
据国外媒体报道,IBM和苹果将扩大合作,前者推出了新的企业服务来帮助其它企业部署使用Mac电脑。

目前,有超过100名IBM员工在苹果加州库比蒂诺园区帮助多家IBM客户开发iPhone和iPad应用。那些客户包括花旗银行、Sprint和日本邮政公社。
IBM内部看起来也不一样了。这家以往采用Wintel电脑和黑莓手机的公司,如今有望成为全球最大的MacBook电脑企业用户。周三,该公司开始传授它学到的部署使用苹果产品的经验,推出一项服务来帮助其它的企业采用Mac。
在全球规模达9810亿美元的信息技术服务市场与行动快速的硅谷创业公司竞争上,员工数高达38万的IBM面临着一项独特的挑战。据该公司的首席信息官杰夫·史密斯(Jeff Smith)称,公司面临的那个问题是:“我们在创新上能否匹敌最优秀的、最小的或者与IBM规模相当的公司?能否找到途径将文化转变成竞争优势?”
与苹果建立友好合作关系也许是那个问题的答案的一部分。该合作是IBM旨在重塑公司适应新时代发展的计划的一部分。当前,IBM的重要产品线营收全线下降——事实上,总营收已经连续13个季度呈现下滑——在智能手机和云计算时代,该公司在竭力争取属于自己的一席之地。为此,它增加了多个领域的投资,如数据分析、安全、移动计算和云服务。它还联手多家挺酷的科技公司,包括苹果、Box、Facebook和Twitter。
现在说IBM能否利用好这些合作还言之过早。不过,它正在第一次给内部员工提供硅谷标准规格的计算设备。
FBR Capital Markets分析师丹尼尔·艾维斯(Daniel Ives)指出,“对于苹果和IBM的合作,我想它将会随着时间的推移变得更加重大,更加重要。当下,IT行业正发生各种重大变化,像IBM和甲骨文这样的传统巨头必须要进行适应调整。”
3年前,由于担忧数据安全问题,IBM禁止内部使用苹果iPhone的语音助手Siri。很显然,IBM内部是有苹果迷的;据史密斯称,IBM在5月首次给员工提供Mac的时候,有18.5万名员工看到了内部公告,“那触及了IBM员工的神经。”
IBM于2014年7月宣布与苹果达成应用合作协议。在此后的6个月内,它开始给销售团队配备4.3万部iPad。现在,它在内部支持的苹果设备(包括iPad、MacBook和iPhone)超过11万部。史密斯预计,到今年年底,光是MacBook,IBM的管理数量将达到5万部。他跟苹果说该数字最终可能将增长到20万部。
IBM周三发布的服务旨在帮助企业客户大范围(成千上万部的级别)部署使用Mac电脑。那些服务可以说是IBM自身部署经验的直接副产物。IBM在如何让员工使用Mac上的认识,大多数从苹果那里学来。IBM去年秋季派遣其工作场所即服务副总裁弗莱彻·普雷文(Fletcher Previn)到苹果总部,以进行为时一周的浸入式学习,了解苹果在给自家员工提供Mac上的处理方式。普雷文说道,苹果为自家员工形成的流畅使用经验令人惊叹。
“看到他们是如何以远少于传统PC环境的资源管理大量员工的设备,的确大开眼界。”普莱文说。
他补充道,“我们两家公司各有所长。苹果拥有着很好的设备部署经验,打造了世界上最好的一些设备。我们则非常清楚很多大企业具体需要些什么。”
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。