思科为何专注AI基础设施而非模型研发
每一次技术浪潮都在重塑商业格局，但决定一项前沿技术能否从概念验证走向规模化应用的关键，往往不在于最引人注目的顶层应用，而在于是否构建了坚实、可靠的底层基础设施。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
在2026年上海思科Connect大会上，思科明确传递了其核心行业洞察：当人工智能从辅助工具进化为能够自主编排工作流、调用工具并执行任务的智能体时，企业面临的核心挑战已不再是模型能力本身，而是其基础设施是否足够稳健、安全体系是否足够纵深、运维能力是否足够自动化与智能化。
基于这一判断，思科在本次大会上重点发布了四项关键能力：面向下一代AI网络的Silicon One G300芯片、具备AI感知能力的安全访问服务边缘（SASE）、覆盖全产品组合的智能体驱动运维（AgenticOps），以及与英伟达联合打造的思科安全AI工厂。这些举措共同指向一个核心目标：赋能企业跨越试点阶段，实现AI的大规模生产级部署。
先修路，再提速：夯实AI规模化落地的基石
思科大中华区首席执行官黄志明对此有一个生动的比喻：“正如中国多年前建设高铁网络，AI要真正‘提速’，首要任务是构建好基础架构。”市场热点不断更迭，但决定AI能否普及的根本，始终是算力供给、能源效率、网络架构与安全防护这些底层条件。只有先将技术底座搭建牢固，企业才能在面对下一波AI应用爆发时，拥有足够的应变能力和技术纵深。
思科全球副总裁兼大中华区首席执行官黄志明
遵循这一逻辑，思科正在重新定义自身的市场角色。过去，业界通常将其视为网络设备与网络安全领域的传统巨头。然而，在由AI主导的新技术周期中，思科更致力于成为企业“关键AI基础设施服务商”。
黄志明指出，随着AI向智能体（Agent）演进，企业对基础设施的需求正呈指数级增长。思科的目标是为中国企业提供融合网络、安全与全域可观测性的关键基础设施解决方案，助力企业更从容、更稳健地规模化部署AI应用。
AI进入生产环境，必须跨越三道核心门槛
在技术交流中，思科大中华区首席技术官侯胜利将当前AI规模化落地的主要障碍归纳为三点：基础设施瓶颈、安全风险以及数据缺口。
思科大中华区资深副总裁兼首席技术官侯胜利
第一道门槛是基础设施瓶颈。过去几年，业界讨论AI多聚焦于GPU算力与模型参数规模；但当进入生产阶段，真正制约效率的瓶颈往往出现在电力、带宽、内存、光模块以及跨数据中心互联等层面。侯胜利强调，AI数据中心并非传统数据中心的简单升级，其架构已被彻底重构：前端网络连接用户与应用，后端网络高速互联GPU算力集群，同时还需集成存储网络与管理网络。
第二道门槛是安全风险升级。步入AI时代，企业面临的威胁不仅包括工具滥用和系统攻击，更需应对数据泄露、模型调用风险以及智能体间交互带来的新型安全隐患。安全不再是事后的补救措施，而是企业将AI推向核心业务场景前的必备前提。
第三道门槛是高质量数据缺口。互联网时代积累的开放数据正被快速消耗，而企业真正具有高价值的业务数据往往封闭、敏感，且受限于隐私法规与合规要求。大模型越往深层次行业应用发展，最终面临的挑战将不仅是技术能力问题，更是数据信任、合规性与持续供给问题。
思科此次发布的四项核心能力，正是为了帮助企业系统性地跨越这三道门槛。
构建智能体时代的AI就绪基础设施
此次发布的技术基石是Silicon One G300芯片。这款拥有102.4Tbps交换能力的芯片被定位为下一代AI网络的核心引擎。G300支持智能集群网络，相比未优化的流量调度，可将网络利用率提升33%，任务完成时间缩短28%。它将应用于新一代Nexus 9000和8000系列系统，结合100%液冷架构、1.6T OSFP及800G线性可插拔光模块，整体能效预计可提升近70%。在硬件创新之外，思科同步推出了Nexus One统一管理平台，旨在简化跨本地与多云数据中心的部署与运维复杂度。
