Cisco 的研究发现,尽管大多数中断源自拥堵、网络攻击和配置错误,但 IT 领导者认为,适当的基础设施可以保护性能并释放未来价值。
这项调查由 Sandpiper Research & Insights 代表 Cisco 于2024 年 12 月在30个市场进行。调查对象为8,065名全球高级 IT 及业务领导者,他们负责拥有250名或更多员工的组织的网络策略和基础设施。
Cisco 认为,研究发现了六个迹象表明,架构转型正在进行,并推动了这样一种观点:现代网络必须更加智能、更安全且更具适应性。具体来说,即网络已成为战略重点;安全网络是关键任务;人工智能 ( AI ) 加剧了对强韧网络的需求;IT 领导者正寄望于 AI 来增加收入;AI 正在重塑基础设施;而 IT 领导者希望使网络更加智能。
研究强调了 IT 领导者如何通过现有网络带来财务价值 —— 主要是通过改善客户体验 (55%)、提升效率 (52%) 和推动创新 (51%)。但 Cisco 警告称,如果这些价值来源于未为 AI 或实时扩展而设计的基础设施,则其大部分价值都面临风险。
为释放他们预期的全部增长和节约成本,调查中的 IT 领导者确定了必须弥补的关键缺口,例如系统割裂或部分集成 (58%)、部署不完整 (51%) 以及过度依赖人工监管 (48%)。构建更智能、更安全、更具适应性的网络正是投资的商业理由。
近九成 (89%) 的受访者表示,改进网络将直接带动收入增长,而几乎所有人 (93%) 都预期会有显著的成本节约 —— 这一点来源于更智能的运营、更少的中断和更低的能耗。
进一步深入研究发现,网络推动了迄今为止的每一次数字化转型;而要大规模支持 AI、物联网 ( IoT ) 及云计算,网络都是基础。调查显示,受访的 IT 领导者正将投资与这一现实相匹配。
多达94% 的人表示,在未来两年内,AI、物联网 ( IoT ) 及云计算将对他们的网络产生最大的影响,其中62% 认为这一切将完全归功于 AI。此外,97% 的人表示现代化网络对推广 AI、物联网 ( IoT ) 及云计算至关重要,而91% 的人计划提高分配给网络的 IT 预算比例。
随着用于网络的 AI 与用于 AI 的网络的普及,Cisco 指出,尽管 AI 需要快速且不间断的数据访问,但许多网络实际上无法满足这一需求。它补充说,领导者们知道中断的成本远高于停机时间 —— 它不仅影响收入,还会冲击生产率和增长。以 AI 为本、具备自主能力的网络被视为未来增长的关键,但只有41% 的人部署了诸如细分、可见性和控制等智能功能。
调查中有超过四分之三 (77%) 的人表示,他们在过去两年中经历过重大网络中断。调查发现,主要的中断原因是拥堵、网络攻击以及软件或配置错误。超过一半 (52%) 的人认为收入是受中断影响最大的业务领域,每家公司每年一次严重中断全球累计损失达1600亿美元。
Cisco 观察到,随着网络威胁日益复杂,网络作为第一道防线,帮助安全团队更有效地应对不断涌现的由 AI 驱动的风险。调查显示,98% 的人认为安全网络对运营和增长非常重要,61% 的人视其为关键。此外,94% 的人相信现代化网络将增强网络安全性。
在评估研究揭示的趋势时,Cisco EMEA 的首席技术官兼解决方案工程副总裁 Chintan Patel 表示,AI 正在改变一切,而基础设施正处于这一变革的核心。
他说:“网络推动了每一次数字化转型,加速了物联网 ( IoT )、云计算、混合办公的融合,并有效应对不断上升的安全威胁。IT 领导者清楚,他们今天构建的网络将决定他们明天的业务形态。只有现在采取行动的人,才能在 AI 时代中领先。”
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。