提供安全、人工智能驱动的网络领导厂商瞻博网络(NYSE:JNPR)宣布与Zenlayer (www.zenlayer.cn) 深化合作伙伴关系,帮助其进行数据中心网络升级,助力该全球化的边缘云服务提供商实现快速业务增长,更好地践行其通过软件定义平台为全球提供快速网络连接和杰出数字用户体验的愿景。
Zenlayer是全球领先的边缘云服务提供商,企业可通过Zenlayer的平台在用户附近部署应用程序并改善其数字体验。Zenlayer在全球6大洲180多个节点提供边缘计算、网络以及应用程序和动态加速的服务。从业务增长的维度长远来看,无论从用户数量还是企业营收等方面,新兴市场的快速崛起为出海企业带来了前所未有的机遇,Zenlayer通过深耕并精细化运营东南亚、南美、俄罗斯、中东和北非等地区业务和资源,为出海用户扩张全球业务提供了稳定、安全及可持续发展的保障。
为了在快速发展的同时确保业务的可持续扩展性,Zenlayer要求对其全球网络基础设施进行大规模扩建和升级,从而满足游戏和视频流等行业对于低延迟服务日益增长的需求,同时加快在基于意图的网络等新兴领域的研发。多年以来,作为Zenlayer主要的网络供应商之一,瞻博网络与Zenlayer已经建立起了长期的合作伙伴关系,而本次的升级计划,旨在进一步帮助Zenlayer在全网范围内引入敏捷、自动化和人工智能驱动的技术创新。
新闻亮点
• Zenlayer的初始升级阶段部署Juniper Networks® MX系列通用路由平台作为主干路由器;
• Juniper Networks®的其他多种平台(QFX系列数据中心交换机和SRX系列下一代防火墙)也被部署在Zenlayer网络中;
• 分段路由流量工程(SR-TE)被用于规划流量,提供流量工程的全功能支持和瞻博网络解决方案多协议标签交换,这对于满足Zenlayer的容量需求极为关键;
• 领先的遥测(Telemetry)能力、更好的路由和转发表支持、更强大的访问控制表和物理接口设备资源解决了Zenlayer主要的前瞻性扩展需求;
• 瞻博网络强大的自动化能力也让Zenlayer可以继续探索在其网络中采用更加敏捷、自动化和人工智能驱动型创新的可能性。
相关引言
“Zenlayer此次能够成功的对全球网络基础设施进行大规模扩建和升级,得益于瞻博网络强大的硬件及技术支持,使我们能够降低网络的传输延迟,从而使我们能够为客户提供更优质的服务;Zenlayer能够在短短6年建立起优秀的口碑并积累了大量知名的客户,离不开与合作伙伴的紧密合作。瞻博网络的产品在保持了高性能和高可靠性同时还提供了丰富的路由特性和强大的自动化能力,为Zenlayer的业务开展和敏捷运营提供了坚实的基础。能够与瞻博网络建立更深化的合作关系,相信对我们双方的未来发展是双赢的结果。”——Zenlayer Platform & Engineering副总裁Ansan Chen
“在当今以上云为先的网络世界里,市场越来越需要更强大、快速和顺畅的全球互联能力。短短几年的时间里,Zenlayer已经快速成长为全球领先的边缘云服务提供商,这一杰出的市场表现足以成为他们以客户需求为中心,不断提升全球用户数字体验的有力背书。我们很高兴与Zenlayer共享这一技术愿景,并可以帮助Zenlayer延续增长势头 — 尤其是通过部署瞻博网络下一代分段路由流量工程,同时加入我们自动化和人工智能驱动的能力协助。”——瞻博网络副总裁及中国区总经理林小平
好文章,需要你的鼓励
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
谷歌正在为搭载其内置信息娱乐系统的汽车推出谷歌地图实时车道引导功能,首先从极星4开始。该系统利用车辆前置摄像头和AI技术,分析车道标线和路标,为驾驶者提供更精确的车道指引和视听提示。该功能将在未来几个月内在美国和瑞典的极星4车型上推出,目前仅支持高速公路使用。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。