根据Gartner的最新预测,2024年全球IT总支出预计将达到5万亿美元,较2023年增长 6.8%。这一数字低于上一季度预测的8%。2024年中国IT总支出预计将达到3.9万亿人民币,较2023年增长6.2%。虽然生成式人工智能(GenAI)在2023年大火,但它在短期内不会给IT支出的增长带来显著的变化。
Gartner杰出研究副总裁John-David Lovelock表示:“虽然GenAI将改变一切,但如同物联网、区块链等我们所经历过的其他大趋势,它不会对IT支出产生显著的影响。企业机构将在2024年开始切实投资于规划如何使用GenAI,但IT支出将受到更多传统力量的左右,例如盈利能力、劳动力等,并且将被持续不断的变革疲劳所拖累。”
IT服务将在2024年成为最大的IT支出领域
IT服务将在2024年继续保持增长并首次成为最大的IT支出领域。预计2024年IT服务支出将增长8.7%,达到1.5万亿美元(见表一),这主要是因为企业将投资于组织效率和优化项目,而此类投资在这段经济不稳定时期至关重要。
Lovelock表示:“消费者的设备和通信服务采用率在十多年前就已趋于稳定。消费者的消费水平主要受价格变化和更换周期的影响,只留出了增量增长的空间,因此不可避免地被软件和服务超越。企业正在不断挖掘技术的更多用途,IT已经从后台移到了前台,现在又开始创造收入。在企业挖掘完技术的使用方式和地点之前,企业IT支出不可能先进入到平台期。”
表一、全球IT支出预测(单位:百万美元)
2023年支出 |
2023年增长率(%) |
2024年支出 |
2024年增长率(%) |
|
数据中心系统 |
243,063 |
7.1 |
|
7.5 |
设备 |
699,791 |
-8.7 |
732,287 |
4.6 |
软件 |
913,334 |
12.4 |
1,029,421 |
12.7 |
IT服务 |
1,381,832 |
5.8 |
1,501,365 |
8.7 |
通信服务 |
1,440,827 |
1.5 |
1,473,314 |
2.3 |
合计 |
4,678,847 |
3.3 |
4,997,718 |
6.8 |
数据来源:Gartner(2024年1月)
表二、中国IT支出预测(单位:百万人民币)
2023年支出 |
2023年增长率(%) |
2024年支出 |
2024年增长率(%) |
|
数据中心系统 |
378,739 |
20.7% |
416,446 |
10.0% |
设备 |
936,923 |
-6.3% |
966,657 |
3.2% |
软件 |
245,908 |
16.4% |
287,042 |
16.7% |
IT服务 |
678,401 |
9.9% |
770,163 |
13.5% |
通信服务 |
1,430,701 |
2.1% |
1,457,634 |
1.9% |
合计 |
3,670,673 |
3.6% |
3,897,942 |
6.2% |
数据来源:Gartner(2024年1月)
首席信息官的变革疲劳继续影响IT支出
2023年的IT总支出增长率为3.3%,较2022年仅增加了0.3%,这主要是由于CIO的变革疲劳所致。预计2024年IT总支出将重拾动力,实现6.8%的增长。
即使在2024年有望重新恢复增长势头,整个IT支出环境仍会受到变革疲劳的轻微影响。变革疲劳可能表现为种种变革阻力,比如CIO在签署新合约、承诺采取长期举措或接纳新技术合作伙伴方面犹豫不决。而对于已经启动的新举措,CIO会要求有更高级别的风险缓解措施和更加确定的结果。
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季度IT支出预测报告以独特的视角对硬件、软件、IT服务和电信领域的IT支出进行预测,帮助Gartner客户了解市场机会与挑战。Gartner客户可在“Gartner市场数据手册,2023年第四季度更新”中获得最新IT支出预测研究结果。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。