至顶网安全频道 06月12日 编译:思科首席执行官罗卓克(Chuck Robbins)日前表示,思科目前正在开发一个安全的、智能的企业平台,目的是改善和整合数据中心和云安全,他称该平台将成为“网络的下一个行动”。
罗卓克周一在奥兰多的思科主场2018(Cisco Live 2018)大会上发表主题演讲时表示,网络必须做出改变以满足未来的需求,一众公司需要“从根本上从不同的角度”考虑这个问题,安全性现在已经成了“非常基础性的东西”。
罗卓克还表示,“网络一定要成为一个安全的平台,要能够帮助组织实现自己的策略。我们必须让网络做更多的事,要令其移动得更快......网络必须能帮助用户发挥多云环境的强大作用。”
另外,他表示,“安全必须从网络的基础开始。”
罗卓克提到跨境数据移动、隐私及全球经济的快速转移,他表示,安全性日益重要,大约50%的网络流量现在都被加密了。
罗卓克称,“我们需要一个单一的安全架构,该架构将是基于大量的、各种令人难以置信的威胁情报,这些情报非常迅速地得以处理。”
罗卓克表示,思科多年来一直致力于实现这一目标,例如思科容器平台以及对以下系统的支持: Azure ExpressRoute和AzureStack、Intersight、HyperFlex(配有谷歌云的混合云平台)、Kubernetes(用于微软 AzureStack的整合系统)、多云组合Cliqr、Cmpute.io、Skyport和SpringPath。
去年的机器与机器的连接增加了21亿个,罗卓克表示,未来五年可能会再增加270亿个。那么企业就需要消化这些机器与机器的数据,需要决定这些数据去哪里,要将其移动到正确的位置,以便“可以在有价值的点上进行处理”。
罗卓克还表示,“这需要我们对未来建立网络的方式进行不同的思考。”
罗卓克表示,要把自动化、安全和分析结合在一起,网络就会出现巨大的变化,我们在思科Live 2017大会期间提出了思科网络直观性,用户对其的接受度令“我们大为震撼”。
他表示,“我们都明白,我们的所有网络创建大量的数据......我们希望确保用户能从这些数据中获取价值。”
罗卓克表示,这也是与思科五大支柱(安全、多云、重塑网络、创造有意义的体验及“释放数据的威力”)是一致的。
他表示,“我们过去的一年里在协作产品组合方面做了许多努力。” 他还称,思科花19亿美元收购BroadSoft也将有助于思科实现这一目标。
为罗卓克主题演讲站台的有谷歌云首席执行官Diane Greene,Greene表示与思科的合作已经取得了“一些非常满意的客户”早期接触的结果。
Greene周一表示,思科-谷歌云产品可以帮助开发者环境的现代化,生产力可提高10倍,设计人员可以采用更多的增量方法,安全团队可以在公司运行的所有应用程序使用一致的模型。
思科和谷歌云去年10月宣布结成混合云合作伙伴关系,这使得客户能够通过Kubernetes和Istio在思科驱动的数据中心和谷歌云平台之间运行和迁移应用程序。
思科上个月宣布同时在容器编排程序AppDynamics和思科CloudCenter之间支持Kubernetes。
据思科称,Kubernetes 版AppDynamics可以监控在多个容器中的Pod上部署的应用程序的性能,而配有Kubernetes支持的Cisco CloudCenter则可以通过AppDynamics监控进行基于容器的应用程序的部署。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。