KeyFrame內部研究專用

HPE Discover 2026: Why This "AI That Acts" Is Replacing Everything You Know

AI with Arun Show·6月19日週五·14 min中文

三句話摘要

HPE Discover 2026大會解析:自動駕駛網絡、私有AI工廠與代理AI的企業智能新時代。 HPE Discover 2026 傳遞的核心訊息是:企業 IT 的未來由自動駕駛網絡、私有 AI 工廠與代理 AI 組成,而 HPE 正在系統性地提供這整套轉型方案,關鍵是從消費 AI 轉變為生產 AI——掌握自己的數據、自己的基礎設施、自己的智能。 自動駕駛網絡是解決 AI 時代的基礎設施問題。Marvis AI 具備四層能力——檢查、診斷、修正、學習——讓網絡無需人工干預即可自我調整,特別是在 AI 系統對網絡延遲高度敏感的背景下。

重點整理

重點
  • 1

    自動駕駛網絡是解決 AI 時代的基礎設施問題。Marvis AI 具備四層能力——檢查、診斷、修正、學習——讓網絡無需人工干預即可自我調整,特別是在 AI 系統對網絡延遲高度敏感的背景下。

  • 2

    HPE AI 工廠支持 256 GPU 同時運行,但運行在企業私有硬件上而非公有雲。這解決了企業對數據主權與安全合規性的需求,HPE 內部客服 AI 系統實現成本降低 30 倍、月節省近 10 萬美元。

  • 3

    代理 AI 不是改進版聊天機器人,而是真實執行動作的電子工作者。每個代理運行在獨立沙箱環境中,一旦遭駭可容災隔離,大幅降低風險。

  • 4

    企業應立即關注 Morpheus 9 與 VMware 遷移策略。HPE 提供免費第一年遷移、成本降 90%,已有超過 2000 家公司轉換,量子安全防火牆與 Confidential Computing 則應對未來威脅。

實用技巧與重點

乾貨
  • 會議背景
  • 時間:2026 年 6 月 18 日
  • 地點:拉斯維加斯威尼斯人會議中心
  • 參與人數:超過 20,000 名 IT 專業人士
  • 會議場次:225 場以上
  • 三大支柱
  • 自動駕駛網絡 (Self-Driving Networks)
  • 私有雲 (Private Cloud)
  • 代理 AI (Agentic AI)
  • 網絡技術
  • Marvis AI:現支援 Juniper 與 Aruba 設備
  • QFX5252 交換機:1024 TBps 數據速率
  • 自動駕駛網絡四步驟:檢查 → 診斷 → 修正 → 學習
  • AI 系統採用率:64% 企業已運行
  • HPE AI 工廠
  • GPU 能力:256 個 GPU 同時運行
  • 運行環境:企業私有硬件
  • 預計支援:2026 年 4 月 4 日加入 NVIDIA Confidential Computing
  • 應用案例:HPE 內部 AI 客服系統
  • 運營成本降低 30 倍
  • 月度節省:近 100,000 美元
  • AI 就緒數據四項要求(CTO Fidel Marusso)
  • 可發現性 (Discoverable)
  • 治理 (Governed)
  • 安全性 (Secured)
  • 可訪問性 (Accessible)
  • 私有雲方案
  • 層級數:4 個不同規模層級
  • 部署模式:支援氣隙部署(完全離線)
  • 應用場景:軍事與機密政府環境
  • Morpheus 9 與 VMware 遷移
  • 遷移成本:第一年免費
  • 成本降幅:90%
  • 轉換企業數:超過 2,000 家
  • 功能:跨地域統一視圖、隱藏安全區域、自動故障轉移、資產自動化管理
  • 安全產品
  • SRX4700 Quantum Safe 防火牆:抗量子計算攻擊
  • 代理 AI 沙箱:獨立隔離環境
  • SASE 平台:Zero Trust 架構統一管理
  • 未來路線圖
  • 2026 年 Q2:Air-gapped 系統發布
  • 2026 年下半年:Morpheus 9 發布
  • 2026 年 Q4:NVIDIA Confidential Computing 集成
  • 2026 年 11 月:Juniper 與 Aruba 混合 HPE Partner Ready Vantage
  • 2027 年:ProLiant DL394 Gen12(搭載 NVIDIA 新 Vera CPU,為代理 AI 優化)

