
从运营商市场扩展到企业市场以来,华为一直强调合作。在HNC2015期间,华为与Puppet Labs签署合作备忘录(MoU , Memorandum of Understanding),双方将在云数据中心自动化领域合作,加速自动化部署及统一管理。
Puppet Labs能做什么?
对企业客户来说,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。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
“IT的自动化,说到根源就是能够进行快速可重复的变化,以便在整个系统当中和器材当中保持高度的一致性。”Puppet Labs首席执行官Luke Kanies指出。说到根源,实际上Puppet Labs的服务就是,一个非常简单的工具可以管理整个网络上的所有设备。
据Luke Kanies介绍,Puppet Labs已有10年历史,十年来不断推动企业IT系统的自动化。现有365个员工遍布在全球70多个国家,客户2.5万家,其中包括财富100强公司、以及1/2财富1000强公司。这些客户的大小不一,小的10~20台服务器,大的几万台服务器,都可以使用Puppet Labs的软件解决方案。
“对于我们很多客户来讲管理一种类型的器材并不能满足他们的需要,他们需要满足管理很多不同的东西,包括服务器、交换机、防火墙类似这样的东西,我们可以为他们提供全能的服务。” Luke Kanies如是说。
开放的力量
过去的三年里,华为在数据中心完成了网络解决方案的构建,在不断扩展硬件能力的同时,华为也在构建整个SDN的解决方案。华为数据中心网络产品线总经理余立坦言,华为可提供端到端的数据中心解决方案,包括网络、计算、存储、云操作系统甚至机房基础设施,但是客户数据中心的现网环境纷繁复杂,我们需要和更多的合作伙伴一起开放兼容。
华为与合作伙伴共建开放云生态系统
今天华为与Puppet Labs在自动化工具上的合作,意在建立一个提高网络自动化部署效率以及为客户提高ICT资源统一管理的方案。Puppet Labs为华为提供高度一致IT运维的环境,不但可以管理服务器,也可以管理交换机、防火墙,通过Puppet Labs,能够把整个数据中心的基础架构统一管理。
然而,余立强调,与Puppet Labs合作的最大好处就是为帮助客户大幅度提高部署效率,从以前几个星期或者几个月缩短到几秒几分钟;在配置效率上,手工配置转为自动化配置之后,出错率降低10倍;Puppet Labs工具还能提供网络计算存储统一配置、三位一体的运维体验。
“我们的客户能够随时享受到业务的敏捷,快速让客户业务上线,这是给最终客户带来的最大好处。”余立说道。
不仅是Puppet Labs,华为还和VMware、英特尔、F5、Brocade等一起联合发布了“敏捷数据中心开放实验室”,目的就是与云生态链上下游厂商展开全面且深度的合作,为客户提供先进、兼容、具有竞争力的云数据中心解决方案。
目前在华为整个SDN产业链里,从云平台到控制器到网络设备到虚拟化平台,华为敏捷数据中心每个层面上都有对应的合作伙伴。在云平台层面,华为跟Microsoft、VMware、OpenStack云平台合作;在控制器层面,华为跟 Brocade、NSX等控制器有联合解决方案;在网络设备层面,华为跟业界的供应商有互联互通的解决方案;在虚拟化平台层面,华为网络跟VMware、Microsoft、KVM等都有联合解决方案。除此之外,与阿里巴巴、腾讯、世纪互联都有联合创新项目。
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。