至顶网CIO与应用频道 12月07日 新闻消息(文/王聪彬):不同于之前几年的谈数据,在今年的Canalys Channels Forum上,Canalys CEO Steve Brazier一上来就在谈零售、制造、教育、医疗、交通、农业、金融科技、政府几个行业的变化。
Canalys CEO Steve Brazier
零售:通过数据进行顾客行为分析、通过移动支付完成购物、无人机投递送货、机器人服务员;
制造:通过传感器监测工厂设备,查看故障以及使用率、全自动化的机器人生产、供应链分析等;
教育:教学质量的和体验的提升、学生健康的监测;
医疗:医疗设备和资产的管理跟踪、医院感染预防、机器人顾问等;
交通:自动驾驶汽车、机场通过面部识别提高安全性等;
农业:传感器驱动灌溉设备、灌溉优化、无人机监视等;
金融科技:合规分析、人工智能进行欺诈识别、区块链解决征信机制等;
政府:智慧城市、城市交通管控、根据用户行为进行社会信用体系评级等;
各种技术正在不断驱动着行业的转型发展,其中涉及了像云计算、大数据、人工智能、自动化、传感器、无人驾驶等各种技术的应用。
而且这些行业解决方案所创造的是一种新的技术形式:边缘计算(Edge computing),其是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。
端到云已经是一个明确的发展方向,不管是芯片厂商、终端设备商、云计算服务商都在为端到云做着努力,但是现在一个问题是,所有的终端数据都传回到云中处理在传回到终端这需要一定的反应时间,越来越多的应用需要实时的响应。
边缘计算可以在应用程序边缘侧发起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间,或处于物理实体的顶端。而云端计算,仍然可以访问边缘计算的历史数据。
边缘计算目前工业互联网领域应用相对前沿,一位制造行业的服务商CEO把边缘计算比作人的感知器官,云计算被比作大脑,所有的感知器官需要自动的作出反映,而不是全部由大脑来反馈。
Steve Brazier也提到现在有很多为解决方案的出现,它们都结合了传感器、数据分析、人工智能等技术,而且思科正在为Microsoft Azure定制下一代交换机。
再说说云计算,其依然是现在的所有厂商都在重点关注的领域,Google的逐渐追赶;AWS与VMware的合作深入,基于VMware vSphere的私有云、公有云和混合云环境运行应用;思科宣布围绕混合云进行大规模的部署;预计阿里云和腾讯云未来12-18个月内将服务扩展至更多国家。
所以服务器的采购也将会呈现持续的增长,一个数据是Microsoft Azure每个季度在建设数据中心上就花费将近20-30美金。
回归到整体的渠道情况,Canalys看到亚太地区在2017年上半年与去年同比分销商和合作伙伴的营收上都有不同程度的增长,分销商增长8%,合作伙伴增长10%。
对于未来Steve Brazier也进行了几点预测,主要聚焦在渠道输出技术的转型,包括无人驾驶、安全、行业应用等。
未来渠道合作伙伴在接下来的三年里每年至少增长10%。
预计到2020年,25%的合作伙伴将销售智能能源解决方案,包括太阳能和风能发电,以及储存和充电解决方案。
预计到2020年,有20%的服务商销售或管理自动驾驶汽车。
预计到2020年,硬件仍将为90%的合作伙伴提供超过50%的收入。
预计到2020年,亚太地区75%的人将按照“通用数据保护规范”(GDPR)的数据隐私法进行登记。
好文章,需要你的鼓励
苹果研究团队发布新论文,提出让专业设计师通过评论、草图和直接编辑等方式指导AI模型生成更好的用户界面。研究显示,基于设计师原生工作流程的反馈训练方法比传统强化学习效果更佳。21名设计师参与研究,提供1460个标注样本。最终训练的模型在界面设计质量上显著超越基础模型,甚至优于GPT-5。研究发现设计师通过草图和直接编辑提供反馈时,研究团队与设计师的一致性分别达到63.6%和76.1%。
英伟达团队通过44万小时人类日常视频训练出DreamDojo机器人世界模型,实现了机器人通过观察学习复杂操作技能的突破。该系统不仅能预测动作结果,还具备强大的泛化能力,可在未见过的环境中灵活操作新物体。通过创新的潜在动作学习和实时处理技术,为通用机器人智能开辟了新道路。
Atlassian首席执行官向投资者保证,公司能够在不大幅增加成本或压缩利润率的情况下将AI整合到服务中。该公司的Rovo智能AI产品已拥有500万用户,通过优化运营而非高价格策略保持了稳定的利润率。公司第二季度营收达16亿美元,同比增长23%,运营亏损从5750万美元收窄至4770万美元。
浙江大学联合蚂蚁集团推出的InftyThink+技术,通过让AI学会"分段思考、阶段总结"的方式,成功解决了AI推理过程冗长低效的问题。该方法在数学推理任务上将准确率提升21%,推理延迟减少32.8%,为AI实际应用扫清了重要技术障碍。