[阿联酋,迪拜,2021年10月19日] 今天,第七届全球超宽带高峰论坛(Ultra-Broadband Forum 2021)在迪拜开幕。期间,华为运营商BG Marketing与解决方案销售部总裁彭松发表了题为“联接+,新增长”的主题演讲,定义并深入探讨了C.A.F(Coverage/Architecture/Fusion)模型。彭松指出:“联接将迎来巨大的机遇,基于C.A.F模型来构建网络的竞争力对运营商来说是关键。”
华为运营商BG Marketing与解决方案销售部总裁彭松发表主题演讲
过去的一年是富有挑战的一年,也是充满机会的一年。家庭和企业的需求都在发生着巨大的变化,家庭从单一的娱乐中心走向了多元化,承担起教育、办公、贸易等多功能;企业的联接也不再是单一地关注带宽,而是开始从CT走向OT,呈现多样化发展。联接的延伸与联接的融合是联接+的主基调,在各国数字化进程不断加快、联接的价值被社会重新认识的大背景下,如何推动和加快联接的向下延伸与联接的向上融合,最大化联接的价值,创造新增长呢?
基于此,会上彭松深入定义了C.A.F模型,“C”代表Coverage,“F”代表Fusion,“A”代表Architecture。
Coverage:是指立足当下,探索联接如何向家庭和企业延伸,满足新的需求,实现商业价值。根据家庭和企业的需求变化,在扩大覆盖的基础上,运营商需要将联接延伸到家庭的每个房间和终端、延伸到企业的生产系统,从一根线到一张网,实现联接数量的增加和用户粘性的增强,创造更大的商业机会。
在家庭场景下,彭松提出从两个方面促进家庭联接的延伸:一是利用综合业务区规划的方法,及领先的AirPON、Digital Quick ODN方案加快光纤覆盖,实现光纤到家庭的延伸;二是在家庭网络部分,指出从FTTH(Fibre to the Home)到FTTR(Fibre to the Room),将光纤延伸到房间,将带来全新的想象,在增强用户粘性的同时,更重要的是打造家庭数字化入口,为智慧业务发展提供可能。
在企业场景下,不仅要做好专线的SLA和差异化,更重要的是用先进的联接技术把专线延伸到企业的OT,这样可以解决传统企业面临的很多问题,比如钢铁企业的PLC远程控制问题、矿下故障定位问题等,对于企业的生产效率和体验提升能带来质的飞跃。
Fusion:面向未来,探讨联接如何与云融合,使能行业数字化。数字化是未来ICT发展最大的机会,当前已经从理念走向了实践。不可否认,云是数字化的核心,但联接也发挥着非常关键的作用。这里彭松提到的Fusion,代表着联接要向云而生、服务好企业上云,构建与云融合的能力。在这个过程中,运营商大有可为。
Fusion分为两个阶段,第一阶段是联接要向云而生,它有三个关键词:“快”,即在企业侧搭建智能云端,实现快速入云;“多云互联”,指在骨干侧使能SRv6,实现一线入多云联接;“确定性”,是打造网络切片,提供确定性。
Fusion的第二个阶段是联接与云融合要逐步构建生态,这是最难的,但也是价值最大的部分。它需要网络能力的原子化和开放化,实现云调网、网调云。
Architecture:重点探索应打造怎样的网络架构来支撑当下和未来商业成功。彭松提出了面向未来的网络演进,需要通过Spine-Leaf方式使网络架构更弹性,使用铜转光、OXC等技术使网络业务更绿色,在运维和运营方面引入自动化使OPEX更优。华为持续在OXC、SRv6、ADN等技术上探索和创新,支撑了架构底座的发展。
“语言是叶子,行动是果实”,最后,彭松引用一句阿拉伯谚语结束了他的主题演讲,并表示“即使面临着巨大的外部压力,华为也将继续聚焦联接技术的创新,磨好自己的豆腐,帮助运营商实现当下和未来的商业成功。”
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。