慧与科技(NYSE: HPE)日前宣布,Gartner将HPE Aruba Networking评选为2024年《企业级有线和无线局域网基础设施魔力象限》报告领导者。这是HPE Aruba Networking连续第18次荣膺Gartner领导者象限殊荣。
在《企业级有线和无线局域网基础设施魔力象限》报告中,Gartner依据两项重要指标对供应商进行评估:愿景完整性和执行力。该报告中涵盖对各入选供应商优势和应注意事项的评估。
HPE Aruba Networking首席产品官兼首席技术官David Hughes表示, “正是由于HPE Aruba Networking致力于为客户打造的集中式平台,从而让我们获评此次领导者象限殊荣。这一平台旨在为客户提供更佳的网络可靠性和安全性,并借助将人工智能融入网络管理解决方案,以激发客户的创新动力,进而帮助提升网络团队和终端用户的体验。未来,我们将持续通过HPE Aruba Networking Central平台满足关键客户需求,该平台可通过本地部署或云端进行访问,具有全新的UI,支持零信任安全、网络即服务(NaaS)动态扩展,以及通过一系列收购带来的功能拓展,包括Axis Security的安全服务边缘(SSE)解决方案和Athonet的私有5G网络技术。”
HPE Aruba Networking营销副总裁Scott Calzia表示, “我们坚信,连续第18次荣膺Gartner领导者象限殊荣,印证了我们在构建有线和无线局域网基础设施方面的卓越专业实力,这些基础设施广泛应用于园区、分支机构和远程部署。同时,这一荣誉也再次凸显了我们在其他领域所提供的一系列解决方案的强大实力,涵盖数据中心、私有5G网络,以及整合了工作流自动化和边缘到云安全的物联网网络。”
HPE始终致力于推动网络领域创新,以满足关键客户的需求。去年,HPE通过收购私有蜂窝网络技术供应商Athonet,成功将私有5G网络引入企业无线领域,并作为集成式云管理解决方案的一部分。与此同时,HPE去年收购了云安全厂商Axis Security,从而为产品新增了基于云的网络接入控制、通用策略,以及基于EVPN/VxLAN的访问控制能力,进一步提升零信任安全性。此外,今年年初,HPE宣布有意收购Juniper Networks,以加码在网络业务和人工智能驱动型创新领域的投入。
我们深信,凭借在魔力象限中取得的领导者地位,HPE正处于前所未有的有利地位,进而推动网络市场持续转型。
附加资源
Gartner,《企业级有线和无线局域网基础设施魔力象限》,作者Tim Zimmerman,Mike Leibovitz, 以及Nauman Raja,2024年3月6日。
HPE Aruba Networking在《企业级有线和无线局域网基础设施魔力象限》报告中以HPE(Aruba)出现。
HPE Aruba Networking连续18年的傲人地位包括从2015年至2023年连续9年被评为有线和无线局域网基础设施魔力象限领导者。同时,HPE Aruba Networking从2012年至2014年连续3年被评为同一魔力象限领导者,并在2006年至2011年期间5年(2009年未发布报告)获评无线局域网基础设施魔力象限领导者。HPE Aruba Networking曾在2005年获评无线局域网基础设施魔力象限领导者和挑战者。
GARTNER是Gartner, Inc.和/或其附属公司在美国和国际的注册商标和服务商标,MAGIC QUADRANT是Gartner, Inc.和/或其附属公司的注册商标,本文已获得使用授权。保留所有权利。Gartner不为其研究出版物中提及的任何供应商、产品或服务背书,也不建议技术用户仅选择具有最高评级或其他称号的供应商。Gartner研究出版物包含的是Gartner研究组织的意见,不应被视为事实陈述。Gartner对本研究不承担任何明示或暗示担保,包括任何针对特定用途的适销性或适用性的担保。
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。