中国北京,2022年8月25日——提供人工智能驱动的安全网络的领导厂商瞻博网络(NYSE:JNPR)今天发布了多项重要里程碑成果,展现了该公司在有线和无线接入领域取得的重大进展。凭借具备强大智能运维(AIOps)能力的现代化微服务云解决方案,瞻博网络市场份额增速继续领先,持续荣获行业顶尖分析师的认可,并提供最佳用户和运营商体验。
瞻博网络人工智能驱动型企业产品管理集团副总裁Sudheer Matta表示:“通过提供创新型的客户端到云端的自动化、洞察和自驱式操作,Mist AI在易用性、规模、成本和性能方面继续遥遥领先。这一良好态势归功于我们的世界级产品、销售和市场团队及合作伙伴,他们借助瞻博网络人工智能驱动型企业的创新解决方案,为全球客户和合作伙伴带来了经得起考验的价值。”
这一强劲势头主要表现在如下方面:
650 Group联合创始人兼首席分析师Chris Depuy表示:“瞻博网络无线接入解决方案继续赢得大量企业市场份额,同比增速大大高于其他供应商。瞻博网络 Mist充分发挥Mist AI的先行者优势,取得了良好业绩,很多全球知名公司均为其客户。”
相关引言:
“基于瞻博网络的人工智能和先进的应用程序接口能力,我们通过自动化和集成显著减少了与Wi-Fi相关的故障。Mist AI让我们摆脱了重复性的日常排障工作,使我们能够把更多资源用在战略计划和客户服务上。”
——Brad Martin ,Chick-fil-A首席网络架构师
“Marvis已成为我们的服务支持中心不可或缺的一部分,将难以解决的滞留工单量减少了10倍。”
——Mitch Davis,达特茅斯学院(Dartmouth College)首席信息官
“在与瞻博网络合作后,我们彻底改变了有线和无线网络,为用户体验带来了急需的可见性。迁移至现代化的微服务云也带来了敏捷性的提升,对于我们满足业务部门不断变化的需求至关重要。”
——Steve Day,澳大利亚国民银行(National Australia Bank)首席运营官
“瞻博网络与我们之前的无线局域网提供商相比简直是天壤之别。我们的无线覆盖提升了10倍。”
——Jim Pike,纽波特纽斯公立学校(Newport News Public Schools)网络工程师
“转型至瞻博网络无线网络是完全无缝的。这一过程不应被我们服务的部门注意到,而他们也确实没有注意到。”
——Kristien Kramer,Northeast Georgia Health System(NGHS)网络服务经理
“通过利用ServiceNow事件管理和服务图以及瞻博网络 Marvis等工具(包括NowBot自助服务功能和零信任分支机构网络), ServiceNow得以将与网络相关的故障工单量减少90%以上。”
——Patricia Grant,ServiceNow数字技术运营副总裁
关于瞻博网络
瞻博网络致力于挑战多云时代网络连接和安全的复杂性。我们通过改变人们之间的联系、工作以及生活方式的产品、解决方案和服务实现这一目标。我们简化了向安全、自动化的多云环境迁移的过渡,以实现连接世界的安全、人工智能驱动网络。更多信息请参见瞻博网络(www.juniper.net)或瞻博网络在Twitter、LinkedIn和Facebook上的主页。
Juniper Networks、the Juniper Networks标识、Juniper、Junos是瞻博网络公司在美国和其他国家的注册商标。其他商标均为其各自所有者的财产。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。