至顶网网络频道 综合消息: 6月25日,由Cloud Native Computing Foundation (CNCF) 主办的云原生技术大会在上海举办,腾讯云对外展示自身在边缘计算领域的最新进展,首次公开腾讯智能边缘计算网络平台TSEC(Tencent Smart Edge Connector),其旨在打造运营商5G网络、移动用户和业务之间的连接器,为用户和业务提供可自定义、高质量、差异化的边缘计算网络层服务,实现应用在云、边、端的智能协同。
腾讯云网络总经理、Linux基金会边缘计算董事会董事王亚晨表示:“5G网络的发展将对消费互联网和产业互联网的发展起到巨大的推动作用,其超大带宽、超低时延、高可靠特性不仅可以解决云游戏、VR/AR、超高清视频等C端场景下网络延迟、带宽成本等痛点问题,同时针对复杂的B端场景,5G与医疗、工业、交通等行业的融合渗透,也将带来远程医疗、智能制造、车联网等创新应用。”
腾讯云网络总经理、Linux基金会边缘计算董事会董事王亚晨
作为5G网络重构的关键技术之一,5G边缘计算可将具有高带宽、低时延、本地化需求的业务下沉到网络边缘,为业务和服务创新提供了无限的可能。
据Cisco Visual Networking Index分析预测, 2022年移动互联网流量大约占全球IP流量的20%。这将给全球网络带宽、网络架构、IDC及业务的服务能力带来较大挑战。而据IDC统计数据预测,到2020年将超过50%的数据需要在网络边缘侧分析、处理与存储。
腾讯云在技术、产品、开源方面积极推动5G边缘计算的发展。在技术和产品方面,腾讯推出的智能边缘计算网络平台TSEC,凭借丰富的移动组件和物联组件,使5G网络能力和物联能力能简洁、高效地服务于业务。
腾讯TSEC致力于构建使能5G/IoT网络与业务协同的网络层PaaS服务,具备移动流量分流、移动网络加速、边缘流量转发、移动网络隧道、物联接入控制等核心功能。作为5G网络与业务的桥梁,TSEC丰富的移动组件可以连接移动用户、运营商5G网络和应用,为高价值用户和业务提供可自定义的、高质量的、差异化的边缘计算网络服务,实现应用在云、边、端的友好协同。
另外,腾讯TSEC提供的物联边缘组件,打造面向现场用户侧和物联边缘计算的云端控制、边缘网关与物联网络连接能力,进一步帮助解决物联网数据本地处理、云边协同等问题。
为什么选择腾讯智能边缘计算网络平台TSEC
开源领域,腾讯云正积极推进边缘计算技术、切片技术的开源和合作,打造开放生态。腾讯与合作伙伴在Linux基金会共同发起成立Linux Foundation Edge项目,并担任董事会董事,下设EdgeX Foundry、Akraino Edge Stack、Home Edge、EVE等多个项目。为了更好的推进5G技术在云游戏、高清视频、直播等业务的落地应用,腾讯在Akraino Edge Stack项目中提交面向云游戏、高清视频和直播业务的5G MEC/切片蓝图,推进腾讯TSEC在5G边缘计算和切片技术领域的开源与开放。
值得一提的是,2019年世界移动通信大会MWC上海展,腾讯云将携手合作伙伴,联合展示了基于5G和TSEC的在线即玩、4K超高清的云游戏。游戏玩家无需下载,即可畅玩游戏,享受4K、60帧率超高清体验,推动5G和业务的融合技术验证和发展。
好文章,需要你的鼓励
前谷歌资深工程师David Petrou创立的AI初创公司Continua宣布完成800万美元种子轮融资,由GV领投。该公司开发AI智能体技术,可加入SMS、iMessage和Discord等群聊平台,为用户协作提供智能支持。Continua能够在群聊中自动设置提醒、发起投票、添加日历邀请或生成待办清单,解决群聊混乱问题。公司通过微调技术让AI理解群聊动态,具备社交智能,只在需要时提供帮助。
艾伦人工智能研究院开发的MolmoAct是首个开源的机器人空间推理模型,通过"看懂-规划-执行"三步思考法让机器人具备类人的空间理解能力。它不仅在多项基准测试中表现优异,还支持直观的视觉轨迹调教,用户可直接在屏幕上画线指导机器人行为。研究团队完全开源了模型、代码和数据集,为全球机器人研究提供强大基础平台。
Anthropic宣布为企业客户增加Claude单次提示词的信息处理量,以吸引更多开发者使用其AI编程模型。Claude Sonnet 4现支持100万token上下文窗口,可处理75万词或7.5万行代码的请求,是此前限制的5倍,超过OpenAI GPT-5的40万token。该功能也将通过Amazon Bedrock和Google Cloud等云合作伙伴提供。更大的上下文窗口有助于AI模型更好地处理软件工程问题和长期自主编程任务。
这项由北京大学和清华大学联合完成的研究首次提出时间自奖励语言模型,通过"锚定拒绝"和"未来引导选择"策略解决了AI自学习中的梯度消失问题。该方法让AI既能从过去的低水平样本中学习反面教材,又能向未来的高水平样本学习正面目标,成功维持了清晰的学习对比信号,在多个基准测试中显著优于传统自奖励方法。