另一个关键升级是具备AI感知能力的安全访问服务边缘（Cisco AI-Aware SASE）。该服务引入了意图感知检测与AI流量优化能力，能够对智能体与工具间的通信进行有效治理，并在流量负载高峰期间保障关键AI应用的性能稳定。通过实现SD-WAN与安全服务边缘（SSE）间的统一策略执行，并提供对基于模型上下文协议（MCP）交互的深度可视化，企业能够在AI应用的全生命周期中更好地保障数据安全、合规与稳定运行。
安全被置于如此优先的位置，源于AI时代攻防态势的根本性变化。思科大中华区安全事业部总经理卜宪录将这种变化概括为三个“S”：攻击速度（Speed）更快、攻击范围（Scope）更广、攻击规模（Scale）剧增。企业当下可能需要应对“由无数智能体昼夜不停发起的协同攻击”。攻击方只需成功一次，而防御方必须确保万无一失，这种天然的不对称性，使得安全能力必须成为网络的原生属性，深度融合至系统内部。
思科大中华区安全事业部总经理卜宪录
正因如此，思科宣布大幅扩展与英伟达合作的安全AI工厂（Cisco Secure AI Factory），为客户提供一套贯穿整个基础设施的AI部署参考架构。从核心数据中心到边缘节点，覆盖模型训练、优化到推理的全流程，该架构将网络、计算、安全与可观测性整合于统一的蓝图之中，旨在帮助企业、新兴云平台及服务提供商将AI从试点更快地推进至大规模生产阶段，并将安全能力前置到部署的初始环节。
与此同时，思科发布了全新的智能体驱动运维（AgenticOps）功能，并将其定义为贯穿其全产品组合的AI驱动运维范式。依托覆盖思科网络、安全云控制平台、Nexus One及Splunk等在内的跨域遥测数据源，AgenticOps能够提供系统级的洞察，驱动网络、安全与可观测性能力向更智能、更自动化的运维模式演进。它本质上旨在解决企业将AI投入生产后，“由谁管理、如何管理、以及怎样持续优化”的核心运维挑战。
针对中国市场，这些能力进一步实现了本地化适配与落地。侯胜利指出，许多全球通用的云化方案在中国市场无法直接复制。为此，思科在中国大陆进行了大量本土创新：安全AI工厂区分全球版与中国大陆版；面向医疗、制造等行业的AI运维场景已成功落地；本地服务创新版本的Agentic AIOps支持多智能体与MCP架构，集成网络运维与安全运维，并支持本地化部署、确保数据不出境。对于高度重视数据主权、合规性与本地部署的中国企业，尤其是金融、政务等关键行业而言，这种“能力本地化”的路径至关重要。
技术泡沫或许会消退，但基础设施的价值永存
当被问及AI是否会像互联网早期一样经历泡沫期时，黄志明认为，泡沫更多是资本市场周期的表象，而真正值得关注的是，新技术能否将过去“可想而不可及”的能力，逐步转化为普惠化的基础设施。互联网的发展已验证了这一路径，AI也将遵循相似的规律。
这也恰恰解释了，在所谓的“智能体元年”，思科为何坚定地将战略重心押注于AI基础设施。因为当企业进入生产级AI阶段，必然会重新全面审视自身的网络承载、电力保障、安全体系、管理平面与跨域调度能力。企业的关注点必然会从“是否在尝试AI”，转向“能否让AI在生产环境中稳定、安全、合规地持续运行”。
从Silicon One G300芯片，到AI感知SASE，再到覆盖全栈的AgenticOps，以及与英伟达深度协同的安全AI工厂，思科的所有努力都在回应同一个根本性问题：如何为企业修筑好AI基础设施的“高速公路”，在满足更高阶安全与合规要求的前提下，真正助力AI从实验室试点，平稳驶入规模化生产的快车道。
