
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
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。