HPE加倍投入私有5G,并意图瞄准一个不断增长的市场——据IDC预测,该市场到2026年规模将增长到超过16亿美元。HPE宣布收购私人蜂窝网络技术提供商Athonet,进一步扩展自己连接边缘到云端的产品阵容。
Athonet总部位于意大利维琴察,在为全球企业和通信服务提供商提供4G和5G移动核心解决方案方面拥有超过15年的经验。Athonet在各个行业拥有450多个成功的客户部署,包括领先的移动运营商、医院、机场、交通港口、公用事业、政府和公共安全组织。
HPE在谈及此次收购的必要性时指出,随着企业面临跨大型站点和远程站点的复杂连接挑战,私有5G可以在园区和工业环境中提供高水平的覆盖范围、可靠性和移动性,此外还增强了Wi-Fi提供的具有成本效益的高容量连接。HPE将把Athonet的技术整合到HPE Aruba 网络产品组合中,直接向企业提供私有网络功能,同时让通信服务提供商(CSP)能够为客户快速部署私有5G网络。
HPE公司全球副总裁、通信技术事业部总经理Tom Craig表示:“电信客户正在寻找更简单的方法来部署私有5G网络,以满足客户在连接边缘不断增长的期望。”
“与此同时,企业客户需要定制的5G体验,具有低延迟、隔离资源、扩展范围和整个园区的安全性,以及完善现有无线网络的工业环境。通过收购Athonet,HPE现在拥有面向CSP和企业客户最完整的私有5G和Wi-Fi产品组合之一——我们将通过HPE GreenLake将其作为一项服务提供给客户。”
通过这次收购,HPE将把Athonet的技术整合到自己现有的企业级产品以及Aruba产品中,以打造一个私有的网络产品组合,加速从边缘到云的数字化转型。
HPE认为,这一新的网络产品组合将提供增强型的专用网络,将Wi-Fi的高容量与5G的覆盖范围和移动性相结合,并加速5G部署,从而提高敏捷性和创新能力,帮助电信B2B团队和企业客户。此外,它还将通过HPE GreenLake为企业提供基于消费的模型,使成本与收入保持一致,从而降低进入新市场的风险。
HPE还认为,私有5G为企业提供了超安全、易于部署和易于管理的新功能,并为机器人技术和工业物联网、数据网络和管道、安全系统便利化等高度专业化的应用做好了准备。
收购Athonet也有助于加强Aruba的连接边缘产品组合,提供HPE所描述的独特且备受追捧的能力,从而提供完全集成的Wi-Fi和私有5G网络。与Aruba Central的集成将使网络管理员能够通过单一管理平台管理Wi-Fi和私有5G,并发挥AI驱动的洞察力、工作流自动化、以及强大的安全性。
Athonet首席执行官、联合创始人Gianluca Verin表示:“Athonet成立之初的宗旨是为客户提供私有4G和5G解决方案,这些解决方案可以提供运营商级的可靠性和性能,以满足他们不断增长且更具挑战性的连接需求。”
Verin补充道:“我们很高兴加入HPE并结合我们的高技能团队,因为我们针对快速增长的私有5G市场扩展了我们的联合服务提供商产品,并以HPE的战略为基础,成为领先的边缘到云解决方案提供商。”
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。