物联网、云计算和网络安全三大技术变革正在推动市场快速发展,而全数字化转型进一步促进了这种发展趋势。这一全数字化转型浪潮不断对网络提出更高要求,技术就绪性(包括网络就绪性)是企业进行全数字化转型的主要障碍。Gartner相关数据显示,未能将网络视为战略投资的企业在全数字化业务转型中失败的概率将提高至三倍。由此可见,是否拥有正确及具有前瞻性的网络将决定企业能否在全数字化转型中取得成功,否则将被竞争者所取代。网络是让IT和业务协调运行的关键桥梁,它能够不断增强和保护所有IT和业务流程,并提供洞察力。
作者:思科全球副总裁,大中华区首席技术官 曹图强
基于此,思科凭借三十多年来深耕网络领域的丰富经验、最广泛的产品组合和最贴近客户的前瞻洞察,于2017年6月推出了面向全数字化时代的基于意图的网络。基于意图的网络能够捕获和解释企业对网络的意图,自动分解意图并执行意图,然后根据情境收集和解释数据以确保企业的网络按预期运行。2018年1月,思科发布全新精准的预测性分析和保障功能,进一步推进为全数字化业务重塑网络的战略。在过去一年中,思科已经帮助众多客户开启了向基于意图的网络转型的旅程:我们打造了面向园区接入网络的软件定义接入架构(SDA)、面向广域网(SDWAN)的基于意图的网络,提供了跨企业园区、数据中心和广域网的网络状态感知,并且帮助客户在多个IT和安全域之间协调、交换和执行策略并确保其成效。
思科基于意图的网络采用一流的产品、集成的架构和深度智能,彻底改变企业一直以来所采取的繁琐耗时的手动网络管理方法,因而广受全球客户的好评。但与此同时,客户也对思科提出了更高的要求和期待:如何利用网络进一步解放生产力,如何让网络与业务产生更高的相关性,以及如何为第三方网络架构提供支持并简化异构网络的复杂性。为帮助客户切实解决这些需求,思科在刚刚结束的Cisco Live 2018上,推出第三轮基于意图的网络创新,将DNA中心建成一个开放、灵活的平台,使得企业可以依靠思科DNA中心来实现各项全数字化业务计划,充分释放网络的潜力,从而按其期望的方式自定义网络,并且无论现在还是未来都能持续满足其使用需求。
此次发布标志着思科率先打造了业界首个基于意图的开放性网络平台——DNA中心平台,能够跨园区、广域网、分支机构提供“东西南北向”的360度可扩展性。该平台借助超过100个API、SDK和适配器,充分利用网络所能提供的全部分析和洞察能力,使企业的开发人员可依据其自身优势和需求,灵活自如地对该系统进行编程,实现更高的安全性、更快的操作和更个性化的体验:
这些创新充分释放了网络作为全数字化业务平台的潜力,将为客户带来以下独特价值:
思科致力于打造能够持续地自我学习、自我调整、自我保护的新一代网络,此次发布无疑是思科在迈向“基于意图的网络”这一恢弘愿景过程中又一重要里程碑。思科已经将其不懈的创新从产品上升到系统,又上升到平台层面——思科DNA中心成为值得企业信赖的开放性网络平台,能够帮助其简化运营并在当前和未来实现创新。思科将携手经验丰富的广大生态合作伙伴,为其提供简化当前服务的机会,并通过将DNA中心与其自身或第三方的技术和系统集成,共同创造全新服务和具有更高价值的解决方案,助力客户释放关键创新和业务发展的无限机遇。
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。