Cato Networks今日推出其安全访问服务边缘(SASE)平台的模块化采用模式,让企业能够部署个别安全和网络功能,无需立即承诺全面的SASE部署,同时仍能获得底层统一架构的支持。
通过这种新的模块化模式,组织可以从四个独立模块的任意组合开始——AI安全、SD-WAN、SSE和通用ZTNA——然后逐步扩展。该公司表示,每个模块都通过共享管理控制台、策略框架和数据湖增加价值,而不是创建新的信息孤岛。所有模块都运行在Cato Neural Edge上,这是一个由GPU驱动的全球私有骨干网络,覆盖超过85个存在点。
该公司表示,每个模块都可以作为企业级解决方案独立运行。Cato AI安全模块旨在保护和管理从影子AI到智能体的AI交互。Cato SD-WAN通过公司的全球私有骨干网络提供零接触部署。Cato SSE为互联网、SaaS和私有应用提供安全访问,无需网络更改。通用ZTNA通过持续的基于风险的验证,在每种用户类型和位置执行单一策略。
Cato产品营销高级副总裁Nimmy Reichenberg在关于此消息的博客中写道:"每个主要功能都可以独立采用,定价简单透明,解决实际使用需求,同时仍然是单一统一系统的一部分。但模块化并不意味着分离。无论从哪里开始,你都能立即利用Cato SASE平台的全部力量。"
Cato将此举定位为其所称"平台经济"的一部分,认为供应商将单独获得的产品打包在单一品牌下,会将运营复杂性和成本转嫁给客户。
Cato Networks联合创始人兼CEO Shlomo Kramer在声明中表示:"平台经济反映了网络安全的根本性转变。架构不再仅仅是技术决策;它决定了风险的经济效率。在AI时代,只有统一系统才能提供组织所需的速度、韧性和财务优势。"
Cato提供基于用户和站点带宽的模式,允许客户按需扩展。许可证可以在前12个月内逐步部署,具有灵活的消费模式以适应流量突发,该公司表示这消除了前期猜测,支持分阶段采用而不会干扰业务运营。
Q&A
Q1:Cato Networks的模块化SASE平台包含哪些功能模块?
A:Cato Networks的模块化SASE平台包含四个独立模块:AI安全、SD-WAN、SSE和通用ZTNA。每个模块都可以独立部署,同时通过共享管理控制台、策略框架和数据湖实现统一管理,所有模块都运行在覆盖超过85个全球节点的GPU驱动私有骨干网络上。
Q2:企业如何使用这个模块化模式进行部署?
A:企业可以从四个模块的任意组合开始部署,无需立即承诺全面的SASE部署,然后根据需要逐步扩展。Cato提供基于用户和站点带宽的定价模式,许可证可以在前12个月内逐步部署,具有灵活的消费模式以适应流量突发需求。
Q3:模块化SASE平台相比传统方案有什么优势?
A:模块化SASE平台避免了供应商将分离产品简单打包造成的运营复杂性和成本问题。每个模块既可以独立运行,又能通过统一架构获得完整平台的能力,消除了前期部署猜测,支持分阶段采用而不会干扰业务运营,在AI时代提供更好的速度、韧性和财务优势。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。