7月16日,由阿里、腾讯、百度、美团、京东、快手、中国信通院云大所联合推进的S³IP规范化白盒生态项目在北京正式启动!项目旨在通过软硬件规范和开源,简化白盒交换机系统集成,从而促进开源网络白盒生态发展。
图|阿里云基础设施网络团队负责人 蔡德忠
阿里云基础设施网络团队负责人蔡德忠发表了以“端网融合,构建面向服务的可预期网络,让应用更简单”的主题演讲。他表示:作为社会基础设施,未来网络的演进方向就是面向社会服务的可预期网络,稳定、安全、可控,让应用更简单。“白盒的目的不是为了降低成本,而是促进运营能力的升级,从而更加有效地促进生态更加良性合作和发展。”
S³IP 白盒缘起:供应链最优 实现网络设备软硬件分层解耦
在网络领域,“白盒”不是个陌生的话题,事实上,白盒是商业发展到一定阶段后的必然产物,也是技术和商业的联动。随着技术的不断演进,在 to B市场上,白盒会更加趋于同化,白盒迭代给了最终用户二次开发和定义特性的权力,从而帮助用户实现整个供应链最优化。
然而,今天白盒交换机门槛依然很高,一方面要求使用者必须要有自己的研发能力,不是一个“自动化安装”的过程,而是一个需要不断打磨的过程;其次,产业生态还不成熟,尚未形成统一标准。阿里云基础设施网络团队资深技术专家、ODCC网络工作组组长王超表示“只有当网络设备实现真正的软硬件解耦,所有的最终使用者把自己想要的、心仪的软件安装到一台符合标准的硬件就直接工作,白盒才是真正意义上对所有人是白盒,而不只是对有研发能力的互联网厂商是白盒。”
图|阿里云基础设施网络团队资深技术专家 王超
在此背景下,阿里在内的几家互联网企业启动了S³IP项目,合力推进开源白盒生态建设,基于SONiC,通过规范化交换机OS和底层驱动/FW/硬件基础设计的接口部分设计,简化厂商研发、移植、运维白盒系统难度,真正达到网络设备的软硬件分层解耦,从而降低成本投入。这将极大推进我国数据中心及网络产业的发展,为数字化技术进步、数字中国的建设提供强有力的底层支撑。
S³IP 生态共建 产业互惠 成果丰硕
过去几年,阿里云基础设施网络团队一直以实际行动积极推动白盒化发展。
2017年
完成网络架构顶层设计、设备简化和智能化,通过Scale-Out扩大规模减少故障率,实现运营高度自动化。
2018年
开始自研白盒设备,通过完全自主掌控整个系统软件,有效推进运营智能化。
2021年
经过3年时间的研发和规模部署,阿里云基础设施网络团队在自研白盒领域技术探索已处于行业领先地位,同时积极参与各类开源生态,回馈社会推动网络白盒生态发展。
图|阿里云基础设施网络团队高级技术专家 朱芳波
阿里云基础设施网络团队高级技术专家、S³IP项目PM朱芳波介绍了此次开源项目成果。多家企业联合发布了:
硬件驱动/FW API接口规范
包括平台解耦、即插即用、Sysfs规范、内容规范等
BMC&Diag设计规范
包括统一API、研发测试、准入认证、生产测试、交付测试、现场诊断等
硬件基础能力规范
包括控制面、管理面以及其它基础功能
以客户需求为驱动力,让项目和客户使用体感持续互动迭代演进,让S³IP变成解决用户真实需求的有用利器,也变成推动网络白盒标准化的新引擎。
图|阿里云基础设施网络团队自研软件负责人 王永灿
阿里云基础设施网络团队自研软件负责人王永灿代表参与到S³IP项目中的企业发布了自2020年S³IP立项以来的研究成果,在半年时间里,S³IP项目测试了近50个用例,可在S³IP官网下载。接下来将基于SONIC生态的D4OS,整个系统发挥各自专长,设备厂商做底层驱动,芯片厂商开发相关SAI。目前PIT自动化测试框架已上传至GitLab,也在S³IP生态发布。未来也将在S³IP中公布更多规范。
图|阿里云基础设施网络团队高级技术专家 黄一元
阿里云基础设施网络团队高级技术专家黄一元也介绍了S³IP的硬件标准化工作,如通过软硬件解耦支持设备集成效率提升,通过硬件标准化提高系统可靠性。目前开展了四个方向的工作,包括基础能力标准、硬件测试和验证、设计模块标准、模块和系统开源。
众人拾柴火焰高,白盒生态只有覆盖尽可能多的产业从业者,才能最大限度的发挥出其作为一个生态的意义和作用。作为此次S³IP规范化白盒生态项目的主要发起者之一,未来,阿里云基础设施网络团队将继续积极从事白盒化相关探索,为持续推进白盒生态建设作出自己的努力。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。