传统的企业WAN市场正在经历重大变革,并围绕一种新的架构类别进行整合。AI工作负载和混合云部署暴露了管理连接、安全和应用交付等独立控制平面的运营成本问题。
分布式云网络(DCN)通过在整个应用路径上统一策略执行和遥测来解决这一问题。该架构跨越用户边缘、WAN中间英里和云/应用边缘,采用单一控制平面,而不是拼凑式的点解决方案。
Dell'Oro Group现在预测,DCN市场到2029年将达到210亿美元,复合年增长率为30%。这一预测相比该公司2025年1月预测的2028年170亿美元有了大幅上调。这种加速反映了企业正从孤立的网络升级转向全面的架构转变。
市场重心的重大转移
"最大的转变是市场重心从以多云连接作为核心问题转向以'运营一致性'作为决定因素,"Dell'Oro Group企业安全和网络高级总监Mauricio Sanchez对Network World表示。
市场对DCN的理解在过去一年中发生了显著变化。Sanchez指出,在Dell'Oro 2025年1月的预测中,重点强调的是混合云采用和AI驱动的对弹性、软件定义网络的需求,多云复杂性是主要增长引擎。而在2026年1月的新预测中,框架更加清晰。
"DCN越来越被视为一种端到端运营模型,它标准化了跨用户、中间英里和云/应用边缘的连接、安全策略执行和遥测,"Sanchez说。
Dell'Oro将DCN定义为提供一致连接、策略执行和遥测的平台和服务,从用户跨WAN到分布式云和应用边缘,涵盖分支站点、数据中心和公有云。随着混合架构和AI时代流量模式增加了分散控制平面的运营成本,这一类别正获得越来越多的关注。
根据Dell'Oro的研究,DCN买家正超越孤立的升级,优先考虑能够减少连接、安全和遥测之间运营缝隙的架构,以便事件响应和变更控制能够遵循单一线索。
DCN的独特之处在于它将用户到应用的体验与策略和可见性执行位置联系起来。这在应用交付路径变得更加动态、工作负载在本地数据中心、公有云和边缘位置之间转移时尤为重要。架构要求是消除网络和安全团队之间的交接,而不是优化个别网络段。
云应用边缘推动增长
云/应用边缘是增长最快的DCN支柱。这一细分市场在工作负载附近部署策略执行和遥测收集点,而不是将流量回传到集中式安全栈。
"多云仍然是现实,但它本身不再是持久的驱动因素,"Sanchez说。"云/应用边缘正在加速发展,因为企业试图使应用路径在混合环境中变得可预测和安全,这需要将应用感知的路由、策略执行和统一遥测推向更靠近工作负载的地方。"
这一转变反映了买家优先级的变化。Sanchez指出,随着架构变得更加分布式和动态,买家更重视能够简化策略部署和加速故障排除的平台。这种方法还有助于减少网络和安全团队之间的交接。
"在实践中,这是WAN决策开始受到应用邻近控制影响的地方,需要运营整个路径,而不仅仅是连接端点,"他说。
AI的重大影响
就像网络和更广泛的IT领域的其他一切一样,AI正产生重大影响。
根据Sanchez的说法,AI工作负载正在两个维度上重塑网络需求:AI正在改变流量模式,同时也在改变运营期望。
"AI时代应用增加了带宽需求,提高了对延迟和抖动的敏感性,并放大了东西向和区域间流量,这使得分散的控制平面和拼接操作成本更高,"Sanchez解释道。
同时,他指出AI也在提高第二天运营的标准。企业需要更快的事件响应、更紧密的策略到遥测联系,以及更多自动化来跟上快速的应用变化。
"随着时间的推移,这就是为什么DCN成为AI时代应用的新WAN。它将连接、安全和可见性作为协调系统对齐,使企业能够大规模可靠地运营分布式应用,"Sanchez说。
Q&A
Q1:分布式云网络DCN是什么?有什么优势?
A:分布式云网络DCN是提供一致连接、策略执行和遥测的平台和服务,从用户跨WAN到分布式云和应用边缘。它采用单一控制平面统一管理,而不是拼凑式的点解决方案,能够显著降低运营成本,提高管理效率。
Q2:DCN市场前景如何?增长有多快?
A:Dell'Oro Group预测DCN市场到2029年将达到210亿美元,复合年增长率为30%。这一预测相比之前的170亿美元有大幅上调,反映了企业正从孤立的网络升级转向全面的架构转变。
Q3:AI对分布式云网络发展有什么影响?
A:AI工作负载正在两个维度重塑网络需求:改变流量模式和运营期望。AI应用增加了带宽需求,提高了对延迟和抖动的敏感性,同时要求更快的事件响应和更多自动化,这使得DCN成为AI时代应用的必然选择。
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。