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
计算机历史博物馆软件馆长Al Kossow成功恢复了上月在犹他大学发现的半世纪前磁带内容。UNIX V4是首个内核用C语言编写的UNIX操作系统版本,已从1970年代九轨磁带中成功恢复。现可从互联网档案馆下载并在SimH中运行。该版本包含约5.5万行代码,其中2.5万行为C语言,内核仅27KB大小。恢复过程使用了readtape程序采样原始磁通变化进行数据重建。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
亚马逊云服务宣布其存储网关现已支持Nutanix的AHV虚拟化管理程序,进一步扩展混合云存储解决方案。此前AWS存储网关已支持VMware ESXi、微软Hyper-V和Linux KVM。由于AHV基于KVM架构,AWS表示添加支持相对容易。随着Broadcom收购VMware后策略调整,许多企业正寻求替代方案,Nutanix成为热门选择。分析师预测VMware可能在三年内失去35%的工作负载。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。