至顶网CIO与CTO频道 09月12日 人物访谈(文/王聪彬): 谈到联想,大家首先想到的肯定是PC(个人电脑)业务,在全球供应短缺的大背景下,联想FY19/20财年第一季度以24.9%的市场份额稳居全球第一, 联想的PC市场份额能够实现逆势增长,不仅得益于近年来联想个人电脑核心业务和高端产品获得了市场认可,也与联想“3S”战略的实施密切相关。
2019年,联想以智能为核心发布了全新的品牌愿景“3S战略”,即智能物联网(Smart IoT)、智能基础架构(Smart Infrastructure)和行业智能(Smart Verticals),致力于成为智能化变革时代的引领者和赋能者。
到目前为止,联想全球生产、制造、用户服务体验平台等都实现了全面的智能化改造。而且在最近三年中,联想数据智能部门正帮助中国制造业实现智能变革,迄今为止,已服务了百余家重量级企业,而这背后所依托的就是全球化的云。
数据智能的效能提升
作为一家成立已久的电子制造企业,联想的转型是困难的。近年来,联想一直在推动自身向用户转型、向数字化转型。向用户转型:以用户体验指标为第一考评指标,对整个价值链条包括生产环节、研发、供应环节等全部用大数据的方法重构;数字化转型:通过打破流程的边界,进行数字化重构。
在联想集团内部有着复杂的系统数据系统,在IT领域拥有拥有上百个业务系统,在OT领域全球有31家智能工厂,上百条产线,年生产设备突破2亿台。
联想集团副总裁、首席科学家于辰涛理解智能制造转型是IT域和OT域双环驱动的,即通过整合企业IT域和OT域数据搭建统一的数据平台,并结合AI+工业机理模型,对企业进行智能化改造。
联想集团副总裁、首席科学家于辰涛
所以2011年联想大数据创立,建设企业级大数据平台;2013年启动数据智能为核心的数字化转型,支撑全球超过1亿终端用户;2015年联想全球化数据湖基本建成,支持数百个内部应用;2016年完善数据资产管理体系,建成数据智能平台,同时开启大数据对外商业化发展;2018年构建智能供应链、智能制造等平台,覆盖全球31家工厂,形成“10+N”模式的业务智能平台。
通过数字化转型,联想实现了数据智能全价值链应用。基于IoT和大数据实现了生产设备网络化、生产过程自动化、产品全生命周期透明化;基于数据湖汇集IT域和OT域全量数据,支撑精准分析;通过物联网建设企业边缘接入及计算能力;基于人工智能,实现基于数据和算法的场景智能化。
为了推动自身以及传统企业数据智能转型,联想推出了Leap产品组合,包括LeapHD大数据平台、LeapIOT工业物联网平台、LeapAI企业级人工智能平台、LeapOcean自助式即席分析产品、iLeapCloud.com工业互联网平台。
云上服务创造的可能性
早在8年前,联想就在与AWS进行合作推进全球IT系统的建设。于辰涛说道,AWS帮助我们构建了设备部署、体验、数据存储等全球的基础服务。
联想使用了Amazon CloudWatch、AWS CloudTrail 等管理和App服务;Amazon RDS、Amazon DynamoDB 等数据库和网络服务 ;以及Amazon EC2、Amazon S3、Amazon EFS、AWS Lambda、Amazon VPC 等主要服务。
联想依托于AWS的全球覆盖构建全球统一的数据湖和实时混合云,支撑联想在全球5个区域、160多个国家和地区的10个数据中心,实时管理全球2亿台联想设备,31家智能工厂,6亿应用用户,1600亿条数据,已接入内部数百个业务系统,促进了联想在全球的数字和智能化转型。
于辰涛认为,AWS是一个全面、应用广泛、成熟度高的云平台,在计算、存储、网络等技术服务种类和数量都十分丰富,而且AWS在全球拥有广泛的机房和强大的服务团队,对于联想遍布全球的业务是必不可少的。
从部门层面上,联想数据智能部门在推动传统企业进行数字化转型的过程中,AWS在其中提供了不同程度的帮助。
例如在联想对某个能源集团的项目上,该集团在国外拥有多个风场,风场中一台风机每秒要收集风扇转速、叶片曲率、风力等1500个信息点,一个风场就要收集3万个信息点,把这些数据回传成为了一个不小的挑战,丢包率达到了60%。最后通过AWS将数据传输到爱尔兰数据中心作为中继,再传回北京数据中心实现实时传输,完成了全球风场设备的集中管理,做到了设备的实时故障监控和资产状况分析,实现了秒级故障响应。
目前联想与AWS已经建立了长期的合作关系,不仅仅是因为联想自身的发展,对未来联想能更好的服务海外客户也提供了更多的机会去探讨和发现。
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。