2018年11月14日-16日,由下一代互联网国家工程中心主办,南京市江北新区等单位支持对“GNTC全球网络技术大会”在南京火热开幕。作为全球规模最大的网络技术盛会之一,本届GNTC通过2场全体大会、7场技术峰会、1场测试活动及GNTC Awards颁奖典礼多项特别活动,汇集来自20个国家、50余个国际组织、150多位技术专家,为现场超2000位现场观众奉上一场精彩绝伦的网络技术盛宴。
GNTC2018全球网络技术大会现场
代际跃迁,网络技术革命加速到来
当前,全球互联网发展已进入“大航海时代”,网络的触角和边际不断被拓宽,用户需求空前膨胀,而这都得益于先进网络技术的强大支撑。同时,伴随着数字经济的蓬勃发展,现有网络架构及由此构建的技术体系在安全性、可控性、扩展性等方面面临一系列重大挑战,构建可持续发展、全面支撑经济社会不断向前的先进网络基础设施已经成为当务之急。
在此背景下,一场以开放融合、代际跃迁为特征的网络技术革命正在加速到来。IPv6、SDN、NFV、5G、人工智能、云、物联网和边缘计算等先进网络技术快速创新,各种网络技术项目及开源组织迅猛发展。以此为基础,一张更加安全可靠、可管可控、性能超前的先进网络呼之欲出。而这样的先进网络,也必将为我们带来一个颠覆性的网络新时代。
为全面推进网络创新与升级,“GNTC全球网络技术大会”上,一系列环节与活动相继展开。其中,由南京市委常委、江北新区党工委专职副书记罗群与下一代互联网国家工程中心主任刘东共同揭牌的“下一代互联网国家工程中心南京创新中心”成为备受瞩目的焦点之一,这也标志着下一代互联网产业升级的新篇章的开启。
中国工程院院士、中国互联网协会理事长邬贺铨在全体大会上以新型移动网络5G为例,提出先进网络将是网络与计算的深度融合,同时适应大数据的传输,并在此基础上融入人工智能等技术,带动全产业技术创新。
中国工程院院士、中国互联网协会理事长邬贺铨在GNTC发表主题演讲
立足当下,网络智能化与云网融合成热点议题
在全球网络技术变革的背景下,为应对网络、业态及用户需求的复杂性,全球运营商、企业、互联网公司等都在寻求破解之道,网络智能化、云网融合、网络重构等全新思路在大会期间不断被提及与讨论。
本次大会上,包括阿里云、H3C、华为、Dell EMC、英特尔、IP Infusion、Ixia 、联想、锐捷、中兴、神州数码、Marvell等众多企业,IPv6 Forum(全球IPv6论坛)、Linux基金会、ONF(开放网络基金会)、MEF(城域以太网论坛)等国内外组织机构,中国移动、中国联通、中国电信、NTT Docomo、PCCW等全球运营商,Facebook、LinkedIn、AWS、微软、阿里巴巴、腾讯等知名互联网企业,在本次大会的演讲或展示环节,都在就万物互联时代的复杂网络挑战给出各自的应对之道。
美国国家工程院院士、斯坦福大学教授Nick McKeown在发言中表示,先进网络技术将向可编程、软件化演进,无论是我们现在用的硬件交换机,还是支撑数字世界运转的网络芯片,改变现在、持续创新将是未来的发展方向。
美国国家工程院院士、软件定义网络(SDN)之父Nick McKeown在GNTC发表主题演讲
全球协同创新,“先进网络国际创新中心”启动建设
互联网在飞速发展中承载了人们越来越高的期望,而先进网络基础设施的构建因此变得愈发重要。为加速全球先进网络的布局,下一代互联网国家工程中心联合全球业内专家、各大网络技术组织及业内企业,共同开启“先进网络国际创新中心”。
先进网络国际创新中心主任、下一代互联网国家工程中心主任刘东发表演讲
先进网络国际创新中心主任、下一代互联网国家工程中心主任刘东在启动仪式上强调:“未来‘先进网络国际创新中心’将立足于全球,专注于先进网络技术的研究、标准、推广、应用等,探索新模式、推广新技术、培育新业态,协同全球顶尖技术组织,汇聚国际人才,广泛开展技术合作,共同推动先进网络产业创新发展,造福世界。”
好文章,需要你的鼓励
这篇研究揭示了大语言模型强化学习中的"熵崩塌"现象——模型在训练早期迅速失去探索能力,导致性能达到可预测的上限。研究者发现验证性能和策略熵之间存在精确的数学关系:R = -a·exp(H) + b,并深入分析了熵变化的内在机制。基于这些发现,他们提出了两种简单有效的方法(Clip-Cov和KL-Cov)来缓解熵崩塌问题,显著提升了模型性能,特别是在困难任务上。这项研究为大模型强化学习的规模化应用提供了关键指导。
Skywork OR1是昆仑公司AI团队开发的开源推理大模型,通过创新的强化学习方法显著增强了语言模型的推理能力。该研究基于DeepSeek-R1-Distill模型系列,采用名为MAGIC的训练方法,在AIME24、AIME25和LiveCodeBench三大基准测试中实现了显著性能提升,32B模型平均准确率提高15.0%,7B模型提高13.9%。研究团队通过系统研究策略熵崩塌现象,提出了有效的缓解策略,并开源了全部代码、数据和模型权重,为AI社区提供了宝贵资源。
上海交通大学研究团队发现多模态大语言模型中的"啊哈时刻"(自我反思模式)虽存在但并不意味着推理能力提升。他们提出了"冷启动强化学习"两阶段方法:先用监督微调建立推理模式,再通过强化学习优化。实验表明,这种方法在多个多模态数学推理基准上表现卓越,使3B参数模型达到接近甚至超越部分7B模型的性能,为增强多模态AI推理能力提供了有效路径。
MBZUAI研究团队开发的SVRPBench是首个模拟真实物流环境的随机车辆路径问题基准测试平台。它通过建模时间依赖的交通拥堵、概率性延误和客户特定时间窗口,为500多个包含最多1000客户的测试实例注入真实世界的不确定性。实验结果显示,先进的强化学习算法在分布变化时性能下降超过20%,而传统方法表现更为稳健。该开源平台通过GitHub和Hugging Face发布,旨在推动更适应现实世界不确定性的路由算法研究。