HPE Aruba Networking 提供的全面解决方案,旨在减轻管理、部署和购买企业专用蜂窝网络的复杂性
休斯顿 - 2024年7月2日 - 慧与科技(NYSE:HPE)日前宣布推出HPE Aruba Networking企业级私有5G网络,旨在帮助客户更快、更轻松地部署和管理私有5G网络,以实现在大型园区和工业环境中提供可靠的高质量无线覆盖,并充分挖掘全新的专用蜂窝网络应用场景。
随着边缘到云安全产品组合的扩展,HPE Aruba Networking已成为全球唯一一家提供完整Wi-Fi网络和私有 5G 网络解决方案的企业级基础设施供应商,旨在帮助制造、医疗、公共场所和教育等行业客户应对大型和远程站点的复杂网络连接挑战。此次全新推出的HPE Aruba Networking私有5G网络,作为Wi-Fi提供的高性价比、高容量连接的补充,可帮助客户提高生产力和创新能力,并扩展人工智能(AI)数据捕获及交付能力,用于构建AI数据湖和激活推理解决方案。
HPE Aruba Networking无线首席技术官Stuart Strickland表示,“企业和工业客户日益寻求在苛刻环境下提供无线网络覆盖,例如大型室外区域、服务快速移动的客户端,以及在专用频谱中提供确定性的网络访问。然而,传统专用蜂窝网络解决方案的复杂性已阻碍了它们的发展。得益于HPE Aruba Networking在无线领域的持续创新和领先能力,通过将Athonet核心蜂窝网络解决方案与我们在企业网络领域的传统优势相整合,HPE Aruba Networking现可为专用蜂窝网络提供全面支持。”
HPE Aruba Networking企业级私有5G网络可支持通信服务商(CSP)为其客户快速部署私有5G 网络。该集成式私有5G网络解决方案将成为现有基于Wi-Fi托管服务的有利补充,帮助电信客户服务于不断增长的专用蜂窝网络市场,并从其现有企业客户中创造全新收入来源。
随着 HPE Aruba Networking企业级私有5G网络的正式推出,企业现可通过以下功能实现可靠、安全、高性能的全面集成式私有5G网络连接能力:
此次私有5G网络产品的成功整合,正是得益于HPE在2023年收购的专用蜂窝网络技术提供商 Athonet。Athonet在专用蜂窝网络领域拥有15年行业领先地位,曾完成500家企业的专用蜂窝网络解决方案部署。作为一家屡获殊荣的技术先驱,Athonet在众多行业拥有客户成功部署案例,其中包括领先的移动运营商、医院、机场、港口、公共事业、政府和公共安全组织等。
IDC物联网和电信领域高级研究经理Patrick Filkins表示,“HPE Aruba Networking企业级私有5G网络在解决与当今许多私有网络部署相关的复杂性、成本、控制和管理挑战方面迈出关键一步。此次HPE Aruba Networking采取务实措施,重点关注如何在企业现有的IT架构中最有效地集成专用蜂窝网络,并通过使用熟悉的工具简化网络和设备管理,以及在4G/5G、Wi-Fi和有限局域网之间的动态分配和保留设备策略。”
Analysys Mason合伙人Tom Rebbeck表示,“许多私有网络解决方案过于复杂,即使对于拥有内部网络专业知识的大型企业来说亦是如此。我们预计客户将会积极采用能够简化部署和管理私有网络的解决方案。”
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。