本月早些时候,美国高尔夫球协会(USGA)举办了2024年美国高尔夫球公开赛,该赛事被广泛认为是职业高尔夫球界最激烈的比赛。鉴于该赛事的高关注度,为其提供支持的基础网络也必须同样强大。
在美国公开赛的周五,思科赞助技术主管Rob Neumann和杰出工程师Matt Swartz向我介绍了在幕后为赛事提供支持的思科技术的情况。
先介绍一下背景,思科从2018年开始与USGA合作,确保最新的技术始终出现在球场上。当时,网络的作用发生了重大变化。二十年前,联网设备很少。如今,一切都由网络驱动。
观众使用带有数字门票的移动设备进入赛场,然后通过网络安防系统。进入赛场后,观众可以在移动设备上查看信息,或在大型数字显示屏上观看比赛活动,从而提升整体体验。
虽然网络对每个人来说都是不可见的,但它却至关重要,因为它为一切提供动力,不仅面向球迷,还包括媒体中心、后台操作、安防等。思科精通体育和娱乐领域,其网络遍布洛杉矶SoFi体育馆、拉斯维加斯Allegiant体育馆和坦帕湾Amalia体育馆等场馆,但高尔夫赛事却带来了一些不同的挑战。
在传统的体育场设计中,人和设备都是固定的。虽然人们可能会光顾特许经营区,但大多数人都是在特定区域观看比赛。而在高尔夫球场,球迷们会随着他们喜爱的球员在球场上成群结队地移动。
Neumann将其描述为“泰格-伍兹效应” (正迅速演变为斯科蒂-谢弗勒效应),即成千上万的人随着排名靠前的球员移动,以便一睹其精彩一击。这意味着思科需要在球场上规划18个 “体育场级”的部署,而不是仅仅部署一个。
要实现这一目标,需要庞大的基础设施,包括220台Catalyst 9K交换机和520个Meraki Wi-Fi 接入点(AP)。更严峻的挑战是,这里没有天花板或其他基础设施来悬挂接入点。走在球场上,我看到有的接入点绑在树上,有的挂在摄像机塔上,有的挂在镜头追踪系统上,有的甚至安装在地面上。
除了基础设施外,网络还使用Meraki Dashboard进行管理,这使得USGA能够捕捉流量统计数据。以下是从网络中提取的一些数据点:
相比之下,网络流量最大的超级碗创下了34.8TB 的最高纪录。大型场馆的音乐会流量则在8 TB 到10TB之间。虽然80TB是一周的数据量,但这表明美国高尔夫球公开赛的网络每天必须支持一个大型场馆的流量,而且观众还在不断移动。
思科为美国网球公开赛提供了网络基础设施,并使用Cisco Firepower Next Generation Firewalls确保环境安全。由于该网络要处理个人数据、金融交易和其他敏感信息,因此必须确保其安全。
此外,锦标赛还使用了运行Webex 的Cisco Video Endpoints,使远程记者能够参与媒体活动。外国记者可以使用Webex采访球员,而无需前往松林球场。
Neumann解释说,在新冠疫情之前,单场美国公开赛的报道多达600多条,但疫情迫使美国高尔夫球协会寻找其他方法,让媒体与球员互动。尽管许多主流体育刊物已经重返赛场,但一些刊物不得不长途跋涉,而一些与这项运动没有直接关系的刊物则选择远离赛场。Webex 提供了一种简单易用、高质量的合作方式。
美国高尔夫球公开赛是一项备受瞩目的体育赛事。选手们必须表现完美才能获胜。同样,网络也必须完美无瑕,才能让当地球迷完全享受赛事,让媒体顺利报道,并让相关活动得以开展。思科的基础设施使美国高尔夫球协会能够完美呈现这一顶级赛事。
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。