
科技飞速发展的今天,市场的竞争也日趋激烈,在这种大环境下,如何实现并保持高速稳定增长是每个企业都需要面临的难题,不仅要提升企业竞争力,还要寻找新技能与新的业务模式以应对当前局势。
近期,联想举办了题为“移动未来,互联天下”——联想大客户企业行业移动互联顾委会,联想与客户齐聚一堂,共同探讨在移动互联大潮下的企业制胜之道,分享联想对移动互联时代的趋势洞察和全新业务布局。
联想集团大客户事业部新兴行业总经理王云峰与大家分享了联想成立三十年所经历的大事件,包括2004年收购IBM个人电脑业务、2013年成为全球最大PC厂商等,同时联想也在去年年底做出了重大抉择,分别收购了IBM X86服务器与摩托罗拉移动,这也为联想提供了更大的发展平台。
现在是一个SoLoMo的社会,也就是社交(social)、本地(local)、移动(Mobility)的时代。企业员工的办公环境不再受到地域、空间等因素的限制,而他们的生活也逐渐被碎片化,那么怎样才能把这些时间加以利用呢?
联想集团中国区大客户事业部移动互联行业应用总监王磊表示抓住客户的变化才能在未来的竞争中取得成功。联想希望通过大客户企业行业移动互联顾委会与客户一起探讨降低成本、提高生产效率、快速迎合客户需求的解决方案。
同时,王磊还讲到了联想移动互联行业的策略,包括:一、建立高效地大单与中小项目的支撑体系;二、建立专业的技术支持体系,时刻响应客户需求;三、完善、高效的售后服务和运维体系;四、完善渠道/ISV联盟体系,建立行业解决方案库;五、打造大客户专属产品,提升产品定制能力。
联想集团中国区大客户事业部企业行业总监张力超也表示,希望与客户共同搭建移动互联的新型业务模式。
基于IDC的标准,联想把企业行业进行了细分,制造业里面分成了电子制造、装备制造、基础建设和快消品。而流通业以及一部分制造业、一部分服务业合并成大连锁,主要都是以连锁经营为主的业态和客户群体,最后是服务业里面最有活力的那部分,叫做信息服务。这是联想对于行业的分布,这样也能让联想服务于这种行业客户。
张力超在接下来的访问环节中补充道,联想比较看好以SFA销售展业为主的制造业、流通和商业培训这三方面。
王云峰也发表了他的观点,他认为企业行业在将来会有很大的机遇,因为有很多行业、子行业都在孕育当中,一旦成熟之后需求量会非常大,尤其是有移动工作性质的终端人员。
王立峰表示,联想在接触移动互联的客户定制需求时遇到了两点困惑,第一:客户本身对做移动互联的终极目的到底是什么想得不是特别清楚,因此,对做这样一件事的投入产出分析得也不够透彻,会造成投入前期可能非常积极,后来突然丢失兴趣的情况;第二,有一些客户缺乏顶层设计和系统思考,可能开始的时候觉得有某种需求,但是随后又发现跟后台并没有真正关联起来,又需要另外一套解决方案,但是两者之间预算是不一样的。
他表示目前这个行业并不成熟,缺乏真正的行业专家来给大家指出方向、模式。但是,这同时也是机遇,联想成立大客户企业行业移动互联顾委会的目的也是想要借助这个平台与客户们一同探讨、碰撞,最后形成应对不同行业的应用模式,促进整个移动互联产业做大做强。
随着移动互联技术的发展,越来越多的行业用户选择改变固有思维,他们希望利用先进的技术手段达到提高生产率、降低成本的目的,这不仅包括改变其传统的业务模式,就连与客户沟通的方式、服务的方式等方面也在变化。
移动互联行业,我来了,你在哪?
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。