随着AI持续重塑技术和商业格局,企业在AI时代的网络连接意味着必须始终在线,并在主权和安全方面保持额外警惕。
这意味着速度并非唯一要求。正如Expereo首席数字官Julian Skeels所指出的,更重要的是"确定性"。"AI工作负载是分布式的,持续运行的,对延迟极其敏感。推理、监控、检索和修复从不停止,这改变了网络的角色,"Skeels说。
"在AI世界中,网络实际上成为了系统依赖,"他补充道。"当网络性能下降时,应用程序立即受到影响。"
"支持AI的网络需要使数据移动变得确定性。这不仅仅是速度快的问题;而是要可预测、可观察、可治理和有弹性——并且要在持续变化中做到这些。"
然而,许多首席信息官目前正在与Skeels描述的"连接无处不在但可视性缺失"的问题作斗争。
"他们正在处理混合网络、多个云、多个提供商和门户,这些给他们的团队带来了持续的运营拖累,"Skeels说。"他们想要的是清晰度和控制力——而不是更多工具。"
Skeels去年加入Expereo,拥有丰富的跨行业产品和数字化转型经验。他发现这个行业已经为加速变革做好了准备,而公司决心引领潮流,确保全球连接定价应该以分钟而不是几周来计算。
"当我来到Expereo时,我看到全球连接在很长时间内基本上抵制了真正的数字化转型,"Skeels指出。"大多数客户仍然会感受到缓慢、手工、不透明以及在他们需要合作的数十个提供商和门户之间的碎片化。"
"不过,我们相信,随着智能体AI等新兴技术的出现,这种情况终于在改变,"Skeels补充道。"我们在这里的目标是让全球连接对我们的客户来说像云计算一样简单、即时和透明。"
为客户实现这种变革需要速度和可视性的结合——这就是expereoOne平台的作用,提供公司所称的"生活速度的可视性",为客户提供对部署内容、性能表现和成本的单一全球视图。除了可视性,客户还需要主动性,正如Skeels解释的那样。
"我们深度集成到客户的订单管理、ITSM、ERP系统中,这使得大规模与Expereo合作变得绝对无缝,"他说。
"关键点在于,更好的可视性不是关于更多仪表板。而是将网络行为与他们在弹性、安全体验和成本方面的业务结果连接起来。"
网络挑战与AI时代的新要求
Skeels将在2月4-5日的全球数字化转型博览会上就设计支持AI的网络发表演讲——他的会议承诺颠覆与会者通常听到的建议。
"我想挑战一些观点,"Skeels指出。"我想请人们考虑甚至忘掉他们过去学到的一些东西。我们过去认为理所当然的很多网络知识在AI世界中不再适用。"
Q&A
Q1:AI时代的企业网络连接有什么新要求?
A:AI时代的企业网络连接不仅需要速度,更需要"确定性"。AI工作负载是分布式的,持续运行的,对延迟极其敏感。推理、监控、检索和修复从不停止,这使得网络成为系统依赖。当网络性能下降时,应用程序立即受到影响,因此网络需要使数据移动变得可预测、可观察、可治理和有弹性。
Q2:目前企业在网络连接方面面临什么主要挑战?
A:许多首席信息官面临"连接无处不在但可视性缺失"的问题。他们需要处理混合网络、多个云、多个提供商和门户,这些给团队带来持续的运营拖累。客户体验仍然是缓慢、手工、不透明以及在数十个提供商和门户之间碎片化的。他们需要的是清晰度和控制力,而不是更多工具。
Q3:expereoOne平台如何解决企业网络连接问题?
A:expereoOne平台提供"生活速度的可视性",为客户提供对部署内容、性能表现和成本的单一全球视图。该平台深度集成到客户的订单管理、ITSM、ERP系统中,使大规模合作变得无缝。重点不是提供更多仪表板,而是将网络行为与业务结果在弹性、安全体验和成本方面连接起来。
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。