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
2025年人工智能在企业中实现突破性应用,从实验阶段转向实用阶段。八位代表性CIO分享核心经验:AI工具快速进化、需保持快节奏实验思维、重视工作流程而非组织架构、数据质量成为新挑战、采用前瞻性指标管理项目、无需等待完美时机、AI既是技术也是社会文化现象、需严格项目管理、变革重在人员而非技术、多智能体架构成未来趋势。
这项由加州伯克利分校等机构联合完成的研究开发了MomaGraph系统,首次实现了机器人对空间关系和功能关系的统一理解。该系统通过强化学习训练,能够同时识别物品位置和操作方法,并具备状态感知能力。在综合测试中达到71.6%准确率,超越同类开源系统11.4%,在真实机器人平台上验证了实用性,为智能家庭机器人的发展奠定重要基础。
日本科技投资巨头软银需要在年底前筹集225亿美元,以履行对AI合作伙伴OpenAI的资金承诺。软银是OpenAI价值5000亿美元Stargate数据中心计划的主要资助者之一。为筹集资金,软银CEO孙正义可能动用多种手段,包括利用其持有的英国芯片设计公司Arm股份作为抵押贷款。软银已清仓英伟达股份为该项目提供资金,目前可通过Arm股份借贷115亿美元,还持有价值110亿美元的T-Mobile股份及270亿美元现金储备。
MIT研究团队提出了突破性的双向归一化流(BiFlow)技术,通过训练独立的逆向模型替代传统的精确逆向过程,解决了归一化流方法架构受限和推理缓慢的核心问题。该方法采用创新的隐藏对齐策略,让逆向模型学习高效的生成路径,在ImageNet数据集上实现了高达697倍的速度提升,同时将图像质量提升到新的技术水平,为生成模型领域带来了重要的思路突破。