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
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。