相关攻略
每一次技术浪潮都在重塑商业格局，但决定一项前沿技术能否从概念验证走向规模化应用的关键，往往不在于最引人注目的顶层应用，而在于是否构建了坚实、可靠的底层基础设施。 在2026年上海思科Connect大会上，思科明确传递了其核心行业洞察：当人工智能从辅助工具进化为能够自主编排工作流、调用工具并执行任务的
当品牌筛选AI搜索优化服务商时，通过“资质可靠”这一基本门槛后，下一个关键问题便是：“究竟哪家更专业？”真正的专业性，无法仅凭市场宣传来定义，它根植于坚实的技术架构、创新的方法论、复合型团队的深度，以及对行业趋势的敏捷应对之中。广州荷里购科技（GEO特工队）所构建的专业壁垒，集中体现在其首创的ADS
你是否想知道，人工智能究竟是如何“看懂”图片和视频内容的？这背后的核心技术，正是计算机视觉。简而言之，计算机视觉是一整套将图像与视频信号转化为数字信息，并进行智能分析与处理的技术框架。这个过程并非单一环节，而是一个层层递进的完整流程。接下来，我们将深入解析计算机视觉处理图像的几个核心步骤。 一、数据
在传统的医学诊断中，放射科医生的工作方式更像一位侦探——他们并非仅仅审视一张孤立的X光片或CT图像就得出结论，而是需要仔细翻阅整套医学影像资料，在不同的切片间寻找关联线索，调整显示参数以优化观察效果，有时还需借助专业工具进行测量与分析，最终才能形成准确的诊断。然而，当前大多数医疗人工智能系统，却如同
人工智能通常以博学多才的形象示人，能够解答疑问、辅助写作与翻译。然而，当前主流AI模型普遍存在一个关键局限——其“记忆”能力实际上非常短暂。这类似于一个只能记住最近几页内容的学生，当面对一整部厚重的百科全书时，往往只能捕捉开头或结尾的片段，而中间的大量核心信息很可能已被“遗忘”。 这一被称为“上下文
热门专题
热门推荐
这项由清华大学、美团、香港大学等多家顶尖机构联合开展的研究，于2026年3月以预印本论文（arXiv:2603 25823v1）的形式发布。它直指当前AI视觉生成领域一个被长期忽视的核心问题：这些能画出“神作”的模型，到底有多“聪明”？研究团队为此构建了一套全新的测试基准——ViGoR-Bench，
人工智能的浪潮席卷了各个领域，机器在诸多任务上已展现出超越人类的能力。然而，有一个看似寻常却异常复杂的领域，始终是AI研究者们渴望攻克的堡垒——让机器像真正的学者那样，撰写出一篇结构严谨、逻辑自洽、图文并茂的完整科学论文。这远比下棋或识图要困难得多。 2026年3月，一项由中科院AgentAlpha
这项由法国Hornetsecurity公司与里尔大学、法国国家信息与自动化研究院(Inria)、法国国家科学研究中心(CNRS)以及里尔中央理工学院联合开展的研究，发表于2026年3月31日的计算机科学期刊，论文编号为arXiv:2603 29497v1。 在信息爆炸的今天，我们每天都在网上留下数字
当你满怀期待地拆开一台全新的智能设备，最令人困扰的往往不是如何使用它，而是如何让它真正“理解”指令并智能地执行任务。如今，一个更为优雅的解决方案可能已经出现。来自清华大学深圳国际研究生院与哈尔滨工业大学（深圳）的联合研究团队，近期取得了一项极具前瞻性的突破：他们成功训练人工智能自主“撰写”并精准理解
2026年3月，来自华盛顿大学、艾伦人工智能研究所和北卡罗来纳大学教堂山分校的研究团队，在图像智能矢量化领域取得了一项突破性进展。这项研究（论文编号：arXiv:2603 24575v1）开发了一个名为VFig的AI系统，它能够将静态的栅格图像智能地转换为可自由编辑的矢量图形，如同一位“图形考古学家