思科宣布推出面向云级网络的软件与开发者工具,旨在帮助运营商和网络公司推出更敏捷、自动化和简单的云应用,同时显著降低支持相关应用的网络运营成本。思科® IOS XR网络操作系统的创新为实现这些优势奠定重要基础。这些创新能够支持传统和网络运营商融合其数据中心与广域网(WAN)架构,提高网络的可编程性,同时与常见IT配置和管理工具实现更紧密的集成。
全新思科IOS XR创新由思科与多家全球领先网络公司合作开发而成,以他们的运营最佳实践为基础,可以为所有运营商带来更快速、更简单的云级网络。此外,思科还宣布为行业领先的思科网络融合系统(NCS)系列路由产品组合新增三款产品。
数字转型为运营商带来更多机遇
通过使人员、流程、数据及事物实现互联,数字业务转型正快速地不断带来价值,令运营商网络面临前所未有的新需求,使得网络运营商纷纷为其架构寻求替代方案,以便能够更敏捷地开展创新和参与竞争。上个月发布的思科云计算产业调研报告(2014-2019)显示,到2019年年底全球数据中心总流量预计将会增至目前的三倍(从3.4 ZB增长至10.4 ZB),同时83%的数据中心流量将来自云(相比2014年的61%增长显著)。业务设备和机器对机器(M2M)联接的增加,以及更多具备额外存储需求的可扩展服务和应用的出现,将带来新的网络和计算要求,并促使数据中心与广域网实现融合。
为运营商推出全新IOS XR功能
思科为其IOS XR软件推出了强大的新功能,运营商只需付出当前运营模式中拥有成本(逾五年)的一半,就能保证其网络运行。同时,这些解决方案还可使网络效率和性能提高一倍。此外,客户还可以充分利用其对IOS XR的投资,利用现有或全新硬件平台,无缝迁移到云级网络。
思科IOS XR部署于超过5万个正在使用的网络路由器之上,现在又增添了以下新功能:
· 软件模块化和可扩展性带来出色敏捷性和卓越创新
-精细软件套装和自动化升级功能显著提高服务灵活性
-IT和网络能够自动融合第三方应用托管功能,包括工业标准开发运营工具、Chef或Puppet等
-借助IOS XR软件开发套件(SDK)和思科DevNet开发人员计划促进开放创新
· 大规模自动化功能显著提高运营效率
-数据模型驱动的API带来可预测的网络可编程性(YANG/OpenConfig)
-灵活适应客户的运营环境(即任何数据模型、任何编码方法和任何传输方法)
· 精细可视性和控制功能帮助简化并改善最终用户体验
-支持使用数据模型访问广泛的运营状态数据,能够生成切实可行的应用情景内容网络洞察(即,相比SNMP等机制,可显著提升可视性)
-增强应用工程路由解决方案,加入支持遥测和分段路由流量工程的广域网自动化引擎(WAE),带来近乎实时的网络可编程性。
思科NCS系列新增产品包括:
· 思科NCS 5000系列,提供多达40-80个10GE端口和4个100GE端口
· 思科NCS 5500系列,为广域网聚合提供多达288个路由100GE端口
· 思科NCS 1000系列,支持采用现有光纤在超过3000公里的距离提供100/200/250Gb波长
思科运营商事业部全球高级副总裁Kelly Ahuja表示:“运营商正关注利用在大规模可扩展计算环境中建立的运营最佳实践方法和经验,并将它们与其自己的网络范围相结合,以更快地进行创新和参与竞争。此次,思科将引领行业迈向云级网络,融合数据中心与广域网,提升速度、自动化和简单性。我们认为这将真正改变游戏规则,能够帮助各类电信运营商更好地完成其数字化旅程,使他们能够实现近乎实时的网络运营,显著提高运营效率。”
好文章,需要你的鼓励
由贝索斯共同领导的普罗米修斯项目已收购AI初创公司General Agents。该公司开发了名为Ace的AI智能体,可自主执行视频编辑、数据复制等计算机任务。General Agents基于视频语言行为架构开发模型,这与普罗米修斯项目专注制造业AI系统的目标高度契合。收购完成后,普罗米修斯团队已超过100人,预计将推进工业机器人领域的AI应用发展。
斯科尔科技学院联合俄罗斯多家研究机构开发出革命性的多语言AI虚假信息检测技术。该研究构建了覆盖14种语言的大型数据集PsiloQA,通过"诱导AI说谎"的创新方法自动生成训练样本,成本仅为传统人工标注的数十分之一。实验证明多语言训练的检测模型性能显著优于单语言模型,为全球AI可信度监督提供了实用解决方案。
Kagi公司发布Orion浏览器1.0版本,这是一款专为苹果平台设计的全新浏览器。该浏览器主打极速浏览体验和用户隐私保护,完全免费使用并附赠200次Kagi搜索。Orion还提供月费5美元的付费订阅服务,解锁更多高级功能。未来计划包括更深度的自定义选项和性能优化。
NVIDIA研究团队发现,训练机器人最有效的方法竟然是最简单的:直接用普通文字告诉机器人该做什么,而不需要复杂的编码系统。他们开发的VLA-0系统在标准测试中超越了所有复杂方法,平均成功率达94.7%,在真实机器人测试中也比预训练系统高出12.5个百分点。这项发现挑战了"越复杂越好"的传统观念,可能加速智能家用机器人的普及。