随着实时媒体工作流程在设施、合作伙伴网络和云环境之间日益分布化,技术进步正在运营域之间创建可编程的分界点。基于这一动态趋势,Net Insight推出了可编程信任边界技术,使实时媒体互连在设施、网络和云环境之间传输时变得可预测。
解释此次发布的背景,Net Insight表示,随着实时制作变得越来越分布化,媒体网络流量必须在运营域之间无缝移动。该公司补充说,虽然IP网络提供了灵活性,但它们缺乏固有的限制,这使得大规模可预测的实时操作变得困难。
"IP网络是为灵活性而设计的,而非可预测性,"Net Insight产品经理Damien Nagle表示。"现代媒体工作流程中的真正挑战是在实时媒体流量在运营域之间移动时对其进行控制。信任边界引入了受控限制,使大规模IP制作变得可预测和可自动化。"
信任边界引入了受控的IP分界点,将互连从手动网络配置转变为可编程和确定性的基础设施。它们本质上允许广播公司和版权持有者管理媒体流,维持确定性低延迟性能,并通过共享基础设施安全连接多个组织。
信任边界集成到开放媒体平台中,由Nimbra Live Intelligence提供支持,为大规模实时制作实现自动化和受控的IP域互连,代表了传统媒体网关之外的"下一个进化"。
为复杂的多域实时环境带来系统级智能、自动化和服务级控制,信任边界支持未压缩视频和JPEG XS等格式,每个机架单元可达800 Gbps。
新技术的其他核心功能和关键能力包括:具有开放API的可编程信任边界;与开放媒体平台集成;集中控制;自动化IP域互连;IP环境之间的域转换;支持未压缩和JPEG XS;确定性低延迟性能;按流保护(SMPTE ST 2022-7);用于基于标准编排的网络媒体开放规范(NMOS)控制媒体流;严格的按流和按聚合带宽管制以保证服务质量(QoS)。
信任边界使用基于标准的开放API进行系统集成和编排,还旨在实现自动化服务配置和媒体端点的动态控制,同时维持确定性低延迟网络性能。
服务可以使用一致的应用程序和用例定义进行部署,在网络和端点之间产生可预测的行为。通过Nimbra Live Intelligence运行时,信任边界在分布式制作环境中提供集中可见性和自动化。
作为开放媒体平台的原生组成部分,信任边界将传输、安全分界和媒体适配结合成一个为实时媒体优化的统一系统。这据称能够在设施和合作伙伴网络之间实现真正的IP互连,而不会出现传统媒体网关的复杂性和扩展限制,促进向大规模原生IP互连的过渡。
Net Insight表示,组织现在可以直接通过IP进行互连,同时在域边界保持可预测的控制,而不是部署将IP媒体转换回SDI以确保安全性和互操作性的网关。
信任边界还被视为能够保护多组织互连中心,广播公司、附属机构和合作伙伴可以直接连接到共享网络基础设施,同时保持完全分离和受控。
Q&A
Q1:Net Insight的信任边界技术是什么?
A:信任边界是Net Insight推出的可编程IP分界点技术,它将互连从手动网络配置转变为可编程和确定性的基础设施,使实时媒体在设施、网络和云环境之间传输时变得可预测。
Q2:信任边界技术能解决什么问题?
A:该技术主要解决现代媒体工作流程中实时媒体流量在运营域之间移动的控制问题。IP网络虽然灵活但缺乏固有限制,使大规模可预测的实时操作困难,信任边界引入受控限制使大规模IP制作变得可预测和可自动化。
Q3:信任边界技术有哪些核心功能?
A:核心功能包括具有开放API的可编程控制、与开放媒体平台集成、自动化IP域互连、支持未压缩视频和JPEG XS格式、确定性低延迟性能、按流保护、严格带宽管制保证服务质量等,每个机架单元可达800 Gbps。
好文章,需要你的鼓励
亚马逊宣布向Anthropic追加50亿美元投资,分析师指出此举更多是为解决AI算力瓶颈。根据协议,Anthropic将锁定AWS最高5吉瓦的Trainium芯片算力,包括新一代Trainium 3和Trainium 4。此前Anthropic因容量不足被迫限流,此次扩容将提升用户并发支持能力。协议还涵盖亚欧地区推理算力扩展。分析师指出,此类交易已超越传统风险投资范畴,本质是"供应链融资"——将股权投资与云计算承诺捆绑,以锁定客户并确保资本回报。
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。
前微软工程师Dave Plummer是任务管理器的原始开发者,他近日解释了CPU使用率显示背后的原理。任务管理器并非实时读取CPU数值,而是通过定时器采样,计算两次采样间的CPU累计执行时间差来估算使用率。这一方法在早期静态时钟频率的CPU上表现良好,但在现代CPU动态调频、核心休眠等机制普及后,显示结果更接近"占用率"而非真实"生产力",导致数字有时显得不够精准。
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。