ZD至顶网网络频道 09月07日 北京报道:在今天召开的2015全球IPv6下一代互联网高峰会议上,天地互连董事长,同时也是大会主席刘东为本届大会做了精彩致辞,认为在新的网络环境下,IPv6将为物联网、移动互联网、工业互联网、能源互联网等诸多产业发展提供广阔的地址资源和端到端安全互联的基本保障,使“一物一址”,让“万物互联”。
天地互连董事长,大会主席刘东
刘东讲到,在过去一个月当中我想了很多,我想我在过去和大家一起推动互联网的基础设施,看到互联网的蓬勃发展,我感到很欣慰。但另一方面我也在想,我们在推动互联网应用的同时,互联网基础设施如何能够发挥的更好,我们看到政府做了很多工作,出台了很多措施,早在2012年3月,发改委发布的《下一代互联网“十二五”发展建设的意见》中就明确提出“十二五”期间IPv6 宽带接入用户数超过2500 万的目标;2013年年底,工信部和发改委联合发布《关于同意北京市等16个城市(群)开展国家下一代互联网示范城市建设工作的通知》,以全面推进IPv6的中国落地;2015年5月,工信部和发改委联合发布《关于全面推进IPv6在LTE网络中部署应用的实施意见》。而就在前两天,由国务院办公厅发布的《三网融合推广方案》中又再一次提及IPv6,强调在加快下一代广播电视网建设过程中,要全面支持互联网协议第6版(即IPv6)。
在一系列政策的推动下,中国IPv6市场发展迅速,我国网络设备厂商对于IPv6趋势的认同度不断增加且市场投入力度也是不断加大。根据全球IPv6测试中心的统计,截至2015年8月31日,全球共发放IPv6 Ready Logo数量2055个,其中中国占全球总量的31%,位居全球第一,这已经是从2013年开始,连续两年居全球第一。
目前,我国正奋进在国家现代化征程上,我们的互联网发展既处于难得的重要战略机遇期,又面临一系列重大结构性问题。当“互联网+”时代来临,人与人、人与物,物与物间的信息交换与共享需求使得互联网基础资源和技术的压力将空前强大。而IPv6将不仅仅作为IPv4地址枯竭的一个解决方案,更是复杂的可以自由转变自动运行的下一代互联网的重要支撑。在这过程中,需要政府及相关组织制订政策引导,需要运营商、设备商及互联网内容提供商的积极响应,更需要在座各位的通力合作,共同搭建一个良好的下一代互联网发展环境,让IPv6为物联网、移动互联网、工业互联网、能源互联网等诸多产业发展提供广阔的地址资源和端到端安全互联的基本保障,使“一物一址”,让“万物互联”。
另外,刘东讲到,“今年的IPv6峰会正值第十五届。15年的时间,说起来很短,但就下一代互联网的发展历程来看,可以说见证了我国下一代互联网产业的飞速发展期。”
刘东指出,因为没有人看到有其他的路径可以绕过IPv6,但是我们的确看到在发展IPv6当中我们面临非常多的挑战,包括商业模式、如何运行等等。我想可能我们从技术驱动型方面到考虑如何创新,如何有很好的商业模式来推动整个互联网的发展,互联网取得了巨大的成功,中国是非常重要的受益者。我们看到有很多的互联网公司,很多的年轻人投身于这个互联网的事业进行创业,进行创新。
而在下一个三十年,作为一个大国来说,刘东认为,我们应该为互联网作出更多的贡献,我们也是最大的受益者。最重要的一点是在未来的经济转型过程当中,我们有机会利用互联网的一些思考,互联网的一些想法,互联网技术的本身来更新我们的产业,更新我们的思维。
最后,刘东认为,互联网将改变我们生活的方方面面,包括我们交流的方式,采购的方式,工作方式等等,这一切一切都离不开互联网的基础设施。当我们在谈每一款手机上市的时候,我们要看后面将会有多少基础设施进行支撑,所以我也非常荣幸大家能够莅临这个峰会,持续支持IPv6峰会的发展,也是大家对IPv6下一代互联网事业的支持。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。