当前,多数中国企业已部署了广域网解决方案,实现了分支机构和数据中心的连接。然而,随着数字化转型的持续深化,为实现稳定增长、满足严格的监管要求和适应混合环境(如混合云、混合工作方式),中国企业需要重新思考其广域网战略。
混合部署为中国企业的网络团队(尤其是广域网团队)带来了许多新的挑战,这是中国的基础设施和运营(I&O)领导者必须面对的现实(见图1)。
图1:企业网络团队面临的混合环境部署挑战
采用自适应广域网策略,支持不断变化的业务需求
在中国,虽然业务和I&O领导者之间的沟通不够充分,但瞬息万变、日益成熟且不断发展的市场,要求I&O领导者在相对较短的时间内,提供高质量的广域网解决方案来满足不断变化的需求。此外,云采用——特别是混合云的部署,使这一挑战的难度增加。
灵活多变、难以预测的市场需求催生了新的广域网设计准则,即从现有的静态设计转变为自适应设计。为了满足自适应需要,广域网团队首先要研究自动化能力,因为这是创建自适应能力的关键。
在广域网战略中加入软件定义广域网(SD-WAN),有助于提高战略的适应性。接下来,I&O领导者应考虑网络团队的文化建设和技能培养,例如应用编程接口(API)和编程技能等,满足日新月异的业务需求。
提高多元环境的可观测性
混合环境部署(例如,混合云或云边融合)使实现不同环境可观测性所涉及的复杂程度呈指数级增长。加上急剧的增长,中国企业的网络部署面临巨大的挑战。这些环境在工具、操作方法、人员配备等方面各不相同,因此不仅需要在网络可观测性方面具备一定的一致性,还需要在确定应用和其他基础设施要素(例如存储)如何与网络交互方面具有一定一致性。这就要求在应用及其支持基础设施中直接设计可观测性。
首先,网络团队需要熟悉工具集,判断哪些方面的可观测性可通过现有工具来实现,然后判断需要补充哪些工具。确定好工具集之后,可进一步通过网络关键绩效指标(KPI)来衡量用户服务。其中,可选择的KPI包括延时、丢包、响应时间、带宽、利用率、抖动等。
与安全团队协作,确保可通过SASE来满足安全要求
混合部署涉及分布在多种环境中的用户、应用和数据,其中一部分由企业自行控制,另一部分则由合作厂商控制。多样的环境与严格的监管,给中国企业带来安全方面的挑战。为解决这一问题,网络团队需要和安全团队密切合作,从制定一个长期SASE战略着手,共同打造架构、完成设计、确认特定的产品和功能。
在网络架构和设计过程中,应先假设网络的任何部分均可能存在漏洞,然后采取相应的安全保障措施。Gartner将SASE定义为一种确保混合环境部署安全性的方式。传统观点认为,使用防火墙和隔离区(DMZ)即可保障用户会话的安全。这种观点在可预测环境中基本是正确的,因为基础设施的网络工作流已有明确定义,而且其运行仅由I&O团队提供支持。SASE方法则是对传统方法的颠覆,从会话出发保障安全,而不是从安全出发设置会话。这一架构应成为网络和安全团队共同合作的课题。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。