思科表示,Cisco Plus将为旗下计算、网络和存储硬件提供“即服务”模式。通过推出Cisco Plus,思科将着手扩展其“即服务”的产品线,而Cisco Plus将为消费者带来灵活的消费模式。
Cisco Live上的介绍称,此举的推出是因为很多企业技术巨头(例如戴尔和慧与)已经开始全部采用订阅模式。随着时间的推移,即使某些企业依然希望购买提前支付全款的折旧资产,硬件的采购也将更多地变成购买服务的模式。
思科表示,将为旗下计算、网络和存储硬件提供“即服务”模式。结合思科不断扩展的软件产品组合,该公司的大多数产品最终将成为一种服务。
思科的最终目标是实现“网络即服务”,这是思科公司的路由器和交换机同计算和可视性平台结合在一起形成的云模式。
思科运营与战略高级副总裁Kip Compton表示,对于那些正在为了数据中心和混合云实施方案而大举采购Cisco产品的客户而言,Cisco Plus是一种选择。最终,思科计划将其所有的产品组合作为服务提供。例如,思科将在今年晚些时候推出其“网络即服务”的有限发行版,该产品捆绑了一体化网络、安全和跨访问的可视性、WAN和云。
思科的NaaS(网络即服务)意味着客户可以集成应用程序和云,按照运营费用模式支付费用,并具有统一的策略、可视性、分析和安全性。Compton表示,“思科在NaaS上的工作将首先集中在安全访问服务边缘(SASE)方面。”
Compton认为,可视性将是关键。他表示:“除了专注于灵活的消费模式之外,Cisco Plus还将具有更大的可视性。”为此,思科最近收购了ThousandEyes。
随着时间的推移,思科将不断推出Cisco Plus产品。第一个将是思科Plus混合云(Cisco Plus Hybrid Cloud),该产品将于2021年中推出。
思科Plus混合云(Cisco Plus Hybrid Cloud)将把数据中心计算与UCS结合在一起,通过Nexus和存储实现网络连接,并包括第三方存储和软件以融合本地、边缘和共有云。客户可以选择服务级别,提前选择套餐,订单将于14天内交付。据悉,最初的“即服务”产品将在澳大利亚、加拿大、德国、荷兰、英国和美国提供。
另外,思科还表示,思科Plus的特别之处在于通过Cisco CX Cloud提供自助服务,用户体验非常便捷简单。Compton表示,“思科Plus将让客户和合作伙伴能够选择不同的产品组合,他们可以添加服务和客户,并跟踪使用情况以了解使用成本。”
此外,合作伙伴还将能够在思科Plus的基础之上构建并添加其他相关服务。
Compton表示:“我们致力于整合,使之拥有更简单的体验,并使用预测分析来显示账单、使用模式以及在简单配置中的工作方式。”
解决方案即服务
思科企业网络和云业务高级副总裁Todd Nightingale在3月3日的投资者会议上表示,思科不希望被视为仅仅是一家硬件即服务或者软件即服务的供应商。思科的目标是将技术堆栈作为服务组合在一起。
Nightingale表示,“思科希望开始销售完整的‘解决方案即服务’”。
另外,Nightingale补充表示:我们希望在未来12个月内完成这种过渡,而不是在每个领域都购买一种技术,然后再购买一些硬件和一些云许可证,我们希望将其作为一项全面的“即服务”提供给客户,100%的“即服务”,这种服务按月付费,并且可以为客户提供完整的解决方案。我们不追求纯粹的硬件即服务或者软件即服务,我们希望为客户提供完整的解决方案即服务,我们关注结果和体验,而不是产品和技术。
目前,企业技术供应商将越来越多地加入这场“解决方案即服务”大合奏。尽管这些供应商对企业很熟悉,但他们可能最适合在多云模式中充当中立方。目前唯一不清楚的是客户将以多快的速度改变他们的采购行为。
为此,Compton指出,“即服务”模式适用于未来的系统,不适用于已经在现场的设备。不过,Nightingale还指出,向“即服务”模式的过渡可能会比人们想象的更快,因为数字化转型需要更快的升级周期和新技术。
最后,Nightingale讲到:“我每24个月更换一次我的iPhone手机,我真的会在8年后还信任我的交换机吗?我可不这么认为。”
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。