Forward(前身为Forward Networks)深耕网络技术领域已有十年,致力于帮助企业更好地理解网络流量。今年1月,该公司基于网络数字孪生推出了一套智能体AI系统,为运营人员提供一种数学上可验证的方式,用于跨多厂商环境的查询、验证和工作流自动化。如今,公司在此基础上进一步推出了Forward Predict——一项能够在变更执行前,对网络未来状态进行建模的新功能。
Forward Predict将拟议中的变更方案在网络数字孪生中进行仿真,在任何操作真正接触生产网络之前,便可在生产规模下对路由协议、访问控制列表(ACL)、防火墙及NAT配置的影响进行全面建模。
"关键在于,我们能够在实际执行变更之前,就预判出某一操作对企业级、多厂商网络的影响,"Forward首席AI官及联合创始人Nikhil Handigol在接受Network World采访时表示,"企业可以搭建实验室,在其中模拟并测试变更,但实验室环境永远无法完全复现真实的生产网络——后者可能涉及数以万计的设备。"
控制平面建模,精准预判全路径影响
Forward的网络数字孪生过去主要作用于数据平面,负责维护网络中每台设备转发状态的完整模型。Forward Predict则将这一模型扩展到了控制平面,并针对不同操作系统版本、配置组合及多厂商设备交互场景进行了验证。
"从字面意义上说,我们已经追踪了每个数据包在任何情况下可能经过的路径,以前瞻性的方式将其分析到理论上所能达到的最高精度,"Forward首席执行官及联合创始人David Erickson向Network World表示。
拟议变更输入平台后,系统会追踪其对控制平面协议行为的影响,并模拟该状态如何向数据平面传播,随后对预测快照运行全量的数据包路径分析,整个过程在任何变更接触生产环境之前便已完成。
Forward Predict的覆盖范围不仅限于路由,还延伸至防火墙、ACL及NAT配置。"Predict能够分析并呈现防火墙或ACL变更对相关设备所产生的端到端影响,"Handigol说道,"重要的不只是局部影响,而是从整体视角来看,哪些节点之间能够相互通信、哪些不能。"
智能体自主运营的关键基础
Forward将Forward Predict定位为网络运营中推进智能体AI的前提条件。Erickson将这一能力类比为软件开发工具链中的编译器和单元测试框架——正是有了这些工具,开发者才能在代码上线前完成验证。而网络变更管理领域,迄今为止一直缺乏与之等效的机制。
"对人类来说,这已经是一种强大的能力;对AI智能体而言,它更像是一项超能力,因为智能体可以借此审查变更方案、理解潜在影响、获取反馈,并不断迭代,直到找到正确的变更方式,"Handigol表示,"以机器速度持续迭代的能力,正是释放智能体潜力的关键所在。"
自主执行循环分为三个步骤:预测变更影响、执行变更操作,再通过与生产网络的对比验证确认预期结果是否达成。Forward Predict的能力以可调用工具的形式开放给AI智能体,支持通过REST API或MCP服务器接入。
对于那些在ServiceNow等IT服务管理平台中积压了数百乃至数千条变更请求的企业而言,Forward的核心主张是:将整个变更积压队列并行地通过Predict进行处理,可以将流程瓶颈从设计与审批环节转移至部署环节。
迈向自主网络运营的未来
Erickson表示,公司在产品发布后的核心方向,是持续扩展平台可自主驱动的能力范围,既包括对网络事件的被动响应,也涵盖运营人员此前因时间有限而尚未处理的主动优化需求。
"我们全力聚焦于帮助用户迈向自主网络运营的未来,"Erickson说,"在安全性提升、复杂性清理、合规维护等方面,机会多不胜数。对于当今这些极度复杂的网络而言,可做的事情几乎没有尽头。"
Q&A
Q1:Forward Predict是什么?它能解决什么问题?
A:Forward Predict是Forward公司推出的一项网络变更预测功能,能够在变更真正执行之前,基于网络数字孪生对拟议变更的影响进行全面建模。它覆盖路由协议、防火墙、ACL和NAT配置等,帮助企业提前发现潜在风险,避免对生产网络造成意外影响,尤其适用于拥有数万台设备的大型多厂商网络环境。
Q2:Forward Predict和实验室测试环境有什么区别?
A:传统实验室测试环境无法完全复现生产网络的真实状态,尤其是当生产网络涉及数万台设备时,差异更为明显。Forward Predict基于完整的网络数字孪生进行建模,能够在生产规模下追踪每个数据包的完整路径,并对控制平面和数据平面的变化进行端到端分析,精度和覆盖范围远超实验室环境。
Q3:Forward Predict如何支持AI智能体在网络运营中的应用?
A:Forward Predict为AI智能体提供了"预测-执行-验证"的自主运营闭环能力。智能体可通过REST API或MCP服务器调用Predict能力,在机器速度下不断迭代验证变更方案,直至找到正确结果。这使智能体具备了类似软件开发中编译器和单元测试框架的能力,是实现网络自主运营的关键基础。
好文章,需要你的鼓励
云安全公司Sysdig记录了首个"代理式勒索软件"案例——JadePuffer行动。AI代理自主完成入侵服务器、窃取凭证、加密文件并生成勒索信等全流程操作,速度惊人。然而,该攻击并非完全无人介入:人类仍负责选定目标、部署基础设施并提供初始访问凭证。研究人员暂未确认驱动该代理的具体模型,但指出随着运行成本降低,类似攻击规模可能快速扩大。
BrainJanus是由天津大学与上海人工智能实验室联合提出的统一大脑模型,首次在单一自回归框架内实现大脑信号与图像、语言的双向任意转换,并揭示了大脑编码语义级评估的系统性漏洞。
英国机器人与AI公司Humanoid发布KinetIQ Ascend强化学习系统,目标是以人类速度甚至更快达到99.9%的操作可靠性。该系统通过试错学习,在多项工业任务中表现出色:在机器送料任务中吞吐量提升42%,拣货递物任务成功率从80%升至98%,双臂搬运任务成功率达99%,且所有成果仅需数天训练即可实现。该系统还展示出类似大语言模型的扩展规律,训练时间越长性能越稳定提升。
阿里巴巴AMAP团队提出BlockPilot,通过自适应预测每个输入的最优推测解码块大小,在Qwen3-4B上实现4.20倍无损推理加速,比现有最优方法提升约10%。