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
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。