2023年11月,随着欧洲电信标准协会ETSI F5G-A标准的发布,标志着F5G-A技术的成熟,由此,2024年也成了F5G-A的商用元年。
在MWCS 2024期间,华为对外展出了一系列F5G-A解决方案。
华为光产品线总裁陈帮华指出,F5G-A有两个显著特征,一个是万兆光网,另一个是高品质运力,其中,高品质运力网要解决的首要问题是把分布在不同区域的算力联接起来,形成“全国一台计算机”。
这样一张F5G-A网络,将为接下来在人工智能技术持续催化下的创新业务和传统业务变革,提供算力保障。
在过去三十年里,移动网络由2G跨越到了5G时代,全球都得益于这样高速的网络发展,网络社交、电商购物、本地生活、短视频等业态的出现,也让所有人都切身感受到移动网络一代代升级为我们工作和生活带来的变化。
然而,由于没有国际标准明确的固定网络标准发布,国定网络代际感知度并不高,这使得固定网络在更广范围内更新换代和快速推广并没能像移动网络那样顺利。
陈帮华指出,其实固定网络像移动网络一样,也有代际之分,去年国际标准组织正式发布了F5G-A的标准,而支撑F5G-A的400G、800G、OXC、50G PON、WIFI7、FTTR等几个关键的技术已经完全成熟。
实际上,随着人工智能时代的到来,数据中心结构正在加速从集中化向多层次、分布式转变,正在走向枢纽数据中心+区域数据中心+边缘数据中心的三级架构,其中,枢纽数据中心负责AI训练和数据备份,区域数据中心负责部分AI训练和AI推理,边缘数据中心则负责AI实时推理和图像渲染等。
正是由于这样数据中心结构的变化,运营商对固定网络也有了更高的需求。
对于当下运营商对于固定网络的需求,陈帮华总结为三方面:
第一,立体联算骨干网,通过400G超高速和3D Mesh立体架构实现带宽无阻塞,通过Hybrid ASON实现6个9的高可靠联接;
第二,一跳入算城域网,通过端到端的OXC打造1ms城市时延圈,实现低时延联算入算,池化波分和城域100G持续降低入算成本;
第三,万兆智能接入网,50G PON支持万兆全场景接入,通过端到端切片和智能分流保障确定性体验。
值得一提的是,随着F5G-A技术的成熟,如今400G传输网络建设成本已经低于100G,因而,陈帮华认为,400G是已经成为现在建设骨干网最优选。
中国移动在今年3月就已经对外官宣,其自主研发的全球首条400G全光省际骨干网正式商用,年中将全面实现“东数西算”8大枢纽间高速互联,届时中国移动将建成全球规模最大、覆盖最广的400G全光省际骨干网络。
实际上,针对全光万兆接入网,国内三大运营商已经发布了相应的万兆业务,包括万兆家庭宽带、万兆园区等,2024年将会迎来万兆业务的商用元年。
此外,陈帮华也指出,高品质运力网要解决的首要问题是把分布在不同区域的算力联接起来,形成类似于“全国一台计算机”,要让个人、家庭和企业在使用算力中心提供的算力时,时延足够低,类似于家庭打开水龙头就能瞬间获得自来水一样,要让用户也可以能随时瞬间获得算力。
据悉,目前华为基于“F5G-A全光万兆+高品质运力”的产品与解决方案,与全球运营商开展商用创新实践并部署了166个商用局点,新业务的快速发展促进了运营商实现新的收入增长,也满足了人工智能时代下,家庭极速云NAS、极速云游戏渲染,以及工业场景下的交互式工业设计等新兴业务对于固定网络的更高要求。
好文章,需要你的鼓励
国际能源署发布的2025年世界能源展望报告显示,全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗,加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍,全球数据中心投资预计2025年达5800亿美元,超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
阿布扎比科技创新研究院团队首次发现大语言模型生成的JavaScript代码具有独特"指纹"特征,开发出能够准确识别代码AI来源的系统。研究创建了包含25万代码样本的大规模数据集,涵盖20个不同AI模型,识别准确率在5类任务中达到95.8%,即使代码经过混淆处理仍保持85%以上准确率,为网络安全、教育评估和软件取证提供重要技术支持。
AMD首席执行官苏姿丰在纽约金融分析师日活动中表示,公司已准备好迎接AI浪潮并获得传统企业计算市场更多份额。AMD预计未来3-5年数据中心AI收入复合年增长率将超过80%,服务器CPU收入份额超过50%。公司2025年预期收入约340亿美元,其中数据中心业务160亿美元。MI400系列GPU采用2纳米工艺,Helios机架系统将提供强劲算力支持。
斯坦福大学研究团队首次系统比较了人类与AI在文本理解任务中的表现。通过HUME评估框架测试16个任务发现:人类平均77.6%,最佳AI为80.1%,排名第4。人类在非英语文化理解任务中显著优于AI,而AI在信息处理任务中更出色。研究揭示了当前AI评估体系的缺陷,指出AI的高分往往出现在任务标准模糊的情况下。