隨著近兩年移動互聯網的崛起,企業(yè)之間談論的話題也出現了變化,互聯網思維讓企業(yè)開始對傳統(tǒng)價值鏈進行重新審視。從營銷到互聯網營銷、從實體經營到互聯網產品,互聯網思維的融入主要體現在戰(zhàn)略、業(yè)務和組織三個層面。
移動互聯網時代的到來,不僅傳統(tǒng)行業(yè)用戶面臨著挑戰(zhàn),各大PC廠商更是開始了全新的布局與考量。而作為一個IT硬件出身的廠商——聯想,同樣在這個挑戰(zhàn)與機遇并存的時代有著自己的考慮。
聯想集團中國區(qū)大客戶事業(yè)部新興行業(yè)總經理王云峰
IT硬件出身的廠商的天然優(yōu)勢
聯想集團中國區(qū)大客戶事業(yè)部新興行業(yè)總經理王云峰在《企業(yè)級移動互聯與業(yè)務創(chuàng)新》這一演講課題中講到:作為一個提供商而言,是要根據客戶的需求提供相應的方案,而客戶的需求有可能是移動化的初級階段,這樣他們最有可能需要的是IT的硬件。在深入一些的客戶,便會對安全以及效率有著自己的考究,這時便會對基礎架構方案產生出需求。
正是由于聯想出身于IT硬件廠商,所以在接入端方面有著明顯的優(yōu)勢??梢哉f現今聯想的接入端已經做得非常完善,臺式機跟筆記本的份額已經是全球第一,并在平板、智能手機、智能電視領域都表現出色,未來也會涉及到可穿戴設備這一領域。而接入端的重要性便是數據以及信息的生產。
在企業(yè)級產品,聯想亦是很早便開始了布局,如服務器領域,因為各種形態(tài)的硬件都在產生數據,后端的計算和存儲以及安全問題就變得非常突出,所以聯想便在1998年開始在后臺進行布局,并攜手專業(yè)的廠商和品牌一起完善自身的產品,同時向客戶端推廣。
高品質的服務亦是作為IT硬件廠商的優(yōu)勢,聯想有著一系列的認證以及線下產品服務站,不管是桌面的、移動的還是企業(yè)級的產品,都能夠實實在在的服務于用戶。而這些亦是一個IT硬件廠商的傳統(tǒng)業(yè)務,當然,聯想也并沒有為此而滿足,而是不斷隨著移動互聯網的潮流進行著改革與轉型。
目的明確的轉型
作為一個硬件廠商來講,PC是一條不可放棄的線,在不放棄PC的大前提下,聯想也在移動互聯網這片領域飛速的增長,成績亦是顯著的。
聯想轉型的目的很明確,不僅幫助客戶極大的提升了效率,更在移動互聯網這個時代搶奪先機。現今聯想在已經覆蓋了能源、金融、教育、醫(yī)療、警務等8大行業(yè),15個子行業(yè),共提供了200多個解決方案。
聯想在整個行業(yè)可算是翹楚,其自身的信息化水平較高,但面臨這個新興的移動互聯網領域,依舊不敢以王者自居,在大會中,聯想集團中國區(qū)大客戶事業(yè)部新興行業(yè)總經理王云峰也提出聯想愿意與各廠商之間進行戰(zhàn)略合作,分享出自己獨有的方案,在這個領域發(fā)揮出更大的價值。
每個企業(yè)有自己的業(yè)務,不可能每個企業(yè)都是移動互聯網企業(yè)。所以如何在這么一個移動互聯網的大潮中能夠發(fā)揮出自己的優(yōu)勢,成為業(yè)界的領先者,這才是最根本的原理。
目前聯想談的是疊加、迭代,從終端到后臺的一體化的服務。行業(yè)應用做的再出色也是為了推廣出聯想自己研發(fā)的產品。
故此通過與各個行業(yè)里面專業(yè)的應用開發(fā)商的合作,配合自己做的底層適配,讓開發(fā)商可以直接在聯想的設備上進行開發(fā),無需再做打印機、掃描儀等等一系列的適配。并通過這種方法覆蓋整個個性化的行業(yè)市場。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數學推理能力提升8.6%,通用推理提升8.4%,且無需任何數學題目作為訓練材料。研究發(fā)現游戲中的三種推理模式能成功轉移到數學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數學優(yōu)化方法,在合成數據集上實現37.9%的精度提升,并在真實設備上展現出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現,經過強化學習訓練的視覺語言模型雖然表現出"頓悟時刻"現象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯合提出SparseLoRA技術,通過動態(tài)稀疏性實現大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。