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
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。