为了改变未来互联网的经济性和可持续性,思科对800G路由器系列进行了升级。
物联网爆炸式增长,设备从数十亿增长到数万亿,这种情况不仅仅造成通过5G和Wi-Fi联网设备的带宽需求增长了,从联网设备中获取见解的人工智能/机器学习(AI/ML)工作负载对带宽的需求也增长了。
思科表示,在这个新的联网时代,生成式AI、搜索、语言处理和推荐引擎等应用推动了数据中心环境中AI/ML集群的快速增长,这些应用比传统工作负载需要的带宽更多,思科还补充表示AI / ML结构需要用更密集的骨干网扩展,这对于支持大量低延迟处理器至关重要。
虽然带宽增长似乎是无限的,但思科强调空间和功率是有限的,这意味着需要密集而节能的平台。相比于思科的400G/100G模块化服务,这项产品将通信服务提供商和Webscale客户骨干网、城域核心网和数据中心网络的容量翻了一番。
用于Cisco 8000系列路由器的28.8Tbps / 36 x 800G线卡由Cisco Silicon One处理器提供支持,据说它能够降低运营成本,同时在网络在100G、400G和800G容量的发展过程中保护投资。据说它还能够使用更少的硬件扩展和设备重用,从而让客户因为减少碳排放受益。
Analysys Mason的研究总监Simon Sherrington表示:“根据我们广泛的市场研究和流量分析,我们预测固定和移动服务的数据流量将继续增长,包括5G、宽带、物联网和云。”
“这些趋势使网络面临越来越大的压力,这就是为什么未来需要通过Cisco 8000等解决方案扩展到800G吞吐量,同时帮助服务提供商和云提供商提高运营效率、可持续性和用户体验。”
思科网络、数据中心和供应商连接高级副总裁兼总经理Kevin Wollenweber表示:“我们将继续将800G扩展到更多用例,从AI/ML结构到核心,帮助我们的客户实现自身的性能和可持续发展目标。我们的密集核心和骨干解决方案采用了使用Cisco Silicon One的新型双密度线卡,凭借这些解决方案,我们加快了任何地方向800G 的过渡。”
思科8000系列路由器系统(Cisco 8000 Series Router Systems)还被认为能够节省高达83% 的空间,允许用户使用大致相同的基础设施将网络变得更密集,以支持5G、宽带、物联网和AI/ML 等用例。思科8000系列路由器平台将相同机箱占用空间的容量翻倍,其空间效率达到了400G单机箱系统的两倍。
Florida LambdaRail(由美国研究和教育界拥有并运营的高速美国计算机网络)的首席网络架构师Chris Griffin描述了一个典型的用途,他表示设备空间和计算能力是一个主要问题,因为现在Florida LambdaRail很多站点的空间都已经被占满了。
他表示:“随着Florida LambdaRail新的FLRnet4 400G骨干网的实施,结合令人难以置信的转发能力、运营效率和可靠的IOS XR网络操作系统让思科8000系列成为我们新网络的不二之选。”“我们对我们的选择感到非常满意。我们不仅拥有最先进的网络,思科的8000 系列解决方案还可以确保节省出足够多的运营支出,以在未来几年扩展我们的网络。”
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。