至顶网网络与安全频道 10月29日 综合消息:在2019 PT展开幕之前,华为面向中国市场正式发布自动驾驶网络解决方案Autonomous Driving Network(ADN)和iMaster智能运维系列产品,助力电信业迈向以人工智能为核心的自治网络,通过开放架构“给网络以智能,给客户以平台”,加速运营商数字化转型。华为将持续创新并推动AI与电信网络的深度融合,全力支持中国运营商引领全球5G,携手产业伙伴共同共创5G辉煌未来,成为中国数字经济增长的新动能。
与4G网络相比,5G网络在传输速率、传输时延、连接规模等关键指标上有质的飞跃,从而可以支撑更加丰富的业务场景和应用,也给运营商带来了新挑战。首先,5G引入了Massive MIMO、分片等复杂新技术并将长期与4G网络并存,给网络运营和维护带来了挑战。其次业务不断加速创新,其他行业的数字化转型要求大幅增强网络灵活性,对网络智能化程度要求越来越高。最后是成本压力,例如中国拥有全球最大的4G和5G网络,迫切需要更为精确的节能减排技术。
本次发布会,华为ICT基础设施运维与平台管理主任、公共开发部总裁鲁鸿驹重点发布了自动驾驶网络解决方案ADN旗下iMaster智能运维的四款产品,包括面向MBB和FBB的自动驾驶网络管控单元iMaster MAE和iMaster NCE,跨域智能运维单元iMaster AUTIN,以及基于华为公有云服务的iMaster NAIE网络人工智能单元。鲁鸿驹指出:“全新推出的iMaster MAE和iMaster NCE将全面替代传统网管系统,帮助运营商从以网元为中心的人工运维转变为以意图为中心的单域自治,使能网络运营的全生命周期自动化和智能化。同时iMaster AUTIN将全球160+网络运维服务,1500+网络保障服务的运维经验固化为知识资产,通过开放平台帮助运营商加速运维能力和人才转型,提供跨域业务预测、预防性维护和重大网络变更智能辅助等能力,大幅降低无效上站上门。最后依托业界首个面向网络的开放AI使能系统iMaster NAIE,从云端不断给自动驾驶网络注入更强的AI算法,可大幅提升AI开发效率,同时基于一致的推理框架实现网元AI、网络AI和云端AI的垂直协同,让网络越用越好用,越用越聪明。” 本次发布会中,广东电信、河南移动、内蒙古联通也分享了运营商5G时代网络运营与运维中面临的挑战、应对思路以及在自动驾驶网络领域与华为联合创新的实践成果。
由于电信网络的复杂性,自动驾驶网络的演进将是一个长期的过程,华为通过在设备层、网络层和云端全栈引入人工智能技术,采用“单域先行和跨域聚焦价值场景”的思路快速推进,目标与产业在未来3年共同迈向L3级的有条件自动驾驶网络。当前,单域自治已经取得了诸多进展和应用。在FBB领域最早推出的iMaster NCE,面向智简5G承载、品质专线和品质宽带三大场景全球已规模部署100+套。在MBB领域,iMaster MAE面向5G正在与20多家运营商积极开展商用试点。在跨域场景,在中国通过与河南移动、内蒙联通、广东电信开展ADN整体解决方案的一阶段联合创新并部署验证了智能故障场景,实现了从告警到故障的2个数量级智能压缩,大幅减少无效上站。最后,iMaster NAIE华为云服务自2019年4月开始公测以来,已累计发展5000+用户,与20+家运营商、生态伙伴开展联合创新。华为将坚持“把复杂留给自己,把简单带给客户”的理念,让网络化繁为简,因智而易。
好文章,需要你的鼓励
CloudBees首席执行官Anuj Kapur表示,AI可能重新测试DevOps的基础假设,但警告不要为追求效率而创建黑盒代码。他指出,一些因担心错失机会而匆忙采用AI生成代码的客户正开始放缓步伐,变得更加谨慎。Kapur认为,将整代软件外包给提示工程将创建非人类生成的黑盒代码,虽然效率高但质量、测试覆盖率和漏洞问题值得担忧。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
数据网络安全公司Rubrik宣布收购AI初创公司Predibase,交易金额在1-5亿美元之间。Predibase专注于帮助企业训练和微调开源AI模型。此次收购将使Rubrik用户能够通过Amazon Bedrock、Azure OpenAI和Google Agentspace等平台加速构建AI智能体。这是继Salesforce、Snowflake等公司之后,又一家通过收购来增强AI智能体技术栈的企业。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。