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
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。