中国北京,2023年2月10日——提供人工智能驱动安全网络的领导厂商瞻博网络(NYSE:JNPR)今天发布了最新的瞻博网络全球合作伙伴优势(Juniper Partner Advantage ,JPA)计划。瞻博网络在去年推出了一个新的精英合作伙伴层级Elite Plus,现对JPA进行大规模升级。
精英合作伙伴层级的优质成员数量正在按预期向30%的增速目标迈进,进入2023年,瞻博网络又为其更广泛的JPA合作伙伴优势计划引入了新的内容,通过托管服务帮助合作伙伴为它们的客户提供最具创新性的解决方案。新的JPA架构有助于合作伙伴构建和支持瞻博网络业务,以网络即服务(NaaS)模式经销瞻博网络的解决方案和托管服务。凭借新的设计、销售和市场营销工具,合作伙伴可以定制计划,提升盈利能力,推动持续增长,并获得更多奖励和回报。合作伙伴也可以更快地进入更高层级,预计2023年精英合作伙伴的规模将继续扩大。
瞻博网络全球渠道与虚拟销售集团副总裁Gordon Mackintosh表示:“我们90%的业务都来自合作伙伴,它们的成功对于我们至关重要。我们在2023年升级这一计划,是基于合作伙伴为先的理念,以确保为合作伙伴提供他们发展业务所需的战略、投资和工具。我们相信,凭借业界一流的合作伙伴计划与市场上最具创新性的产品,瞻博网络可为合作伙伴提供更为有力的支持。”
2023计划新增亮点包括:
- 顶级合作伙伴层级Elite Plus:瞻博网络将在今年为最优秀的合作伙伴提供更多支持,包括新的ROI模型、简化的MOU流程和新的奖励措施,推动合作伙伴持续增长。
- 扩展的领军者计划:瞻博网络领军者(Champions)计划于2022年再次启动,其成员已从800人发展至2300人,今后将进一步扩大。2023年,瞻博网络将为包括全球合作伙伴、营销合作伙伴和瞻博网络分销商在内的更大合作伙伴群体提供更多优势。
- 全新数字工具:瞻博网络在今年推出了合作伙伴业务中心和Velocity定价工具。配合PartnerLink,合作伙伴可实时获得瞻博网络团队的帮助,从而快速完成交易。
- 扩展的“多元化+”合作伙伴计划:该计划支持经过认证的多元化合作伙伴企业,并在6个月的时间内发展至44家合作伙伴,并计划在2023年覆盖更大范围。
瞻博网络全球合作伙伴计划和营销副总裁Helda Lopes表示:“通过新的Velocity定价工具、合作伙伴业务中心和优势洞察(Advantage Insights)等资源,我们的合作伙伴在2023年能够更高效地采取行动、更快地完成交易,并在更高水平进行竞争。我们非常重视合作伙伴的成功,愿意通过新的解决方案和计划等助力他们的成功,这些也都是我们实现发展的关键。瞻博网络在不同层次的分销合作伙伴数量在2022年增加了18%,我们预计2023年将继续保持这一增长趋势。”
随着合作伙伴计划不断发展壮大,瞻博网络也在扩大领导层团队,以确保公司适应现代网络的挑战,继续快速推进业务。因此,Ben Fallon加入了瞻博网络,任全球合作伙伴与虚拟销售副总裁,负责根据瞻博网络快速发展的虚拟销售形势进一步优化渠道合作。他拥有丰富的全球渠道、分销、欧洲、中东和非洲商业、小企业与安全销售和市场开发经验,为瞻博网络带来了深厚的行业知识和前瞻性理念。
Ben Fallon表示:“瞻博网络对Mist、Apstra和128 Technologies等公司的投资让我们可以继续引领下一代企业网络。我十分高兴在这一激动人心的时刻加入瞻博网络团队。”
以上计划于近日启动,更多信息将于瞻博网络年度合作伙伴高层峰会上分享。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。