7月9日,主题为“新IT,为你大不同”的联想企业级解决方案研讨会来到广西柳州。柳州作为广西三大经济支柱之一,在企业级市场方面的发展比桂林和南宁颇具优势,这也就是为什么广西站会选择柳州举办的原因。
联想集团华南区大客户业务总监廖玉刚大会演讲
区域企业级市场崛起
众所周知,联想在全国范围内覆盖了三十二个地区,共分为了十个大区。作为其中之一的广西,在经济上主要依靠桂林、南宁以及柳州这三座城市。提到桂林,不用多说大家一定想到的是“桂林山水甲天下”;而提到南宁,在大家的印象之中一定就是美食了;那柳州呢?柳州一直就有“柳州石玩天下奇”的美誉,但柳州在发展旅游业的同时,也在企业级市场方面有着自己的贡献。
早在2010年年中柳州市中小企业趁着国内市场复苏的有利时机,纷纷扩大生产规模,抢占市场,成为“经济发展提升”最为闪亮的节点。发展到2015年柳州在中小企业市场中已初具规模,这就给了例如:联想、Intel等在内的IT巨头更多商机,在企业级方面更是带来了巨大的市场。
根据2014年IDC报告显示,广西地区占联想在中国市场中的35%,并且联想始终在广西地区企业级业务上排名第一,高于排名第二的戴尔12个百分点。为何联想在广西会有这么多的“粉丝”呢?笔者从新浪微博上看到了关于联想广西的微博,点击进入之后可以看到联想在广西地区的多种多样的客户会议、渠道合作伙伴培训等活动,不难看出联想对华南地区市场的重视程度。
一流产品,领先技术平台
说到联想与IBM的关系,之前在企业级市场中并没有太多的交集,主要是因为二者在企业级市场中的定位不同,也许正是因为定位的不同,所以联想在整合了IBM x86服务器业务之后才会有更大发展的空间。
联想企业级解决方案全国巡展柳州站现场,人气爆棚
在今年联想完成了对IBM x86服务器产品线整合,无论是在渠道还是在市场中都有所补足。在产品方面,随着System x刀片服务器的加入,联想既在企业级市场中收获了在银行、电子以及重点企事业单位领域的份额,同时也将会面对更多的挑战,对于联想来说可谓是“痛并快乐着”。
在渠道方面,联想将整合了IBM System x渠道,并结合联想之前代理商的系统,将围绕“开放”、“融合”和“赋能”三大方面全面优化渠道数量和能力,助力渠道合作伙伴向技术型渠道转型,为客户提供更贴切的端到端的整体解决方案和服务。
值得强调的是,在整合System x渠道之后,联想不仅进一步完善了企业级产品组合,包括8路及以下产品、刀片共计超过60款服务器产品、Pure System、存储和网络设备以及1100项专利和应用在内的众多知识产权等,同时还拥有业界领先的x86技术交流平台的蓝翼俱乐部,可以很好得帮助客户和渠道伙伴提升专业技术能力,弥补了联想企业业务在专业技术方面的不足。
这将对联想在未来品牌规划以及产品设计上有很大帮助,同时在未来的解决方案上也有一定的建设性意义,广西大客户业务总监廖玉刚表示,“对于联想来说蓝翼俱乐部就是一个数据中心,可以全面的收集用户在整个交流过程中产生的信息。”
联想集团华南区大客户业务总监廖玉刚接受媒体采访
此外,廖玉刚还表示,“发展蓝翼俱乐部就是要以客户为中心,以客户为导向,通过联想自有的方法去满足用户最终的需求,根据客户在购买方面上的动机以及想要达到的方向,来进行大数据分析。”
写在最后
联想通过整合IBM x86服务器业务收获很多,无论是对于联想本身还是对于联想的渠道、合作伙伴以及用户来说,都将会带来不可预估的积极意义,从最新的数据调查之中就可以明显得看到。与此同时,联想在企业级所积累的市场优势,二者优势叠加,相信15财年实现超过25%的 x86服务器市场份额的目标指日可待。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。