至顶网网络频道 03月21日 国际消息: 近日Facebook对外公布了一个名为Fabric Aggregator的分布式网络系统,该系统用于扩展其区域内数据中心结构之间的网络容量。
Fabric Aggregator设计使用了简单和开放的构建模块——例如Wedge 100,Facebook的架顶式网络交换机,以及FBOSS(基于Linux的操作系统),这种设计提供了快速调整容量所需的灵活性。
Facebook在一篇博客文章中解释说,因为要修建第12个数据中心,并且要把原来位于Papillion、Nebraska的两座建筑扩展至六座,所以需要具有一定的灵活性。Facebook的数据中心覆盖范围正在不断扩大,以适应更多沉浸式内容,例如实时视频、360度照片和虚拟现实。
为了提供更高的灵活性和操作简单性,Facebook为Fabric Aggregator开发了一个布线组装单元,该单元模拟底板在经典机箱设备中提供的功能。换句话说,这个单元提供了Fabric Aggregator构建块之间的互连。
Facebook在博客文章解释说:“通过这种方法,我们可以扩展容量,互换构建块,并随着我们的需求变化快速更换电缆组件。”
Facebook设计了四种不同的布线配置,并通过Open Compute Project开放了这种设计。
同时,Fabric Aggregator节点(复制带宽单位以满足聚合层的总体需求)实现了两层交叉连接体系结构。下层负责切换区域传输流量(东/西),而上层负责切换往返这些区域的传输流量(北/南)。
Facebook在博客文章中称:“我们将该解决方案分成两个不同的层,这使得我们在流量需求发生变化时,能够添加更多的子交换机,从而单独扩展东/西和南/北的容量。”
Facebook解释说,这种构建块的方法可以在子交换机或节点级运行,提供了灵活性和安全性。“Fabric Aggregator层可能会同时发生很多故障,而不会影响网络的整体性能。”
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。