可以说,中国一直是软件盗版的灾区之一,盗版也是国内制造企业的潜伏性问题。然而,在IDC看来,这是需要重视的问题。近期,IDC发布了《美国反不正当竞争措施对新兴市场的严重影响》和《美国反不正当竞争措施对中国制造商可能产生的严重影响》研究报告显示:使用盗版软件将减弱制造企业的竞争优势,而合法软件则有助中国制造企业抢占出口市场先机。
IDC研究认为,应用合法IT产品,特别是经过授权和官方支持的软件,将帮助制造企业在出口美国市场的竞争中占据更大优势,而采用盗版软件的出口企业将给其自身及其所在经济体带来巨大的经济和安全风险。为进一步提高生产效率、推动业务增长和提升全球竞争力,企业应有效合理的利用新兴的信息技术。
在过去,不正当竞争涉及到商标侵权、盗取商业秘密、虚假广告等领域,而近年来,IDC数据显示,在2002年至2012年间,因对美国出口产品的制造商使用盗版软件,使美国蒙受经济损失2400亿美元,丧失600000个工作岗位。因此,美国开始推动新的立法并将反不正当竞争法的承诺直指盗版软件问题,华盛顿州和路易斯安那州已专门针对出口商使用盗版软件问题颁布了法律,美国多个州目前也已经着手采取法律行动,监督向美国出口产品的企业使用合法IT。
但如果你认为这只是美国佬的措施,对国内影响不大,那就错了。因为一旦企业因使用盗版软件而遭到制裁,其所属国家也会在外商直接投资、出口贸易、信誉形象以及政府成本等方面受到严重的负面影响。
IDC的《美国反不正当竞争措施对新兴市场的严重影响》白皮书针对了中国、巴西、印度、墨西哥、泰国和土耳其等六大新兴市场进行调研。据IDC估算,2014年,六大新兴市场制造业中价值60亿美元的盗版软件将危及高达7900亿美元的出口额,这些市场的消费者和企业预计将花费近1500亿美元用于处理盗版软件中恶意程序所造成的网络安全问题。
IDC同期发布的《美国反不正当竞争措施对中国制造商的严重影响》白皮书显示, 在中国,若以一家平均业务收入为1亿1500万美元、对美出口额达3500万美元的典型制造企业为例,因使用盗版软件而面临的出口风险成本与确保软件合规性的成本相比,将高达65倍之多。
IDC同时访问了51位中国制造企业高管,在他们看来,出口损失和业务中断是最具破坏性的潜在风险,而罚款和在供应链内的名誉受损同样会为企业带来严重危害。研究指出,在未来四年内,如果中国制造企业的盗版软件使用量减少10%(或每年减少2.5%),就可以在当地软件公司、服务商与渠道商中新增48000个工作岗位,为IT产业带来36亿美元的收入增长。此外,还能为其他行业新增72000个工作机会,增收32亿美元,并为当地贡献7.37亿美元的税收增长。
除了上述因素,网络安全威胁也是企业应拒绝使用盗版软件的重要原因。IDC于2013年3月发布的《假冒和盗版软件的危险》白皮书曾指出,盗版软件与恶意软件之间存在密切联系。而在本次本报告中, IDC预计如果将中国作为一个整体,用户与企业将在2014年花费1200亿美元来处理盗版软件中的恶意软件。此次IDC在六大新兴市场的调查发现,2014年平均每个制造企业将花费110万美元处理盗版软件中携带的恶意程序所造成的网络安全问题,而这些盗版软件的价值仅为71万美元。
IDC亚太专项研究事业部副总裁林宣宏表示:“除了网络安全风险,企业在生产和销售过程中使用盗版软件将导致其竞争力下降,业务受损甚至中断,并面临来自美国政府和合作伙伴的压力。而这些潜在的风险以及所导致的损失将远远高于购买廉价盗版软件所节省下来的成本。我们希望通过此次调查研究,让更多的制造企业充分了解盗版软件带来的风险,加强软件资产管理,加快企业内软件合规进程,并将其发展成为未来出口美国市场的竞争优势。”
图为IDC亚太专项研究事业部副总裁林宣宏
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。