全球移动通信大会,2015年3月2日,西班牙,巴塞罗那 - 全球领先的智能互联系统软件提供商风河®公司与中国移动携手共同开发多个NFV工程项目,包括新建NFV测试实验室以及联合开发虚拟化Small Cell Gateway和C-RAN解决方案。双方共同致力于支持整个电信产业推进NFV部署,缩短上市时间,降低运营成本。
中国移动以OPNFV开源工程为基础建立了一个新的测试实验室,专注于通过集成化的开放平台来加速NFV的部署。作为亚洲地区唯一的实验室,这个OPNFV实验室配备了真实的网络访问环境,为基于开放标准的测试与集成工作提供了丰富多样的软件及硬件基础设施。拥有完备的环境,计划进行商业级NFV平台的测试与评估,这使该实验室可以为整个生态系统中广泛的合作伙伴提供众多的参与机会。风河公司是该实验室的创始合作伙伴之一。
双方联合开发的虚拟化Small Cell Gateway技术表明,通过NFV技术已经可以实现具备部署前景的数据面网元设备,在降低运营成本的前提下提高了网元功能与性能的可定制程度。伴随着数据流量呈现出指数增长趋势,虚拟化Small Cell Gateway正在成为扩大网络容量越来越有吸引力的途径。
以香港应用科技研究院的ASTRI Small Cell Gateway为典型代表,它作为Wind River Titanium Server上的一种虚拟网络功能(VNF),运行在英特尔架构之上,为移动核心网络提供信令卸载和移动数据管理功能,并且与Titanium Server一起进行了预先验证和优化。而Titanium Server就是运营商级的NFV基础架构,其设计目标就是满足电信行业“永不断线”的严苛要求。
中国移动研究院副院长杨志强指出,“电信行业正在引入NFV技术以便在快速新业务部署的同时最大限度地降低运营成本。然而,这不能以牺牲性能和系统可靠性为代价。运营商级的高可靠性要求必须得到满足。我们与风河合作在虚拟化Small Cell Gateway的项目是这方面的一次尝试。”
风河公司网络解决方案资深总监Charlie Ashton表示,“数据流量正在不断突破网络极限,而运营商也正在积极谋求部署NFV技术。NFV技术的复杂性来自诸多方面。要取得实质进展,就必须与中国移动这样的行业领先者合作。Wind River Titanium Server在一个经过验证的基石上为NFV基础设施提供了运营商级的虚拟化技术,让服务提供商能够获得新的灵活性、可伸缩性以及运营成本和能耗方面的效益。”
中国移动和风河为NFV部署而联合开发的C-RAN解决方案,提供了成功C-RAN的实用样板,具备纯硬件系统的性能,可实现从L1到L3的热迁移,并且满足ETSI NFV Industry Standards Group的要求。这套解决方案也将在全球移动通信大会上展出,其中的核心依然是Wind River Titanium Server技术,运行在带有专用硬件加速器的英特尔架构服务器中。这个虚拟基站NFV应用实例可以在近乎实时的环境中可靠地提供低延时、高性能的数据处理能力,而且是运行在一个多应用的虚拟化环境中。
中国移动研究院首席科学家易芝玲博士指出,“在利用NFV实现虚拟化C-RAN的过程中所遇到的一个重要挑战,就是以接近实时的性能可靠地进行高性能数据处理,而且必须运行在多应用的虚拟化环境之中。通过与风河的合作,我们成功研发了业界第一台支持LTE完整协议栈高实时需求的动态载波迁移原型机。这项成果令我们十分振奋,对未来与风河的合作充满期待。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。