至顶网CIO与应用频道 03月16日 北京消息:通用电气(GE)近日发布了2018年“全球创新风向标”报告。报告通过访问全球20个国家的超过2,000位企业科技及产品研发高层人员,衡量他们在当前全球形势下对创新领域的认知了解。结果显示中国创新环境得到普遍认可,超越德国跻身全球前三,而中国企业家对于创新的需求十分迫切,对于过程中所面临的困难也更有思想准备,对于3D打印等新技术也最为追捧。
这是GE自2010年以来第六次发布“全球创新风向标”报告。报告指出,跨国及私营企业正成为创新领导者;而相比美国和德国等传统工业强国,全球商界领袖更看好包括中国在内的亚洲各新兴市场国家。值得注意的是,在保护主义问题上,受访企业高管呈现出矛盾的心态,一方面认为保护主义政策有利于当地业务发展及创造就业,另一方面又希望从全球化及开放市场中获利。
GE全球高级副总裁、GE中国总裁兼首席执行官段小缨表示:“今年的‘全球风向标’调查结果表明,包括中国企业家在内的全球商业领袖对于创新有着更为清楚的认识,也更自信能够推动企业在创新方面的发展。报告反应出中国企业家对于创新的积极态度, 以及对于中国创新环境改进的认同。随着中国逐步将创新作为经济增长的主要驱动力,理解如何在当前全球复杂经济形势下应对创新所带来的挑战显得尤为重要。”
中国创新地位提升 挑战依然艰巨
报告显示,中国创新地位得到了包括中国在内的全球商界领袖的普遍认可。在回答“你认为哪个国家是创新领域领先者”时,全球及中国受访者都对中国展示出积极的态度,使中国超过德国,成为继美国、日本之后的第三创新国家。而相比于全球其它国家受访者,中国商界领袖对于国内创新环境的态度则更为乐观——73%的中国受访者认为“本国环境对于创新十分有利”,这一比例在受访国家中仅次于美国,排在第二位。
在“谁是创新领域的主要推动者”这一问题中,中国商界领袖及企业高管普遍认为是“大型本地企业”(26%),这比2014年调查结果增加了17个百分点;另有12%的受访者选择了“跨国企业”,较2014年调查结果提升5个百分点。
此外,报告指出全球及中国市场在创新领域的挑战依然艰巨。而中国商界领袖对于困难也一直有着更为清醒的认识。有74%的中国商界领袖选择了“带来颠覆式创新的创意”,这比2014年调查结果高出了13个百分点;排在第二位的是缺乏相关人才(70%);而随着中国经济的腾飞,有67%的中国高管认为“将创新成果成功推广,甚至覆盖海外市场”是企业创新发展的一大挑战。
新技术驱动创新 企业重视回报
报告显示,企业家普遍看好包括增材制造及3D打印在内的创新技术,在中国尤其如此——83%的受访中国企业高管(全球平均为63%)认为增材制造能够促进业务发展;94%的受访者(全球平均91%)认为能够推动企业创造力,97%的受访者(全球平均89%)认为能够加快产品上市时间;93%的中国企业高管认为增材制造技术能够降低二氧化碳排放,91%的人认为投资3D打印技术能够帮助他们的企业将竞争对手甩在身后。
此外,与大多数国家受访者不同,大部分中国商界领袖及企业高管(55%) 认为增材制造技术已经不仅仅是一个众人探讨的概念,而是已经对中国的各个行业产生了实质性影响。
中国商界领袖及企业高管也十分青睐数字化技术——63%的受访者认为数字技术能够量化企业创新投入,让进步“看得见、摸得着”;而85%的中国受访者认为企业在推动创新时应该尽可能保护核心业务不受影响。
报告中的其它发现包括:
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
维吉尼亚理工学院研究团队对58个大语言模型在单细胞生物学领域的应用进行了全面调查,将模型分为基础、文本桥接、空间多模态、表观遗传和智能代理五大类,涵盖细胞注释、轨迹预测、药物反应等八项核心任务。研究基于40多个公开数据集,建立了包含生物学理解、可解释性等十个维度的评估体系,为这个快速发展的交叉领域提供了首个系统性分析框架。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
西湖大学王欢教授团队联合国际研究机构,针对AI推理模型内存消耗过大的问题,开发了RLKV技术框架。该技术通过强化学习识别推理模型中的关键"推理头",实现20-50%的内存缩减同时保持推理性能。研究发现推理头与检索头功能不同,前者负责维持逻辑连贯性。实验验证了技术在多个数学推理和编程任务中的有效性,为推理模型的大规模应用提供了现实可行的解决方案。