京东11.11全球好物节前夕,京东集团华东数据中心联通OTN数据传输精品网络开通仪式,在骆马湖畔、京东集团华东数据中心举行。这标志着宿迁联通将可以为京东商城客户提供高带宽、快速路由收敛、低时延的网络服务。
在本次开通仪式的发布会上,中国联通江苏省份公司副总经理欧大春,京东集团IT资源服务部负责人吕科,江苏联通计划建设部总经理陈旭璞,江苏联通网优与质控部总经理杨福理,中国联通宿迁市分公司副总经理张荣军、朱勇等多位领导共同出席,一同开启了京东集团华东数据中心联通OTN数据传输精品网络。
众所周知,当企业的业务量达到一定规模,同时对发展速度有非常高要求的时候,技术如何满足业务需求将会变成巨大的挑战。特别是像京东这样体量的互联网平台,在618和11.11期间面临的技术压力在整个IT技术领域是很罕见的。
京东选择在宿迁落地首个自建数据中心,对未来的发展规划也承载了很多的期望。京东IT资源服务部负责人吕科在活动中也分享了这次京东集团华东数据中心网络扩容项目,即联通OTN数据传输精品网络开通,一路走来的心路历程。
吕科谈到:“在确立项目的初始期,京东商城IT资源服务部与宿迁项目团队,进行了充分的沟通,围绕着目前需求、潜在需求,怎么做、如何做等方向性问题,进行充分讨论。从支撑眼前需求上升到业务生态需求的支撑,形成了统一的合作共识。模糊了业务关系,明晰了共赢需求,两家公司很快形成了统一的项目团队,做到了你中有我,我中有你。”
特别是这个项目受到了江苏省和宿迁市相关领导的高度关注与支持。为了快速响应和实现京东集团华东数据中心的客户需求,联通省市联动,成立专项工作组,江苏联通欧大春副总经理并亲自参与网建、运维、政企、云数据等部门和相关厂商方案审核、进度督办。宿迁联通宋成军总经理等多位领导多次召开公司专题会议,研讨项目方案。
在项目实施过程中,双方更是多次体现各专业相互联动,克服多种困难的决心。比如新设备新标准带来的挑战、机房环境条件的挑战等。当时机房内只有交流电源模块和10A的PDU,NE5000E设备供电需要10个16A的PDU,设备电源插头与京东机房内自有PDU不符,经过厂家、联通及京东项目经理充分讨论、分析,通过利用原有PDU设备,每组电源模块临时接通两路电源解决。
跨省专线就近接入及网络时延优化:省分传输专业从京东节点地位、业务局向、路由时延等方面进行深入讨论,协调集团和山东分公司,仅用3天时间就完成宿迁-徐州-济南、宿迁-南京省际省内长途直达波道的开通调试工作。实现了京东专线业务就近接入省际网络,至北方业务路由时延最优,单向传输时延缩短3.35ms。
在这次的新闻发布会上,吕科也特别提到:“此次京东集团华东数据中心联通OTN数据传输精品网络正式开通,得益于市委、市政府的深切关心和京东集团,联通公司的重点支持,不仅优化了宿迁地区IT产业及“互联网+”产业发展质态,为宿迁乃至苏北地区新经济新产业的发展都打下良好的IT基础,为淮海经济带腾飞铺平了道路。”
好文章,需要你的鼓励
2026年4月19日,北京举办了一场半程马拉松赛事,人形机器人不仅超越了所有人类参赛者,还打破了人类世界纪录。荣耀公司的机器人以50分26秒完赛,优于乌干达选手Kiplimo保持的57分20秒纪录。赛事共吸引约100支中国团队的300台机器人参赛。相比去年首届赛事最快机器人耗时2小时40分,今年成绩大幅提升。专家指出,人形机器人在复杂环境中的实际应用仍面临挑战,但中美两国已投入数十亿美元推动该领域发展。
这篇由清华大学、香港大学、美团LongCat团队等机构联合发布于2026年4月的综述(arXiv:2604.10098),是关于Transformer"注意力沉积"(Attention Sink)问题的首篇全面系统性研究。注意力沉积是指AI模型将大量注意力集中到语义无关的词上的普遍现象。综述梳理超过180篇研究,围绕"如何利用、如何解释、如何消除"三个维度构建了完整知识体系,涵盖大语言模型、视觉Transformer、多模态模型等多种架构,为AI推理效率、幻觉治理和低精度部署提供了系统性指导。
音乐流媒体平台Deezer披露,其平台每日新增AI生成音乐高达7.5万首,占新上传音乐的44%。更令人担忧的是,这些AI音乐的播放量中约85%来自欺诈性机器人流量。Deezer已开发出误报率低于0.01%的AI检测技术,并主动将AI标记音乐排除在推荐和编辑歌单之外。调查显示,97%的用户无法分辨AI音乐与人类创作的区别,随着AI音乐生成门槛持续降低,流媒体欺诈问题或将进一步加剧。
这项由加州大学圣地亚哥分校等多家机构联合发布于2026年4月的研究(arXiv:2604.11201),推出了名为COCOABENCH的AI综合能力测试平台,包含153道需要同时运用视觉理解、网络搜索和编程三种能力的真实任务,并配套轻量级测试框架COCOA-AGENT。测试发现,当前最强AI系统成功率仅为45.1%,主要失败原因集中在推理规划、工具执行和视觉感知三大方面,揭示了现有AI距离"真正全能数字助手"仍有显著差距。