据国外知名调研机构MarketsandMarkets发布的最新研究报告,全球CDN市场规模将有望从2011年的21亿美元增长至2017的74亿美元。根据赛迪顾问2012-2013年度《中国CDN市场发展研究报告》中的数据显示, 中国2012年度CDN市场规模达到30.4亿元,同比增长31.6%,仍然保持较为稳定的增长态势。
2013,网宿勇拔头筹
日前,中国CDN及IDC综合服务提供商——网宿科技,得益于云计算、移动互联网的推动,网宿科技的业务量呈现持续增长的态势。2013年前三季度,公司营收8亿元,同比增长44%;营业利润1.4亿元,同比增长148%。
翻开网宿科技的客户名录,国内数得上名头的互联网企业、电商大头都已囊括其中。而与亚马逊AWS的战略合作,以及新技术方面的不断突破,占据移动互联网内容加速制高点等举措,更扩大和拓展了其用户群体和服务模式,网宿在CDN行业广阔的市场前景可见一斑。据悉,CDN和IDC是网宿科技主营业务,而CDN占据了总体业务量的74%。
根据赛迪顾问2012-2013年度《中国CDN市场发展研究报告》中的数据显示,通过对专业CDN服务企业之间的总体业务营收规模进行对比,网宿以41.2%的总体营业收入,以及,网宿占总体市场峰值带宽容量42.9%的双优成绩,目前领跑专业CDN服务企业。
网宿科技就这样“悄悄“地登上了国内CDN专业服务商之首。
“我们只是闷头做技术…”
“作为技术型企业,我们只是闷头做技术。”在被记者问到“为什么业绩这么好?”的时候,网宿科技副总裁刘洪涛只是淡淡的如此回答。
提到网宿对技术的坚持和重视,这里有一个关于亚马逊AWS的故事。2013年,国际巨头亚马逊AWS(Amazon Web Services)云服务正式入华。网宿科技透露,其实亚马逊选择中国合作伙伴的过程,长达几年。从2010年初开始到现在,中间过程非常曲折。他们当时给合作方列了一个表,对方能满足要求的打“勾”,不能满足的打一个“叉”。作为一家执着于技术的企业,网宿科技与亚马逊的初衷一致,对能实现的技术和功能精益求精,对业务范畴外的技术选项实事求是,赢得了亚马逊的赞赏和青睐。
据悉,经过近3年的来回商谈与实践,亚马逊AWS与网宿科技最终达成战略合作,网宿科技成为亚马逊AWS在华CDN服务的“优选供应商”,为亚马逊AWS中国客户提供CDN加速服务。
2014,发力移动互联网
4G牌照的颁发以及智能移动终端的兴起,为中国移动互联网带来了巨大的发展,也为更多的互联网企业带来了巨大商机。如何让CDN网络延伸至最后一公里——移动终端到骨干网络之间的传输路径,从而帮助企业大幅提升移动互联网的网络体验,是网宿科技一直在潜心研究的技术方向。
就CDN而言,传统互联网和移动互联网有很大不同。传统的CDN对于固网的用户接入,只需要解决中间骨干网传输的环节,就可以解决主要的问题。而移动互联是在固网基础上的延伸,其网络环境更为复杂,处于2G、3G、4G以及WIFI多网络环境并存的状态。传统CDN对移动互联网 “最后一公里”的效果提升不是很明显。可以说,家庭宽带用户最后一公里永远都是很宽的,但是手机用户的最后一公里,受限于网络环境以及基站传输等过程,挑战非常大。网宿在这块下足了功夫,并取得了技术上的突破。2014年一季度,网宿科技将推出专门针对移动互联网的解决方案,其不仅可以对各种APP应用实现加速,而且可以极大的优化和提升移动互联网的访问体验。
另外,在市场规划上,网宿将继续提高在传统互联网行业的市场占有率,同时,进一步开拓政府、企业、运营商以及海外市场。
刘洪涛表示,对于未来网宿是有信心的。公司将继续以原始和集成的核心创新技术,提供个性化行业解决方案,突显差异化服务模式,继续引领国内CDN行业的发展。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。