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
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。