Aruba Atmosphere大会宣传横幅。
上周,我参加了HPE Aruba举办的第二届Atmosphere数字大会。这一次,Aruba将一系列重要用例与去年大会上发布的边缘服务平台(Edge Serviecs Platform,简称ESP)增强功能完美结合了起来。此外,我也有幸在问答环节中与公司管理层直接对话。在今天的文章中,我想从自己的角度为大家带来消息梳理与要点汇报。
收购Silver Peak ,整合价值
HPE于去年7月宣布有意收购Silver Peak,并在之后几个月内顺利完成交易。面对近100亿美元的巨额收购价码,看来HPE是在Silver Peak身上看到了巨大的潜在价值。我相信这次收购是明智之举,有望将Aruba在分支机构软件定义广域网领域(HPE将其称为「SD-Branch」)与Silver Peak强大的安全与分段功能整合起来。此次合并还成功消除了两位领导者在SD-WAN业务层面的冗余交集,避免重复性产品占用过多企业资源。
更令人印象深刻的是,Aruba只用了短短六个月就把Silver Peak与边缘服务平台(ESP)成功统一起来。Aruba ESP中包含四大核心要素——云服务与数据管理、动态策略与安全性、连接多样性、以及生态系统创建。Silver Peak则通过零信任细分、统一分支机构安全与扩展合作伙伴生态系统三大主要方式给ESP带来增强。下面具体来看。
时至今日,零信任已经成为每一家网络基础设施供应商的核心议题。面对物联网设备的爆炸式增长,缺乏统一历史标准与大量设备的“无头”(即不具备自有用户界面)特性,已经让物联网成为网络运营商眼中的巨大风险来源。Silver Peak的零信任细分机制要求特定设备及用户仅能够与其角色及功能相关的对应端点进行通信,借此消除物联网威胁。此外,统一分支机构安全则负责提供威胁可见性、策略驱动实施与事件关联能力。Silver Peak的EdgeConnect则作为功能的交付管道。在我看来,Aruba Central通过入侵检测与预测、威胁日志记录与分析、以及基于区域的防火墙等功能进一步增强了本已相当可靠的Aruba安全产品。最后,Silver Peak还扩展了Aruba多年以来精心构建的合作伙伴生态系统,着力以API原则保障各类第三方设备、应用程序与服务之间的互操作性。
Aruba高管观点
在这次线上大会中,我有幸与Aruba总裁Keerti Melkote、CTO Partha Narasimhan,以及Silver Peak公司创始人David Hughes(现任Aruba WAN业务负责人)直接对话。Melkote先生谈到由疫情流行引发的数字服务爆发式增长,包括远程医疗与电子商务等具体领域。边缘基础设施的快速部署,极大提高了各类用例的延迟与往来吞吐量。而Aruba的ESP平台显然希望把握住这个难得的机会。
Narasimhan先生则在分组讨论中带来了三个客户案例,其一侧重于工作场所、其一侧重于网络运营、其一侧重于基于位置型服务的对应业务成果(这也是Aruba Meridian平台的核心优势所在)。他对于Aruba Fabric Composer的介绍给我留下了深刻印象。根据说明,Fabric Composer能够消除成千上万条CLI命令,极大简化并加快网络部署流程。如此一来,IT员工能够把更多精力放在增值业务身上,例如交付新的应用与服务方案。
最后,Hughes先生又谈到Silver Peak收购完成后安全访问服务边缘(Secure Access Service Edge,简称SASE)的全面崛起,特别是它如何改变物联网设备的管理思路。他提出一个令人信服的观点:SASE无法管理无头设备,而这类设备的存在已经对大部分网络构成新的威胁。敢于提出这个问题,Hughes的心中应该已经有了解决方案——答案很可能就是EdgeConnect通过零信任分段提供的设备保护功能。
总结
毫无疑问,Silver Peak与Aruba ESP平台的对接是一场双赢联合。这次集成不仅扩展了Aruba Central与ClearPass中已经令人印象深刻的功能集,也将推动Aruba逐步成长为SD-WAN/SASE部署市场的顶尖参与者。Aruba还计划以Intelligent Edge解决方案为中心,不断交付更多重要新功能。相信以云计算为发展方向的Aruba,必将凭借全面的产品组合与强大的“从边缘到云端”前进路线达成惊艳世人的成就。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。