浪潮思科网络科技有限公司(以下简称浪潮思科网络)是浪潮和思科共同成立的合资公司。公司的成立可以追溯到2015年9月西雅图第八届中美互联网论坛,当时双方签署战略合作框架协议,此后历经14个月商谈后于去年11月11日成立并正式运营。
此次发布会正好是公司成立一周年之际,在大会上,浪潮思科网络总经理兼CEO张海涛介绍了公司成立一年以来的发展历程。
“感谢合作伙伴和用户的支持,过去一年里,我们取得不错的成绩,完成了12款产品的上市,浪潮思科网络的产品已经在21个云中心为客户的应用提供支撑,同时实现了中央政府采购全线入围,成功将服务范围覆盖至政府、能源、交通等众多领域。”张海涛在演讲时表示。
对于一个刚成立一年的公司能取得这样的业绩实属不宜。除了合作伙伴和用户的支持外,张海涛认为这份成绩的取得与公司对技术创新的坚持紧密相关。
“思科是全世界至今为止网络领域最领先最成功的公司之一,技术的先进性毋庸置疑;而浪潮能够服务于客户最重要的因素就是产品,技术也是产品备受认可的关键因素。比如,浪潮两万多名员工里,其中52%的员工是技术人员,这些人员承载了我们在技术研发、工程服务等等各方面的工作。”张海涛表示,秉承这两家公司优秀DNA的浪潮思科网络始终坚持技术创新,不断推出技术领先的产品。
浪潮思科网络取得上述成绩第二原因在于对客户的关注。张海涛介绍说,浪潮过去的20年里,面向互联网、金融、交通、公安等等行业用户建立起来了一支行业的团队,包括行业专家队伍、技术服务队伍,对客户的业务发展提供全方位的支撑。通过这些,一方面积累了服务于客户的经验,另一方面也为浪潮的产品创新提供了最基础最直接的动力——就是来自客户的需求。
今天的企业正面临数字化转型的压力,也越来越依赖于IT,与此同时,企业面临的网络环境越来越复杂,这就需要更智能、更自动化的网络产品。
“今天的客户提出了越来越多的要求,包括根据客户需求按需加载;网络在无线、有线、传输网、数据网之间的无缝连接;数据网、光纤网等等不同网络的融合等。而且,除了对网络最基础的设备提出了更快、更强、更大带宽的要求外,同时还提出了设备要更灵活、更智能等要求。”张海涛说。
针对当下市场的需求,浪潮思科网络定位于:除了基于传统网络产品为客户合作伙伴提供高质量、高性价比的网络产品的解决方案,同时将重点面向软件定义网络,面向开源,开发新一代的面向大型数据中心、面向企业网的网络设备。
浪潮思科网络CTO周牧对此定位进行了进一步的解释。他表示,SDN是当今网络技术发展的大趋势,也是浪潮思科网络作为后来者弯道超车、在中国做本地研发、自主可控产品非常好的契机。而选择开源则是因为当我们越来越离不开网络的时候,就越希望网络可被信任,开源软件就是一个开放透明的平台,基于它可以打造一个可信的网络。同时,只有借助开源这个开放透明的平台现在我们提的很多理念,比如云计算的按需应用才能更有效的落地。
在会议现场,CTO周牧还带来最新基于SDN技术的研究成果——浪潮智能云引擎SDN控制器和基于该引擎的CN6000系列等多款数据中心交换机。据悉,该引擎基于SDN/ODL开源平台进行开发和优化,以保证最佳商用性能,从而提供以云为基础的高性能服务平台,帮助用户构建一个开放的、弹性的、大规模的数据中心网络设备。
谈及未来,浪潮思科网络CEO张海涛透露,公司未来将继续坚持本地研发、本地制造、本地服务和本地定制的四大基本原则,并且确立了三个“100+”目标,即在100个地市找到100个核心的地市合作伙伴,树立100个以上的核心客户。张海涛说,接下来浪潮思科网络要深耕政企领域,下沉至地市级市场,努力发展合作伙伴实现共赢,希望借助网络市场发展的新机遇,助力浪潮在IT基础设施、云、数据中心、智慧城市和大数据等在内的领先技术服务,推动中国信息化的发展建设。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。