作者:Scott Harrell,思科全球高级副总裁、企业网络事业部总经理
二十多年来,企业运行网络的方式几乎没有任何变化。但在最近,这种传统的网络运行方式变得越来越困难、互不关联且非常昂贵。现代网络需要实现更高的集成度,并具备更高的灵活性。
为此,我们在一年前启动了思科史上最为雄心勃勃的对网络的重新思考:我们推出了基于意图的网络产品组合思科全数字化网络架构(DNA)、及其核心控制软件DNA中心。通过将有线、无线和广域网设备视作统一架构的一部分,我们为IT提供了一种更简单便捷、更经济高效的方式来控制其企业最具价值的资产,即网络基础设施。
DNA中心使得网络运营商能够在其整个网络中,对业务需求和安全威胁进行快速响应。这意味着他们不必依赖于耗时的手动工作流来对基础设施的每一部分进行变更。
最近,思科推出了DNA状态感知(DNA Assurance),它能够针对网络上发生的一切事情、以及之前发生的事情,提供极高可视性和深入洞察。当有问题需要解决时,它能支持网络管理员及时回溯,确切地查看用户或设备遇到问题时具体发生了什么。这使得故障排除与修复与现在相比能够实现不可思议的高速度,并且更具前瞻性、能够先发制人。
现在,DNA中心是一个开放平台
现在,思科正面向开发人员开放网络架构本身。DNA中心的全新开放平台功能意味着,思科合作伙伴和客户可以使用它所提供的各种功能强大的全网自动化和保障工具。通过将网络转变为可编程平台,他们将更高效、更安全地运行IT和业务应用,为其员工和客户提供更出色的体验,并从网络收集的数据中挖掘最大价值。
全新网络平台的第一个用途将出现在IT应用领域。IT服务管理系统ServiceNow已经集成到DNA中心,可在DNA中心检测到网络问题时自动开单,并提供丰富洞察。其后,ServiceNow可批准DNA中心执行修复步骤。DNA中心和ServiceNow结合使用,能比单独的系统更快、更准确地完成相关问题的处理。
思科合作伙伴正在为诸如软件映像更新(埃森哲)、电源管理(Presidio)、物理安全(Italtel Netwrapper)、第三方设备供应(HCL)以及其他IT解决方案等工作创建服务。
思科基于意图的网络平台构建在DNA中心之上。
它使客户和合作伙伴无需直接对设备进行编程,即可开发以网络为中心的应用。
随着更多客户了解到DNA中心的功能,其适用性将会扩展到业务线应用领域。例如,全新平台功能将呈现网络设备的位置数据,这可用于显着改进物流工作。在医疗领域,人员和设备的位置数据可用于拯救生命。
欢迎更多创新想法
思科很自豪能够向我们的客户开放这一丰富且宝贵的资源。但是基于意图的网络仍处于演进的初期阶段,我们希望帮助人们了解(并创造出)新的方法,使他们的资产能够更好地为其企业服务。思科DevNet计划便是专为这一目的而创建。目前该计划已经汇聚了50万名开发人员,我们将会不断增加资源来帮助每个人成长。思科自己的服务部门也在竭力帮助业务领导充分利用这一全新的DNA中心平台。
DNA中心的全新平台功能基于一种灵活的架构,能够通过其控制功能和数据,帮助企业建立全新的工作流程。我们无法预测到人们将会在此基础上进行的所有创新。但思科一些早期合作伙伴所做的事情,已经让我们感到无比震撼。
DNA中心是思科迄今为止最雄心勃勃、最灵活的平台。它体现了思科30年来对网络中所有领域的深入了解,与客户和合作伙伴之间建立的所有丰富关系,以及我们的工程师对于网络近期发展趋势的愿景。我们希望,它能够为您带来重要价值。
好文章,需要你的鼓励
埃森哲投资AI零售平台Profitmind,该平台通过智能代理自动化定价决策、库存管理和规划。研究显示AI驱动了2025年假日购物季20%的消费,约2620亿美元。部署AI代理的企业假日销售同比增长6.2%,而未部署的仅增长3.9%。Profitmind实时监控竞争对手价格和营销策略,并可创建生成式引擎优化产品文案。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
日立公司在CES 2026技术展上宣布了重新定义人工智能未来的"里程碑式"战略,将AI直接应用于关键物理基础设施。该公司与英伟达、谷歌云建立重要合作伙伴关系,并扩展其数字资产管理平台HMAX,旨在将AI引入社会基础设施,变革能源、交通和工业基础设施领域。日立强调其独特地位,能够将AI集成到直接影响社会的系统中,解决可持续发展、安全和效率方面的紧迫挑战。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。