HPE宣布与爱立信合作开设研究设施,旨在验证双模5G核心网服务,为电信运营商提供"无缝"的下一代核心网络。
两家公司表示,他们的联合验证实验室将解决电信服务提供商在部署多供应商基础设施堆栈时面临的关键挑战。该实验室将作为互操作性测试的环境,确保验证的产品满足电信运营商的要求。
该验证实验室位于瑞典爱立信总部附近,将于2025年底投入运营,为客户提供真实环境下的测试和反馈。2026年上半年,重点将转向验证集成服务,以确保更快的上市时间和简化的生命周期管理。
通过验证云原生、AI赋能的双模5G核心网服务,爱立信和HPE相信他们的合作能够满足日益增长的需求,即在管理引入新服务复杂性的同时部署高性能、可扩展且高效的网络。这一举措使电信运营商能够简化运营、加速创新并满足日益互联世界的需求。
该技术堆栈结合了爱立信的双模5G核心网服务与HPE ProLiant Compute Gen12i服务器、HPE Juniper网络结构(由Apstra数据中心总监管理)以及Red Hat OpenShift。
爱立信的双模5G核心网将支持5G和4G网络,为寻求高效扩展和面向未来网络的运营商降低复杂性和运营成本。
搭载Intel Xeon 6处理器的HPE ProLiant Compute DL360和DL380 Gen12服务器据称能够为网络密集型电信容器化核心网络功能(如AMF、UPF和SMF)提供优化性能。这些服务器通过HPE集成远程管理7在每一层都提供内置保护,这是业界首个也是唯一的从芯片到云的安全解决方案。
HPE补充说,在中心,由QFX系列交换机和Apstra数据中心总监驱动的Juniper网络高性能结构将通过基于意图的自动化和AIOps驱动的保障提高运营效率并降低运营成本。
Red Hat OpenShift将作为通用的云原生电信平台,使服务提供商能够灵活地快速开发、部署和扩展新服务,加速上市时间并减少传统部署周期。
两家公司表示,通过从核心到边缘提供一致的自动化运营体验,该平台简化了部署和管理高级网络功能固有的复杂性。
HPE电信基础设施业务副总裁兼总经理Fernando Castro Cristin表示:"基于我们与爱立信的战略合作伙伴关系,这次合作反映了HPE致力于为电信服务提供商提供创新技术解决方案,使其在5G和AI驱动的经济中蓬勃发展的承诺。"
他说:"通过将爱立信的云原生双模5G核心网和Red Hat OpenShift与我们经过验证的下一代HPE计算基础设施和HPE Juniper网络结构集成,我们正在开发一个新的集成产品,将为电信服务提供商提供快速部署、按需扩展、适应不可预测流量、提供可预测生命周期管理并跟上新兴技术步伐的灵活性。"
爱立信核心网络解决方案和产品组合负责人Krishna Prasad Kalluri补充说:"作为全球5G和核心网络的领导者,爱立信致力于推动创新和开放性,为电信服务提供商简化向云原生网络的转型之路。我们与HPE的合作关系以及联合验证实验室的建立进一步推进了在多供应商基础设施上为5G核心网创建云原生解决方案。"
Q&A
Q1:HPE与爱立信合作的双模5G核心网技术有什么特点?
A:该技术能够同时支持5G和4G网络,降低运营商的复杂性和运营成本,通过云原生、AI赋能的架构提供高性能、可扩展且高效的网络服务,帮助电信运营商简化运营、加速创新。
Q2:联合验证实验室什么时候投入使用?
A:验证实验室位于瑞典爱立信总部附近,将于2025年底投入运营,为客户提供真实环境下的测试和反馈。2026年上半年重点将转向验证集成服务。
Q3:这套技术堆栈包含哪些核心组件?
A:技术堆栈结合了爱立信的双模5G核心网服务、HPE ProLiant Compute Gen12i服务器、HPE Juniper网络结构(由Apstra数据中心总监管理)以及Red Hat OpenShift云原生平台。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。