——Cristina Rodriguez,英特尔公司数据平台事业部副总裁兼无线接入网络部门总经理
如今,5G的快速发展和不断增长的数据量为通信服务提供商(CoSP)带来明显压力,因为他们必须在满足容量需求的同时为最终用户推出差异化服务。鉴于此,CoSP正在探索虚拟化和云原生的网络解决方案,来打造能够充分释放5G潜能所需的性能和灵活性。
英特尔与爱立信在加速虚拟化无线接入网络(vRAN)部署方面进行长期合作,并取得了最新成果,即针对中频段频谱推出的爱立信Cloud RAN。我们共同交付了凸显各自公司产品组合优势的新技术。
我们此次合作的核心是共同致力于推动生态系统和电信行业实现5G部署。自2016年以来,爱立信一直与我们合作,并通过在英特尔至强服务器上虚拟化RAN工作负载,为基于英特尔的RAN建立坚实基础。我们的共同努力建立在物联网、云和5G的技术进步之上——从核心到RAN再到边缘网络。
我们近日参与的合作项目包括爱立信开放实验室(包括中频段)5G 用例驱动型解决方案的孵化。随着我们继续努力兑现5G承诺,将英特尔的计算和处理能力与爱立信RAN算法和软件知识产权(IP)相结合,我们将能够帮助制定多代云原生RAN解决方案路线图。
超强Cloud RAN解决方案的多功能应用
虚拟化RAN的概念将网络技术从专门构建的硬件转移到通用计算平台上。虚拟化RAN构建在云原生架构中,其中云原生网络功能可在包含生命周期管理、弹性和可观察性等关键元素的容器中运行,并最终带来一个灵活、可扩展、敏捷的平台。
随着2020年10月Cloud RAN的问世,爱立信推出一款可被引入专用网络的vRAN解决方案。这个概念称为bluefield部署,它让CoSP能够将Cloud RAN部署到预置网络中,并充分利用两种网络架构之间的互连互通优势。此外,Cloud RAN还支持新站点构建或绿场部署。最终,爱立信Cloud RAN解决方案可在任意情况下提供适应性极强的架构和部署选项。
诸多英特尔技术和代号为Sapphire Rapids和Granite Rapids的下一代英特尔至强可扩展处理器系列被应用于爱立信中频段Cloud RAN解决方案当中。我们的处理器旨在为客户提供可满足现代网络工作负载需求的性能、效率、多功能性和信任。
虚拟化RAN架构变革赋能高性能5G
人们之所以对虚拟化和云化RAN感兴趣是因为大概10年前在核心网络中看到了类似的益处。通过不断发展虚拟化RAN架构,CoSP可以获得更高的敏捷性和灵活性,以支持全新5G用例和边缘服务的引入。
凭借在网络虚拟化领域10多年的经验,英特尔正在全球率先推出vRAN。业界已经看到利用英特尔技术进行vRAN早期商业部署的优势。我们正在提供英特尔®至强®处理器、加速器、FPGA 和以太网适配器来支持全球网络部署。服务提供商看到了与英特尔以及我们合作伙伴一起加速创新的潜力,这使他们的网络得以现代化,以便提供增强服务,将人工智能引入RAN,并为消费者和企业提供全新产品。
致力于释放云原生RAN创新潜力
英特尔和爱立信正在开创vRAN领域的新天地,并不断推出融合各自产品优势的创新技术。通过继续与爱立信合作优化英特尔加速器技术以及爱立信RAN处理和算法,两家公司可以提供在最苛刻的RAN环境中所需的高性能。随着我们不断向前发展,英特尔致力于加强与爱立信以及整个生态系统的合作,从而开发出面向现在和未来的强大的、全面的RAN解决方案。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。