隨著年底的到來,又到許多企業(yè)開始規(guī)劃明年IT預(yù)算的時(shí)間了。市場(chǎng)調(diào)查機(jī)構(gòu)Tech Pro Research通過對(duì)全球的IT專業(yè)人士進(jìn)行調(diào)查發(fā)現(xiàn),明年45%的企業(yè)的IT預(yù)算會(huì)增加。
許多受訪者表示,在企業(yè)內(nèi)部,IT部門被認(rèn)為與其他業(yè)務(wù)部門地位相當(dāng),甚至更重要。明年80%機(jī)構(gòu)的IT預(yù)算與今年相當(dāng),或高于今年。有趣的是,與美國、加拿大等成熟市場(chǎng)相比,新興市場(chǎng)企業(yè)在IT方面的投資更多。
調(diào)查發(fā)現(xiàn),45%企業(yè)IT部門負(fù)責(zé)人制訂IT預(yù)算,26%企業(yè)的首席信息官制訂IT預(yù)算。更有趣的是,近四分之一的受訪者表示,IT預(yù)算是由公司最高管理層制訂的,10%的受訪者稱首席財(cái)務(wù)官?zèng)Q定IT預(yù)算,14%的受訪者稱CEO決定IT預(yù)算。
IT預(yù)算的制定和批準(zhǔn)是兩回事。調(diào)查顯示,在54%的時(shí)間中,CEO負(fù)責(zé)批準(zhǔn)最終的IT預(yù)算;在26%的時(shí)間中,首席財(cái)務(wù)官對(duì)IT預(yù)算有決定權(quán)。逾70%企業(yè)的IT預(yù)算是由IT部門負(fù)責(zé)人或首席信息官制定的,但只有6%公司的IT預(yù)算由他們負(fù)責(zé)批準(zhǔn)。
調(diào)查披露的好消息是,IT預(yù)算會(huì)增加。逾80%的受訪者表示,明年的IT預(yù)算與今年相當(dāng)或更高。事實(shí)上,近半數(shù)——45%的受訪者表示,明年IT預(yù)算會(huì)略高于或大幅高于今年。
總體而言,IT預(yù)算在增長(zhǎng),在許多公司預(yù)算中所占的份額更大。亞太、中南美地區(qū)等發(fā)展中國家和地區(qū)把更多預(yù)算投入到IT領(lǐng)域。在IT預(yù)算增長(zhǎng)方面,新興市場(chǎng)也有領(lǐng)先優(yōu)勢(shì),86%的中南美地區(qū)企業(yè),83%的印度企業(yè),78%的非洲企業(yè),75%的亞太地區(qū)企業(yè)表示,它們明年的預(yù)算高于今年。
63%的受訪者認(rèn)為,提高效率和改進(jìn)業(yè)務(wù)進(jìn)程是最優(yōu)先的IT預(yù)算項(xiàng)目,超過90%的受訪者認(rèn)為這是中等或最優(yōu)先的IT預(yù)算項(xiàng)目;90%的受訪者認(rèn)為通過技術(shù)手段提高生產(chǎn)力是中等或最優(yōu)先的IT預(yù)算項(xiàng)目,55%的受訪者認(rèn)為這是最優(yōu)先的IT預(yù)算項(xiàng)目。
這兩類任務(wù)在明年IT預(yù)算中的重要性要高于今年。許多其他任務(wù)——例如風(fēng)險(xiǎn)管理或降低IT成本的重要性沒有什么變化。重要性大幅提高的一類任務(wù)是管理移動(dòng)用戶和設(shè)備,其地位與去年相比增長(zhǎng)了近40%。
好文章,需要你的鼓勵(lì)
新加坡國立大學(xué)研究團(tuán)隊(duì)開發(fā)了SPIRAL框架,通過讓AI與自己對(duì)弈零和游戲來提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)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(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。