結論

結論

HPE Discover 2026 傳遞的核心訊息是:企業 IT 的未來由自動駕駛網絡、私有 AI 工廠與代理 AI 組成,而 HPE 正在系統性地提供這整套轉型方案,關鍵是從消費 AI 轉變為生產 AI——掌握自己的數據、自己的基礎設施、自己的智能。

完整解析

詳細

HPE Discover 2026 在拉斯維加斯舉辦,雲集 20,000 多名 IT 專業人士,反映了整個科技產業面臨的共同挑戰:如何在 AI 時代重新架構企業 IT 基礎設施。會議的核心洞察是,AI 系統對網絡、計算與安全的要求已經完全改變,企業需要從根本上重新思考其技術棧。

HPE 提出的第一個解決方案是自動駕駛網絡。當前,企業網絡由人工管理,當問題出現時(如某個區域網絡擁塞、設備故障),需要等待網絡工程師手動介入。但在 AI 時代,當多個 AI 系統同時運行時,網絡延遲或中斷可能立即導致業務停止。Marvis AI 的意義在於它能持續監控整個網絡環境,自動偵測異常(例如某個區域數據流動變慢),診斷根本原因(是設備故障、流量過載還是其他問題),然後在無需人類幹預的情況下自動修復。更重要的是,系統會「學習」每次發生的事件,隨著時間推移變得更加智能。這種自動化對企業而言意味著成本大幅下降與服務可靠性大幅提升。

HPE AI 工廠代表了企業對私有 AI 基礎設施的需求。與使用 Amazon 或 Google 公有雲不同,HPE 的方案讓企業在自己的數據中心內運行 AI 模型,從而保留對敏感數據的完全控制。升級至 256 GPU 後,企業可以同時運行複雜的大型 AI 模型。HPE 內部的真實案例證明了這一點:該公司建立了自己的 AI 客服系統,完全運行在私有基礎設施上,結果是運營成本下降了 30 倍,每月節省近 10 萬美元。這不僅是技術進步,更是經濟上的根本性轉變。

第三個關鍵概念是代理 AI。與傳統聊天機器人(如 ChatGPT)只回答問題的被動角色不同,代理 AI 會主動採取行動。例如,當系統檢測到伺服器故障時,代理不會告訴你「伺服器需要重啟」,而是直接進入系統並執行重啟操作。這種能力帶來了前所未有的風險:如果一個代理被駭客控制,它可能在企業系統中造成廣泛破壞。HPE 的解決方案是沙箱隔離,每個代理在獨立的、上鎖的環境中運行,就像每個員工都有自己的封閉辦公室。一旦某個代理被攻擊,損害被限制在該沙箱內,不會波及整個系統。

在管理層面,HPE 推出了 Morpheus 9,旨在統一管理所有 IT 資源。對許多企業而言,VMware 虛擬化一直是核心基礎設施,但其成本高昂且更新緩慢。HPE 提供一個激進的遷移激勵:第一年完全免費,並承諾總體成本降低 90%。已有超過 2,000 家企業開始轉換。Morpheus 9 還提供全球統一視圖,讓企業可以在紐約、東京或洛杉磯的任何位置監控和管理資源,並支援自動故障轉移——如果一個數據中心宕機,所有工作負載自動轉移到另一個位置。

在數據管理方面,HPE CTO 強調了一個往往被忽視的真理:AI 的品質取決於數據的品質。她提出「AI 就緒數據」的四項要求。首先是可發現性,AI 系統必須能快速定位所需的數據。其次是治理,必須有明確的規則定義誰可以存取什麼數據。第三是安全性,數據必須受到保護以防駭客和洩露。最後是可訪問性,無論 AI 系統運行在雲端、數據中心還是邊緣,都必須能夠存取數據。HPE 內部案例充分驗證了這套方法的有效性。

在安全方面,HPE 展示了面向未來的危機感。SRX4700 Quantum Safe 防火牆針對量子計算的威脅——目前量子電腦還不普遍,但一旦出現,它們可能破解當今所有加密技術。HPE 搶先部署防禦機制,確保今日的投資不會因明日的技術進步而貶值。此外,Zero Trust 安全理念貫穿整個架構,假設網絡內部已存在威脅,因此每一次數據存取都需要驗證身份與權限。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。