Google Cloud推出了三款新的电信产品,这些产品结合起来形成了一套统一的云解决方案,可以帮助CSP构建、部署和运营混合式的云原生网络,收集和管理网络数据,并使用人工智能和数据分析改善客户体验。

Google Cloud还宣布对Google Distributed Cloud Edge进行更新,让CSP能够在混合云环境中部署他们的云原生网络。CSP借助GDC Edge可以把Google Cloud的基础设施扩展到无线电接入网络的最边缘,以及核心5G网络。此外,由于该服务引入了新的Network Function Optimizer,CSP还能够在Google Kubernetes Engine上的任何Google Cloud区域运行关键网络功能。
据Google Cloud称,此次公告迎合了电信行业的增长趋势,即到今年年底将有超过70%的CSP采用云原生网络功能。Google表示,这些新技术在加速网络现代化、简化操作和缓解互操作性问题方面发挥着关键作用。问题在于,尽管自动化是发挥云原生网络优势的关键,但如果CSP尝试实施传统的自动化实践,他们将举步维艰。
Google的解决方案专注于电信网络自动化,这是一种新的云服务,可以通过使用基于Kubernetes的云原生自动化工具来加速CSP网络和边缘部署,同时是由Google在2022年创建的开源Nephio项目的云版本进行管理,在缩短上市时间的同时确保多厂商互操作性,并减少配置错误。
Google还从近日开始提供Telecom Network Automation的私人预览版,但juBell Canada公司透露,该公司已经使用该服务的早期版本来自动化GDC Edge的实施,从而可以重新设计其核心5G网络。该公司企业架构和智能核心副总裁Petri Lyytikainen表示:“我们与的Google Cloud合作推进了我们的目标,即通过Google Kubernetes (GKE)和Google Distributed Cloud Edge的控制功能完全自动化我们的混合5G核心实施。”
此次Google还提供了私人预览版的Telecom Data Fabric,Google表示,这将帮助CSP从他们的网络数据中获得洞察力,以优化性能和可靠性,其工作原理是通过适配器框架简化网络数据收集、规范化和关联。Telecom Data Fabric还集成了Google的BigQuery分析服务和DataPlex数据网格架构,让CSP可以打造他们自己的AI分析应用,以支持跨域网络运营、能源效率和用户体验。
最后,Google表示,Telecom Subscriber Insights旨在帮助CSP发现新的创收途径并增加客户的生命周期价值,同时降低购置成本。这款人工智能工具让企业能够以保护隐私的方式从现有数据源中提取洞察,使用算法摄取和分析数据,提供建议操作,帮助CSP更好地跨多个渠道与订阅用户进行互动,让CSP更好地了解客户的行为、交叉销售和追加销售、管理客户流失并获得新的订阅用户。
Google Cloud首席执行官Thomas Kurian表示,他认为CSP面临着投资和建设下一代网络的巨大压力,同时还要管理不断上升的资本和运营支出。他说:“通过将云原生原则应用于网络架构,并通过整体数据管理源加速用户增长,CSP有机会弥合目前的连接性与未来的连接性之间存在的差距。”
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。