康普RUCKUS大中华区总监 程俊邦
成功的企业从不会停止适应不断变化的商业环境。就像经验丰富的球队队长能够洞察赛场,从而发现机会、权衡风险一样,主动出击的企业才能蓬勃发展。无论是在体育界还是在商界,在等待最佳行进路线逐渐明朗的过程中,原地踏步、消极被动都将导致自己被超越。随着一系列重要的企业技术的发展,2024 年很可能会成为企业在市场竞争中脱颖而出的关键一年。
今年将有三件大事发生,其各有各的风险、益处和解决方案。虽然这并不是一份详尽的清单,但其中包括了将在 2024 年以某种方式影响大多数企业的技术,而且一些企业可能已经在采用了。
Wi-Fi 7 添加了多链路操作(MLO)功能,使接入点(AP)能够同时驱动多个频段和信道,因此同一接入点可同时提供 2.4 GHz、5 GHz和 6 GHz 的数据流,从而使容量激增,大大降低延迟。此外,MLO 还能在终端和 Wi-Fi® AP 之间提供更可靠的连接。因此,2024 年,企业将更深入地审视自身用例,并认识到曾经被认为无法通过 Wi-Fi 实现的用例终于成为可能。
此外,6.0 GHz 频段也被未授权的蜂窝网络应用所共享。这为融合网络中一些令人兴奋的应用打开了大门:
对于希望在人员和设备连接方式上实现高敏捷性的企业来说,2024 年将在如何并行驱动多个网络和协议方面取得重要进展,通过专用网络优化连接组合,满足企业的特定需求。
以上就是 2024 年对于企业的利好消息。这些技术将为未来十年或二十年的发展奠定基础,而且它们都将在同一时间成为主流技术。当然,这种增长也伴随着“成长的烦恼”,这些烦恼也可归结为横跨这些技术的三大挑战:
这些相互关联的挑战中,每一项都像是需要攀登的陡峭山坡,但其并非无法逾越。即使企业开始感受到这些挑战,他们也有创新的解决方案可供选择。那些善于利用新技术的企业将在未来几年中处于有利地位,并最大限度地减少潜在不利因素。对于渴望充满信心地拥抱这些进步的企业,以下是其可用的三大关键资源:
可用于训练AI系统的算力(数据由 OpenAI提供)和随着时间推移的相应成本(数据由 ARK Invest提供)示例
AI驱动的网络管理已经变得足够强大,能够以更少的 IT 参与和更精简的预算来保持融合型企业网络的平稳运行,而且根据 ARK Invest 的预测,训练专用 GPT-3 AI模型的前期成本
将骤降至几年前所需投资的 0.0065%。在企业构建更加融合、灵活和强大的网络时,AI也能帮助确保 SLA 合规性,从而消除采用AI的大部分风险。
这些优势以前只能在由不同供应商的安全硬件和软件组成的分散、不可靠的生态系统中获得。经过 Matter 和 Thread 认证的设备将最终消除阻碍物联网更广泛应用的挑战和风险。
最后,对于那些受限于 IT 资源和时间,而非设计、构建、管理和支持融合网络所需的资金的企业来说,也有供应商可提供一整套“托管服务”供其选择,以满足其网络需求。
这三种解决方案的一个共同点是,它们都致力于为企业减轻与最先进的融合网络相关的复杂性。AI提供了最受欢迎的优势,即网络保障,超越了普通的监控,使精干的 IT 团队能够处理价值更高的项目。同样,为支持互操作性、安全性和简便性而构建的 Matter 和 Thread 协议所提供的定义明确的连接框架,在加速物联网应用在许多行业垂直领域的普及方面发挥着关键作用。最后,NaaS 模式可将整体体验简化为企业与网络之间简单的交钥匙关系。
2024 年的关键发展将产生远超未来一年的深远影响。如此多令人兴奋的技术进入主流,很可能为未来几十年的发展奠定基础。对于有意向接受这些技术的企业来说,如果能将AI、物联网和 NaaS 支持巧妙地结合,2024 年将成为一个非常美好的开始。
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。