至顶网网络与安全频道 06月22日 综合消息:慧与公司旗下的Aruba近日推出业内首款 AI 驱动的云原生平台 Aruba ESP(边缘服务平台),该平台建立在 AIOps、零信任网络安全和统一架构基础上,提供跨网域数据的持续性分析、跟踪 SLA,识别异常情况并进行自动优化的平台,同时监控网络上的未知设备以确保设备安全。Aruba ESP旨在为网络边缘提供云体验,可作为云服务或本地服务使用,也可由Aruba合作伙伴提供托管服务,抑或通过HPE GreenLake获取相应服务。此外,Aruba还提供了 HPE 金融服务,客户根据自身预算和运营要求灵活购买该服务平台。
科技领域近20 年的重点是提供无处不在的移动性,之后逐渐转向基于云的应用程序。如今则步入了由计算和现代网络支持的,由物联网、人工智能和自动化驱动的数据化时代。因此,企业在网络边缘会生成大量的非结构化数据,要将这些实时数据分析转化为有意义的行动,关键是要在人、设备和万物连接到网络的起点——也就是我们所说的“边缘”——对这些数据进行分析和处理。
Aruba ESP三大“硬核”,驾驭未来智能边缘
利用边缘的非结构化数据需要通过网络遥测技术、利用人工智能,以远超人类能力范围的速率和体量对这些数据进行处理。这需要一种由AI驱动的具有“第六感”的基础设施,以提前识别潜在问题,精准制定解决方案,并实施自动化的操作,整个过程无需人工干预。Aruba ESP提供了一个本地或云端的单一云原生平台,基于以下核心原则对企业网络给予全面的保护并对基础设施进行统一管理:
发布会上,Aruba 总裁及联合创始人 Keerti Melkote表示:“智能边缘是一种催化剂,为那些将技术投资作为最要资产,并且希望以此加速转型和确保业务连续性的组织与企业创造了无限可能。可以说,Aruba ESP是Aruba多年技术创新的结晶。同时,来自客户的中肯反馈和建议帮助我们将它打造成为一个更加完美的智能的网络方案。”
Aruba ESP 背后的创新“黑科技”
Aruba ESP 是目前业界可扩展性最高的全栈云原生平台,适用于有线网络、无线网络和 SD-WAN 环境,整合多种网络元素以实现集中管理和控制。Aruba ESP 基于Aruba 的基础架构进行了优化,采用开放标准,可与第三方的解决方案与服务进行集成。这些重大创新还包括:
詹姆斯·库克大学的高级基础架构工程师 Ron Gardner 说:“我们的大规模网络跨多个校区和学习中心,这些区域运行着性能要求十分严格的应用程序,以保证师生和研究人员的互通互联与高效工作。Aruba Central 和 ArubaOS 的增强功能可在简化网络运维的同时减少设备占地面积,并从云端管理大型校园网络和分布式位置,最终,我们能够在问题干扰网络正常运行之前主动发现并解决它们。”
休斯顿大学信息技术网络管理员 Brandon Stratton 表示:“鉴于基础设施的规模和边缘产生的海量数据,我们需要一种可以对网络进行自动识别、修复和微调的方案。Aruba 基于人工智能的专业解决方案,比如 NetInsight,带来更实用的方法,帮助我们进行分析并根据此采取行动。”
据悉,为了满足组织快速变化的业务和技术需求,Aruba 增加了采购的可选方案,包括通过 Aruba 的 HPE GreenLake获得服务,通过 HPE 金融服务购买具有灵活采购方案的 Aruba ESP等举措。例如,客户只需在合同生效后的8 个月内每月支付合同总价值的 1%,即可获得相应的技术方案,剩余的 超过90% 的费用可推迟到 2021 年支付。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。