至顶网网络频道 06月22日 编译:思科本周二公布了首席执行官Chuck Robbins所说的“新网络”——一套直观的网络系统,可预测行动、阻止安全威胁、并持续进化与学习。Robbins表示,这个新的平台将把基于订阅的方法引入其核心网络产品组合。
思科首席执行官Chuck Robbins
Robbins在旧金山举行的一个媒体和分析师会议上表示:“今天,我真的相信我们正在为未来30年重新定义网络。在思科的20年中,我对今天我们所提供的创新比以往任何时候都感到更加兴奋……我们正在构建未来的网络。”
同时,思科发布了一系列围绕Network Intuitive平台的新产品,包括一系列新的Catalyst交换机、更新的面向数字时代的IOS软件、安全以及分析产品。
“这个平台……让我们能够为客户带来更长久的终身价值,”Robbins表示。“两年前,我们的业绩中有19亿美元来自软件和订阅,上个季度,这个数字增长到了45亿美元。最大的问题是,你能把这些带入你的核心吗?今天,我们将订阅模式带入了我们核心的网络产品组合。我们不仅为思科给网络市场所带来的创新感到非常兴奋,而且这让我们可以继续在未来的平台上,为客户提供更多价值。”
据Robbins说,这个新网络是思科多年的研发成果,今天那些管理着数百台设备的网络工程师,到了2020年预计将要管理100万台,在这个背景下,思科的新网络将重新定义网络。
思科的方法创造了一个直观的系统,不断学习、适应、自动化和保护,以优化网络运营,防御今天不断变化的威胁形态。
思科高级副总裁、网络和安全总经理David Goeckeler在声明中称:“思科Encrypted Traffic Analytics解决了此前被认为无法解决的网络安全挑战。ETA采用思科的Talos网络智能来检测已知的攻击特征,即使在加密的流量中,也能帮助在确保安全性的同时,保持隐私。”
Geockeler还说,思科新的面向Intuitive Networkk的IOS操作系统是为数字时代重建的,“我们新的IOS是开放的,是API驱动的,是可编程的,是模块化的,允许我们可以将其扩展到API世界中实现互连。这将在未来30年推动意向驱动的网络。”
此外,思科还推出了全新系列的交换机,针对数字时代全新设计的,集中于满足移动、云、物联网和安全的需求。新的思科Catalyst 9000系列提供了出色的安全性、可编程性和性能,在硬件(ASIC)和软件(IOS XE)层实现了创新。
Robbins表示,思科现在正在让软件订阅模式成为其旗舰校园交换机产品组合的一个重要元素。当采购新的Catalyst 9000系列交换机时,客户将通过思科ONE软件套件,或者单点组件,以订阅的方式访问DNA软件功能。
据称,思科的Digital Network Architecture (DNA)为Intuitive Network提供了支撑。思科新的DNA Center是一个直观的、集中管理的仪表板,为IT团队提供了一个基于意图的方案,涵盖设计、配置、策略和保障。
此外,思科还推出了一系列新的DNA服务,采用了很多最佳实践和创新工具。渠道合作伙伴还可以转售这些服务,打造融合软件、安全、自动化和分析的网络方案。
同时,思科还发布了新的DevNet DNA Developer Center,利用资源帮助开发者和IT专业人士创建网络支撑的应用,并将其与他们的IT系统和工作流进行整合。这其中包括新的学习任务、沙箱和开发人员支持资源,以使用API和打造技能。
思科表示,现在已经有75家领先的全球企业和组织开始早期试用这些下一代网络解决方案,其中包括DB Systel GmbH、Jade University of Applied Sciences、NASA、Royal Caribbean Cruises Ltd.、Scentsy、UZ Leuven和Wipro。
现在,合作伙伴可以订购Catalyst 9300和9500系列,Catalyst 9400系列将在下个月供货。而DNA Center将在8月开始供货,加密流量分析功能也将在9月提供。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。