据领先分析机构IDC的研究表明,边缘计算正准备重新定义企业如何利用实时数据和人工智能 (AI) 工作负载来推动投资,特别是在人工智能加速处理器、多接入边缘计算 (MEC)、内容分发网络 (CDN) 和虚拟网络功能 (VNF) 方面。
《全球边缘计算支出指南》预测了2025年至2028年企业和服务提供商在22个技术市场、7个技术领域、27个企业行业、9个地理区域和24个国家的支出情况,包括澳大利亚、新西兰、阿根廷、巴西、加拿大、法国、德国、印度、印度尼西亚、意大利、日本、韩国、马来西亚、墨西哥、波兰、中国、西欧、沙特阿拉伯、阿拉伯联合酋长国、英国和美国。该研究调查了与六个企业领域相关的1000个企业用例:人工智能、物联网 (IoT)、增强现实 (AR)、虚拟现实 (VR)、无人机和机器人技术。
该报告对该行业进行估值,计算出2025年全球边缘计算服务支出将达到近2610亿美元,预计将以13.8%的年复合增长率增长,到2028年达到3800亿美元。
在支出方面,硬件是2025年初最重要的技术投资领域,这主要由人工智能加速处理器的快速部署推动。这一演变是由对实时数据处理的需求不断增长以及智能终端的激增所推动的,这些智能终端日益需要基于边缘的计算、存储和网络能力,如支持智能体AI功能的终端。
然而,到2028年,预计综合服务部分 (包括提供的服务和专业服务) 将超过硬件份额,五年期复合年增长率超过18%。在提供的服务中,基础设施即服务 (IaaS) 仍是增长最快的类别,这由对可扩展、灵活和具有成本效益的服务的需求推动,这些服务能够处理AI工作负载日益增长的计算需求。服务提供商为以MEC、内容分发网络和虚拟网络功能形式向企业提供服务而进行的基础设施投资预计到2028年将达到近1000亿美元。
研究发现,增强现实和人工智能是预测期内增长最快的领域,推动了关键行业的投资增加。不出所料,人工智能被发现是一个主要驱动因素,AI工作负载推动了"大规模"硬件投资,特别是在AI加速处理器方面。
在垂直行业方面,零售和服务业将在2025年占据当前边缘服务投资的最大份额,占全球总支出的近28%。在该行业中,视频分析、动态实时运营商性能和优化运营等用例占据了最大的支出。
制造和资源行业紧随其后,成为第二大垂直行业,共占全球支出的四分之一。此外,金融服务业预计在未来五年将经历最快的支出增长,复合年增长率超过15%,这主要由人工智能领域中增强欺诈分析和调查用例相关的支出推动。
从地理角度看,北美将在整个预测期内保持边缘支出领先地位,其次是西欧和中国。西欧、中国和拉丁美洲预计将在五年预测期内经历最快的支出增长。
IDC云和边缘服务研究副总裁Dave McCarthy在评估报告所揭示的趋势时表示:"边缘计算正准备重新定义企业如何利用实时数据,其未来取决于量身定制的、特定行业的解决方案,以满足独特的运营需求。我们看到服务提供商加大投资力度——建设低延迟网络、增强AI驱动的边缘分析并建立合作伙伴关系,以提供可扩展、安全的基础设施。这些努力对于充分发挥边缘计算的潜力至关重要,使从更智能的制造车间到响应式医疗系统等一切成为可能,并最终推动跨行业的新一轮创新浪潮。"
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。