ZD至顶网CIO与应用频道 03月22日 北京消息:近日,围绕“智能时代·数字经济”,“2017中国IT市场年会”在北京召开。会上解读了业界的关注焦点,从多个角度分析了当前国内IT市场的趋势走向。
资本市场的“风”即将往哪吹
“风来了,猪都会飞。”毫无疑问,风代指的就是资本。从2013-2015年间,资本市场经历了轰轰烈烈的一大波牛市,以科技为代表的创业板上涨590%,而其中创造出了一大批成功创业公司。东方证券研究所所长陈刚在当天的演讲中,主要谈到了两个问题,一个是“风来了”,一个是“风”往哪儿吹。
“非常遗憾的告诉大家,从2015年下半年开始,资本市场这个风停了。”资本寒冬时代到来,“风”的力度明显小了很多。造成这样的结果,在陈刚看来,其中一个很主要的原因是移动互联网时代的红利即将结束。
红利的结束,也意味着“风向”的变化。未来“风”往哪儿吹,哪些科技领域更受投资人的青睐,陈刚从投资人的角度列出了5个方面。1.智能硬件。尤其是围绕智能交通、机器人领域的投资机会。2.云计算。尤其是围绕数据服务的企业。3.AR和VR。主要集中在娱乐和硬件领域的投资。4.物联网。5.人工智能。作为资本市场更看重人工智能技术如何与实体行业相结合。
除了谈到当前资本市场的环境以及未来的投资方向以外,陈刚在最后还提到了一个科技企业都很关注的话题——如何进入资本市场,究竟是选择通过并购、重组的方式,还是进行IPO。
陈刚说,从目前资本市场最新的政策来说,IPO是未来科技企业发展进入资本市场的一个主流模式。而如何尽早IPO,就需要创新、规范和业绩三方面的推动。“创新就是一定要有自己的东西,规范是要按照财务报表和商业模式运作。”陈刚总结道。
未来产业、未来经济
“展望一下未来十几年,随着智能化技术密集型的突破,包括存储、计算能力、虚拟现实、大数据的处理技术等,这会使现实世界和物理世界的链接更加无缝,并且构成了未来整个业态。”作为主办方,赛迪顾问总裁孙会峰在会上谈到了一些对未来产业和未来经济的看法。
在孙会峰看来,未来的产业形态会成为三个层级。最底层是全新的智能化设施,不但是万物互联,未来还有可能是万物有灵。第二个层面是数据。第三个层面则是基于智能化的基础设施和大量数据之上,进行不断的完善。
“首先我们看到全网的协同、高效的协作,以及资源和信息无缝对接,必然去改善人与人之间的关系、人与政府之间的关系,以及商业之间的关系。未来的协同效率、效益会充满巨大的想象空间。因此,如果要构建2030数字经济的愿景,需要智能的基础设施,需要海量的数据,更需要全新的新生业态。”
孙会峰认为,全新架构以及生态的演进,支撑这产业升级的同时,也带来了一定的影响。首先是产业间,无论是技术、产品、服务,都在进行不断的融合;其次是消费者的角色发生了很大的变化,所谓的消费生产者——消费者既是消费者又能参与到产品定制生产过程中;最后一个影响,针对人类的演进,随着人工智能技术的深入,将会释放人类大量时间。
“中国和美国是一个巨大的市场,为什么中国的IT企业能够快速成长?除了有巨大的需求所牵动,也有政府所带动的因素。”对于如何推动未来产业的发展,孙会峰提到了几点自己的看法。
顶层设计。比如推出的网络空间、智能制造2025等战略,对于整个产业的演进起到了巨大的推动力。
鼓励区域创新。不同的区域结合本地的特点和资源的禀赋以及条件,会提出全新的发展战略和发展方向。
创新环境的构建。基于数字经济的新业态必将带来产业监管方面的问题。因此包括数字安全、人的训练和培养,都是未来要考虑的。
资本服务于实体经济,同时实体经济也需要资本的助推。海量资本对于技术创新和企业的孵化、产业的升级起到了最大作用。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。