至顶网网络频道 03月30日 综合消息: 物联网旺盛的市场需求带动了各类技术的繁荣和不断进步。仅就通信技术而言,除了运营商力推的NB-IoT,还有历史更为悠久的蓝牙、LoRa、Zigbee等,这些技术各有特色,分别适用于不同的场景。不同技术给用户带来了困惑,多种方案并存也带来管理的复杂度激增。近日,无线优科网络公司(Ruckus Networks,以下简称Ruckus)宣布推出物联网产品套件,基于IP网将多个物理层的物联网网络整合成一个单一平台,让企业能轻松地建立安全的物联网接入网络。
Ruckus是一家业界知名的网络设备商,在2016年年初被博科收购前全称为Ruckus Wireless,专注于无线网络设备,去年12月被给ARRIS(主营业务为宽带接入)收购,成为ARRIS全资子公司。
值得一提的是,进入ARRIS后的Ruckus除了原来的无线业务之外还带来博科的网络交换机产品线,这可能也是其更名为Ruckus Networks的重要原因。此次是Ruckus首次正式对外发布物联网套件。
“在我看来,进入物联网是我们现有业务的一个自然延伸。因为之前通过WI-Fi, 我们解决了视频、语音、数据的连接,接下来就该连接物品了。”Ruckus Networks中国区技术总监聂小云告诉至顶网记者,而具体路径就是依托其在WI-Fi领域的技术积累,把蓝牙、LoRa、Zigbee还是NB-IOT都整合到IP网络,统一进行管理。
“现在的物联网方案有很多网络,比如,蓝牙有蓝牙的网络,LoRa有LoRa的网络,Wi-Fi有Wi-Fi的网络,Zigbee有Zigbee的网络……不同网络成为一个个孤岛,相互是隔离的,部署成本非常高,信息共享非常困难。”聂小云说。
Ruckus的方法是在Wi-Fi网络中加入IoT模块以后,变成统一的接入网络。这是因为Wi-Fi网络是企业的标配,几乎无处不在。
聂小云透露,虽然现在才有物联网套件推出,但Ruckus其实早就有所准备,几年前Ruckus的无线AP中就预留了一个USB的接口,通过这个接口可以接入各种IoT的模块,比如可以是蓝牙的、Zigbee的,也可以是LoRa和NB-IoT。一旦接入,这个AP也就成为物联网的一个接入设备了。
“从原理上来讲,这里可以插任何厂家的模块,只要有驱动就可以。我们自己生产了一个模块,现在这个模块支持蓝牙和Zigbee,后面下半年会有LoRa。”聂小云说。
据悉,Ruckus 物联网套件(IoT Suite)包括如下组成部分:
Ruckus IoT-ready 接入点(AP)——容纳Ruckus物联网模块的接入点,为Wi-Fi和非Wi-Fi物联网终端建立多种标准的无线接入;把非互联网协议的终端通信转换为互联网协议(IP)。
Ruckus IoT模块——可连接上Ruckus IoT-ready接入点的无线电或无线电感应装置,能根据低功耗蓝牙(BLE)、Zigbee和低功耗远距离无线传输(LoRa)协议等不同标准连接终端。
Ruckus SmartZone控制器——为无线局域网和物联网接入网络提供单一管理界面的无线局域网控制器。
Ruckus IoT控制器——与Ruckus SmartZone控制器同时部署的虚拟控制器,为非Wi-Fi装置提供连接、设备和安全管理功能;促进终端协调,提供北向应用程序接口(API)为整合分析软件和物联网云端服务。
聂小云解释说,把物联网网络纳入IP网的一个明显好处是,这个AP可以给AC管理控制的,对于物联网设备的运行状态可以进行全面监控,比如看它是不是在线、现在状态如何、耗电如何等。
“多个孤岛式的物联网降低了用户体验,也降低了运营效率,Ruckus的物联网套件能提供一个统一的管理平台,不仅解决了不同通信技术的整合,还为公有和私有云创造了一个开放的应用程序接口(API),使合作伙伴们可简单、安全地进行整合。” 聂小云说。
聂小云透露,Ruckus IoT套件将于2018年第二季度上市。
好文章,需要你的鼓励
香港中文大学与华为诺亚方舟实验室合作开发了PreMoe框架,解决了大型混合专家模型(MoE)在内存受限设备上的部署难题。研究团队发现MoE模型中的专家表现出明显的任务专业化特征,据此提出了概率专家精简(PEP)和任务自适应专家检索(TAER)两大核心技术。实验证明,DeepSeek-R1 671B模型在精简50%专家后仍保持97.2%的MATH500准确率,内存需求降至688GB;而更激进的精简方案(减少87.5%专家)也能保持72.0%的准确率。该方法适用于多种MoE架构,为强大AI系统的广泛部署铺平了道路。
SCIENCEBOARD是一项开创性研究,旨在评估多模态自主智能体在真实科学工作流中的表现。研究团队构建了一个包含169个高质量任务的基准测试,涵盖生物化学、天文学等六个科学领域,并开发了一个真实环境让智能体通过CLI或GUI接口与科学软件交互。实验评估表明,即使是最先进的模型在这些复杂科学任务上的成功率也仅为15%,远低于人类表现,揭示了当前技术的局限性并为未来科学智能体的发展提供了宝贵见解。
帝国理工学院的研究团队开发了AlphaMed,这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型,无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响,研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩,甚至超越了更大的封闭源模型,同时展现出自发的步骤推理能力,为医疗AI发展提供了更加开放、高效的新路径。
Alita是一种新型通用AI代理系统,采用极简设计理念,以"最小预定义,最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita,只配备一个核心能力和少量通用模块,能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示,Alita在GAIA基准测试上达到87.27%的通过率,超越包括OpenAI Deep Research在内的复杂系统,证明简约设计可带来卓越性能。