大型企业在产业数智化与数智产业化发展方面起到重要的引领和示范作用。3月20日,以“融创未来 共赢BIP”为主题的2021用友生态大会将在线召开。会上将发布“犇放计划”及“用友专业服务生态体系“,用友将加速生态发展,携手伙伴共同打造高价值、富有持续创新力的整合解决方案与专业服务能力,更好助力大型企业高质量的创新。
大型企业数智化,需要以“数智化咨询引领”的融合方案
2021年,作为十四五的开启之年,很多大型企业将“数字化转型”放到了十四五战略规划的重要位置,并且很早便通过数智化咨询的引领作用,建立了体系化的数字化蓝图。
企业数智化是一个完整的过程,不仅需要先进的数智化技术和产品,还需要适合企业的规划方案,并结合精细化的管理,以及对业务有深刻理解的人来综合进行。数智化咨询可以帮助大型企业突破传统思维,建立创新机制。并且为企业制定一个数字化、智能化转型的“行动路线图”。 在此指引下联合数智化生态服务商的融合力量,进行有序落地。
当前,行业分工的颗粒度越来越细致、专业,在企业服务生态中,包含了管理咨询服务、IT咨询服务、项目实施、个性化开发、培训、集成,以及运维服务等等全栈式服务。
商业创新平台(Business Innovation Platform,BIP),通过数智化技术与互联网打破企业间的信息链接的边界,并且将不同领域服务商的能力,组合协同到一个平台,以客户为核心,去构建综合型的服务能力,一站式的满足大型企业的数智化转型要求。
用友将联合生态提供全栈式服务,让大型企业数智化落地更便捷
任何一个组织,它的资源和力量都是有边界的,今天的数智商业时代,是一个开放的,需要协同协作的时代。用友作为中国企业数智化服务和软件国产化替代的领导厂商,愿意融合和带领更多云服务、软件领域的专业服务组织,共同合力形成面向客户的全栈式的解决方案与服务能力,帮助和支撑企业持续的商业创新。
YonBIP用友商业创新平台汇聚了大量生态伙伴的产品和服务。通过生态化发展,用友与生态伙伴共同融为一个大的生态体,在这里共生、共创、共荣发展。在这个平台上,用友联合伙伴,可以更便捷、更快速地去创造一个细分领域、行业的应用服务或者业务服务、专业服务。并且将产品、方案、服务、运营以及相应的人才能力等更好的融合在一起,从而实现大型企业更快,更高质量的创新。
为实现生态平台价值共创,驱动企业数智化转型升级,2021用友生态大会将发布“犇放计划”及“用友专业服务生态体系“。 用友将通过创新业务模式,释放专业服务市场巨大能量,吸引和融合专业服务伙伴与解决方案,快速形成高价值、富有持续创新力的整合解决方案与专业服务能力。以数智化咨询为牵引,共同服务大型企业。会上将针对伙伴关心的发展策略、合作模式、支持政策进行详细解读。
同时,针对大型企业尤其国资国企关注的“信创”产业,用友将携手生态伙伴,充分发挥各自优势,一起共建全栈的信创体系,促进信创产业生态共融,助力构建安全可信的实时企业。推动自主安全业务,从信息化走向数智化。助力客户在数智化、全球化、国际化三浪叠加的趋势下,获得快速发展的同时,布局长远规划的领先优势。
用友将继续秉承用户之友、持续创新、专业奋斗的核心价值观,一切为客户创造价值。并携手生态伙伴一起创新产品与服务,通过构建和运营全球领先的企业云服务平台,服务企业数智化转型和商业创新,让数智价值无处不在,让商业创新高效便捷。
好文章,需要你的鼓励
亚马逊向AI搜索引擎Perplexity发出停止令,要求其停止允许用户创建和使用购物代理在亚马逊网站购买商品。争议核心在于控制权:亚马逊希望保持对用户购物体验的控制,而Perplexity认为AI代理只是技术进步的自然延伸。分歧在于透明度——Perplexity的代理使用用户凭据登录而不标识自己为AI代理。这被视为自主AI代理在商务领域的首次重大法律测试,将影响AI驱动网络的未来基础。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
东芝发布S300 AI视频监控硬盘,容量从10TB大幅提升至24TB。该产品采用7200转速和6Gbps SATA接口,支持64路视频摄像头和32路AI数据流分析。容量范围涵盖8TB至24TB,缓存最高达1024MB,传输速度最高309MBps,年工作负载550TB。相比竞品西数Purple Pro和希捷SkyHawk AI,东芝在传输速度方面表现更优。产品将于2026年第一季度上市。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。