思杰进一步增强Citrix Desktops Service和Citrix Desktops Essentials的功能,提供区别于VPN方案的更简单、安全、可靠的思杰远程工作解决方案
美国,2020年5月——过去,让员工远程访问办公电脑桌面是一件锦上添花的举措,但在疫情期间,远程访问办公电脑桌面已经成为刚性需求。只有这样,才能让员工保持生产力,确保公司业务的照常开展。当全球各地开始纷纷实施居家隔离,员工也只能在家办公,很多企业仓促地为员工部署了企业VPN,以便让他们远程访问公司的各个系统,但是这种解决方案存在着一定的局限性。最近,思杰(Citrix)和OnePoll对全美2000多名在家办公的员工开展了调查。调查结果显示,基于VPN的远程办公方式存在着诸多短板,比如“速度慢”、“难以访问完成工作所需的应用程序”等问题。此外,更进一步的调查还发现,这种远程办公模式还存在安全隐患和泄露隐私的风险。
为了提供更为安全可靠的替代方案,思杰(纳斯达克交易代码:CTXS)今天宣布,将其在全球范围内使用的Remote PC Access(远程PC访问)解决方案扩展至云端。该解决方案将成为Citrix Desktop Service和Citrix Desktop Essentials的组成部分。此举将会帮助各种规模的企业都能够获得熟悉的虚拟桌面和高性能的使用体验,员工在远程办公的过程中也能够以安全的方式访问高效开展工作所需的所有应用程序、信息和资源。
Enterprise Strategy Group高级分析师Mark Bowker表示:“那些为了满足远程办公需求而仓促部署解决方案的企业可能会面临安全风险,对工作效率的潜在影响,或是出现未知的网络问题等等。企业正在想方设法弥补这些短板,那么现在就是考虑使用VDI和其他数字化工作空间技术的理想时机,这些技术可以为居家办公的员工带来安全而高效的工作体验。”
借助思杰远程PC访问解决方案,IT企业能够通过安装小型客户端(VDA),迅速而轻松地向员工提供完整的虚拟桌面体验,使用这样的客户端,用户可以随时随地通过任何设备安全地访问运行Windows或Linux系统的PC。这样,远程PC访问就不再需要VPN,而且还可以启用多因素身份验证等安全措施,进一步确保机密内容的安全。
思杰桌面系统与应用程序事业部高级产品营销经理Paul Carley表示:“员工开始逐步适应居家办公的新常态,这时员工能够访问惯用而熟悉的工具比以往任何时候都更重要,这样不仅能保持员工的敬业度和生产力,还能确保企业信息的安全。”
目前,思杰远程PC访问解决方案已被纳入Citrix Virtual Apps and Desktops Advanced/Premium和Citrix Workspace Premium Plus,并作为Citrix Virtual Desktops Essentials和Citrix Virtual Desktops Service的一部分提供。
得益于Citrix Virtual Desktops Service(思杰虚拟桌面),企业能够实现对实体电脑桌面和位于本地和任何公共云上的虚拟桌面基础设施的远程PC访问。此外,通过Citrix Virtual Desktops Essentials Service(Azure Marketplace上提供的月度服务方案),企业还能够使用在Azure托管的虚拟桌面。
Carley表示: “企业向远程办公模式的转变加速了他们向云端迁移的步伐。我们在云端为客户提供解决方案,帮助他们创建安全的数字化工作空间,满足企业当前和未来的需求。”
好文章,需要你的鼓励
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。