至顶网CIO与应用频道 08月27日 人物访谈(文/王聪彬):虽然灯泡早在1854年就已经出现,但随着爱迪生使用钨作为灯丝这一创新,也使灯泡可以走入普通大众得到广泛使用。
飞利浦亦是如此,自从 120 多年前首只飞利浦灯泡问世以来,其就将创新和以人为本作为核心动力。现如今,荷兰皇家飞利浦已经发展为一家专注于健康科技的数字化公司,拥有超过74000多员工,遍布世界一百多个国家。飞利浦致力于通过在医疗健康领域的有意义创新提升人们的生活品质,并实现2025年改善30亿人生活的目标。
在新的时代,飞利浦的目标是打造人们真正需要的新一代技术和产品,帮助人们拥有健康、舒适和精彩生活。这就需要更加灵活、高效的理解和服务于市场,而云计算带来的不仅仅是数据备份的安全性,更重要的是成为业务创新的源动力。
数字化转型是一场必需要赢的战役
飞利浦正在蜕变成为一家数字化公司- 飞利浦每周会产生200万张医疗影像、23PB成像研究数据,以及每人200GB的基因组数据。
事实上每一次转型都伴随着阵痛,而在转型的道路上并没有捷径可走。尤其文化是转型过程中最主要的挑战。因为员工是公司的关键组成部分,转型必然带来工作方式、管理方式的变化,公司亟需从上至下深刻意识到转型的重要性。
作为全球化的企业,飞利浦的业务散布在不同国家和地区。飞利浦全球首席信息官Alpna J. Doshi女士指出,每个国家都有自己的文化,但每个职能部门还要跨区域进行协同工作。飞利浦早于2011年开启了加速项目,3000多个业务开始转型。飞利浦在转型之路上做了很多努力并已取得了一定的成功。
“在一家企业转型时,CIO绝对是一个引领者,因为CIO是CEO的战略伙伴。”Alpna女士说道。CIO的职能在不同的时代都有对其不同的解读,传统的观念认为CIO的主要职责是通过利用信息技术来支持公司的业务目标。Alpna所认为的CIO不应仅仅局限在技术层面,而是能够非常明确帮助企业,制定符合企业转型的正确战略。
飞利浦全球首席信息官Alpna J. Doshi
毕马威也提出了同样的论断,CIO要考虑三种基本能力梳理数字化转型,在不同阶段做适合的事情,第一、总体规划能力;第二、迭代试错能力;第三、持续创新能力。
在数字化转型的过程中技术是必不可少的驱动力。云计算、大数据、人工智能等都是时下应用最多的数字化技术。尤其云计算对于飞利浦而言非常重要,因为随着业务的日益扩张,遍布全球的数据中心面临运维成本的逐渐增高,某些数据中心基于监管要求,甚至要达到99.9999%的可用性。
与云为伴,在云中起舞
“云优先”是飞利浦的战略。目前飞利浦关闭了超过100家传统数据中心,所有的二级数据中心都已经云化,保证了IT系统安全性的同时降低了能源和运维成本。而一级数据中心目前仍在迁移上云的过程中。
飞利浦作为一家向健康科技转型的数字化企业,对于终端用户负有保护的责任。Alpna谈到飞利浦的混合云更多是从数据保护角度,一方面是ERP、财务等数据的安全性;另一方面是云上的备份。
在云的选择上,飞利浦看中AWS的三点优势,第一、技术和服务成熟度高;第二、以客户为中心的文化与飞利浦契合;第三、技术服务的不断创新,像人工智能、物联网等。通过AWS飞利浦既支撑了公司内部的运营,又支撑了面向客户的服务。
“我们就像在和AWS跳探戈一样,双方的合作非常合拍,有着共同进步的节奏。”Alpna说道,“AWS与飞利浦的发展理念非常接近,都是以客户为先。就像飞利浦有着明确的目标,到2025年改善全球30亿人的生活质量。”
目前飞利浦已实现了1.5小时之内部署一个新的服务器,包括安装操作系统组件;2018年预计成本节约50%,节能83%。一个具体的例子是,飞利浦医疗保健部门为美国提供诊断、治疗和预防保健方面的解决方案,在本地数据库无法处理几千万条记录时,借助 AWS可在短短 90 分钟内传输 3700 万条记录,并且可在两个小时内优化大型数据集。
飞利浦在全球划分了17个区域市场,每一个市场都在全球战略下进行本地化的执行。由于中国是一个特殊的市场,通过将全球的技术架构复制到中国,就可以保证与全球架构保持一致。
未来基于多云环境的混合云也是发展的必然趋势,飞利浦同样希望使用不同的云服务商,而且这些云服务之间同时是具有可操作性的。Alpna认为,云环境下也会出现类似本地系统厂商的角色帮助企业把多云集成。而且未来的云服务都将是即插即用,甚至开发共同的标准,以确保不同的云服务可以更容易的集成。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。