
华为数据中心网络领域总经理余立(右二)与Intel、VMware、Brocade、Puppet Labs合作伙伴代表共同完成揭牌仪式
对企业客户来说,云计算已日趋成熟,通过部署云计算可以有效提升企业ICT效率和行业竞争力。但当面对不同厂商,兼容性不佳的云操作系统、SDN控制器、网络设备及虚拟化平台的时候,客户云业务的快速上线就显得困难重重。
华为秉承以客户为中心的理念,积极参与构建云计算数据中心开放生态系统。敏捷数据中心开放实验室,已在华为南京研发中心建设完成,后续合作伙伴可以通过现场或远程访问的方式,与华为共同完成云数据中心方案的研发与验证。截止目前,华为已与全球多家知名IT厂商及标准组织在云数据中心各个领域展开合作:
l 云平台层面:通过华为网络控制器Agile Controller和CloudEngine数据中心交换机的开放API接口,实现与VMware、微软、OpenStack等主流厂商或标准组织云平台的无缝对接,统一管理网络与IT资源。
l 控制器和管理工具层面:CloudEngine和Agile Controller可实现与第三方控制器VMware NSX和Brocade Vyatta的无缝对接,实现业务统一编排和自动化运维管理。
l 网络设备层面:Agile Controller可基于Open API和OpenFlow等南向接口,与业界领先的应用交付网络厂商F5无缝集成,联合发布双活数据中心解决方案。
同时,基于intel的DPDK(数据面开发包)、SRIOV(硬件虚拟化方案)和Sensory(模式识别算法),华为可大幅提升数据中心网络虚拟化性能。
l 计算虚拟化层面:Agile Controller可与VMware、微软、KVM等主流计算虚拟化平台的对接,实现数据中心物理网络与虚拟网络的统一联动。
华为与合作伙伴共建开放云生态系统
揭牌仪式完成后,华为与IT自动化领域的领导者Puppet Labs签署合作备忘录(MoU , Memorandum of Understanding),确定双方将在云数据中心自动化领域展开深入合作,以实现云数据中心网络的自动化部署及统一管理。
华为数据中心网络领域总经理余立(左二)与Puppet Labs CEO兼创始人Luke Kanies(右二)签署MoU
华为数据中心网络领域总经理余立(左二)与Puppet Labs CEO兼创始人Luke Kanies(右二)签署MoU
服务器和软件服务控制的自动化对于IT运维已经十分重要,然而将其从服务器扩展到网络、存储、防火墙、以及负载平衡器,让客户充分赢得自动化带来的效益已变得不可或缺。华为与Puppet Labs的合作将有效解决该问题:实现网络自动化部署,Puppet Labs软件可以批量自动化调度和配置华为CloudEngine系列数据中心交换机和其他网络产品;实现网络统一管理,双方将共同开发配置工具,统一管理网络与IT资源。
Puppet Labs CEO Luke Kanies在MoU签署现场表示:“Puppet Labs是IT自动化领域的领导者,拥有领先的自动化解决方案和丰富的部署经验。我们非常高兴能与华为在云数据中心自动化领域展开合作,共同开发数据中心网络自动化方案,并进行联合品牌营销和市场拓展。”
华为数据中心网络领域总经理余立表示:“敏捷数据中心开放实验室的建立,对云计算数据中心开放生态系统的发展具有里程碑意义。我们非常欢迎Puppet Labs加入,华为将与它展开深度合作,共同为客户提供业界领先的云数据中心自动化部署方案。我们坚信,将来会有更多的厂商加入我们,携手打造全方位开放的云生态系统。”
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。