超大规模数据中心项目面临着诸多问题:市场投放时间延迟、容量限制以及供应链问题。
然而,安全边缘基础设施提供商Available Infrastructure致力于提供不同的体验:一个"全国性的网络安全私有新云边缘数据中心群"。通过一项50亿美元的新举措Project Qestrel,该公司制定了雄心勃勃的计划,到今年年底在100个美国城市和30多个州建设1000个站点。
每个站点都将配备高性能计算基础设施和AI推理能力,该公司表示这将使站点在"数周到数月内上线,而不是数年"。
根据Available公司战略执行副总裁Dan Medina的说法,Project Qestrel围绕三个基本要素构建:速度(超低延迟)、位置(贴近任务)和安全性(内置量子弹性加密的零信任)。
"我们将此视为AI基础设施转变的开始:推理转向边缘,在为现代威胁构建的安全模型下,以及由后量子风险塑造的未来,"他说。
Available公司产品的独特之处在于,每个部署都将与电信站点共址,提供对电力和光纤的"即时访问"。这消除了"最长关键路径项目",如土地征收、变电站互连排队和多年电力交付时间表,Medina指出。
Available与无线基础设施公司Crown Castle合作,该公司拥有、运营和租赁超过40000个信号塔和大约90000英里的光纤。
"我们的策略是通过基于电信共址和预先存在的物理基础设施而不是绿地超大规模建设来工业化和模块化部署,"Medina说。
一些初始站点已经上线(由于"最终合同和调试里程碑",该公司拒绝透露具体数量),预计30个城市将在7月初上线。Available正在优先考虑密集的城市走廊,早期采用已在"主要东北走廊开始,有全国推广的路径,"Medina解释道。
该公司的基础设施将被专门从事60到90天AI数据中心部署的Strata Expanse使用,并纳入Strata新的全栈端到端Amphix AI基础设施平台。
新云架构将在每个站点运行多达48个GPU,将AI推理带到边缘。许多站点将与IBM的watsonx预集成;其他站点将是AI无关的,允许企业运行他们首选的模型。
根据Available的说法,Project Qestrel将提供:
边缘优先架构,保持数据在创建地,以保护敏感信息并满足驻留要求;
零信任和量子弹性加密,以防范新兴威胁;
边缘高性能计算,用于"超低延迟"应用;
空气冷却、电力就绪站点,支持快速部署。
Info-Tech研究集团高级咨询分析师Yaz Palanichamy指出了这一部署的"巨大规模"。"在100个美国主要城市拥有1000个独立物理站点是一项巨大的任务,"他说。考虑到资本支出和规划大规模数据中心部署所需的综合资源和人力,这尤其如此。
"这样规模的任务突显了对分布式基础设施日益增长的需求,以支持来自人工智能和低延迟应用的不断增长的计算工作负载,"他说。
对许多行业来说,增长最快的AI工作负载是推理和实时决策,Medina指出,但当它们必须"往返"到遥远的超大规模区域时,这些可能会失败。电信共址符合"实际现实":许多企业无法等待多年的大型园区时间表。
"在今天的地缘政治和供应链环境中,速度不是可选的,"Medina说。"在数周到数月而不是数年内将容量上线的能力是核心设计要求和市场差异化因素。"
Available的SanQtum技术被设计为"零信任网格",Medina解释道。每个用户、设备和工作负载都会持续验证,网络访问通过身份和策略而不是位置进行微分段。该平台与Entra和Okta等企业身份提供商集成,以支持持续监控、策略执行和审计就绪日志。
此外,Medina说,"共享电信位置通过严格的租户隔离、身份绑定策略执行和可审计控制来处理,因此客户可以共享物理邻近性而不共享信任边界。"
Project Qestrel被构建为基于阶段的全国建设,旨在在第一阶段之后"面向未来"。Medina指出,增长模型"自然扩展",因为平台是模块化和可重复的。
这意味着"添加站点是供应和集成的练习,而不是重新设计,"他说。该公司还可以在存在租赁选项的地方扩展塔和电信足迹,随着需求和客户承诺规模的增长支持额外阶段。
最后,Medina指出,"该架构是量子前瞻性的,考虑到其基础设施以及它在边缘标准化安全连接、身份和后量子密码学的事实。"
Q&A
Q1:Project Qestrel项目的主要目标是什么?
A:Project Qestrel是Available公司的50亿美元项目,计划到今年年底在美国100个城市和30多个州部署1000个AI就绪的边缘数据中心,每个站点配备高性能计算基础设施和AI推理能力。
Q2:Available公司的边缘数据中心有什么独特优势?
A:Available的数据中心与电信站点共址,提供对电力和光纤的即时访问,消除了土地征收、变电站互连排队等长期项目,使站点能在数周到数月内上线,而不是数年。
Q3:Project Qestrel在安全方面有哪些特色?
A:该项目采用零信任和量子弹性加密技术,每个用户、设备和工作负载都会持续验证,网络访问通过身份和策略进行微分段,并集成企业身份提供商支持持续监控和策略执行。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。