至顶网CIO与CTO频道 05月28日 北京消息:根据全球领先的信息技术研究和顾问公司Gartner最新预测,2020年中国IT支出总额预计预计将达到2.77万亿人民币,比2019年下降2.3%。2020年全球IT支出总额预计将达到3.4万亿美元,比2019年下降8%。新冠疫情的大流行以及全球经济衰退的影响,促使首席信息官(CIO)们优先考虑技术与服务方面的支出,同时这些领域也被视作以增长和转型为目标的计划中的“关键任务”。
Gartner杰出研究副总裁John-David Lovelock先生表示:“首席信息官们(CIO)已着手开展紧急成本优化,这意味着各种投资将最小化并按照是否属于维持业务运转的运营项目进行优先级排序,这些举措将成为2020年大多数组织机构的头等大事。业务复苏将不会遵循以往的模式,因为随着公共卫生、社交以及商业领域的各种限制开始减少,这场衰退背后的力量将同时给供应与需求双方带来冲击。”
2020年IT支出的所有领域都将出现下滑,其中设备与数据中心系统的支出降幅最大(参见表1)。但是由于新冠疫情持续促进远程办公领域发展,因此公有云服务(分为若干类别)等细分领域预计将成为亮点,在2020年将增长19%。基于云的电话以及短信、基于云的线上会议也将呈现高水平的支出增长,分别为8.9%和24.3%。
Lovelock先生表示:“2020年,一些基于云的长期转型项目可能会搁置,但Gartner先前预测的2023和2024年总体云支出水平,将最早于2022年出现。”
表1. 全球IT支出预测(单位:百万美元)
Lovelock先生表示:“2020年IT支出恢复将是缓慢的,而诸如娱乐、航空运输以及重工业等遭受最严重打击的行业将花费三年多时间才能恢复到2019年IT支出水平。推进复苏将要求大多数企业组织进行观念上的改变。没有反弹,而须进行重新定位以专注于前行发展。”
表2.中国IT支出预测(单位:百万人民币)
更多关于该项IT支出预测的相关内容与分析,请点击Gartner在线研讨会回放视频:“IT Spending Forecast, 1Q20 Update – View From the Peak.” 欲了解更多如何通过业务产出对成本计划进行优先级排序,请点击访问Gartner Cost Optimization Framework
请访问Gartner新冠病毒资源中心,进一步了解如何引导企业机构渡过新冠肺炎疫情停摆期。该资源中心汇聚了Gartner研究报告和研讨会资料,可以帮助企业机构为新冠肺炎疫情在全球的迅猛蔓延做好应对、管理和准备。
Gartner的IT支出预测方法十分依赖于数千家厂商对整个IT产品和服务范围的严谨销售分析。Gartner结合一手调研技术与二手调研资料,建立了一个完整的市场级规模数据库并以该数据库作为预测的基础。
Gartner每季度发布的IT支出预测报告提供了针对软硬件、IT服务与电信等细分市场内IT支出的独特视角。这些报告有助于Gartner客户深入了解市场商机与挑战。如需了解最新的IT支出预测研究,请参见“Gartner Market Databook, April 2020 Update.”。该季度IT支出预测页面包含了最新IT支出报告、网络研讨会、博客文章以及新闻稿链接。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。