拉斯维加斯时间5月4日,是EMC World 2016对媒体公开的大会最后一天。今天重头戏是全球各个区的总裁来回答记者提问。EMC亚太及日本区(APJ)总裁David Webster接受了亚太区媒体的专访。
但是对于EMC来讲,相信每一个EMC人都在静静等待新公司的到来,就像MC亚太及日本区(APJ)总裁David Webster在接受媒体采访时谈到,不管是原来戴尔的人还是EMC的人,不是新招的人还是老员工,新公司成立的那一刻,所有的人是新的员工,所有的文化是新文化,所有的产品都是新产品。
虽然记者们很着急,但是David Webster还是认真负责的谈了他对市场的洞察与对EMC产品的解读。
首先介绍了表示亚太地区目前连接设备有70亿之多,基于用户对于IT性能越来越高的需求。可以预见,在亚太地区新的机会越来越多。亚太地区成为快速开发新业务的重要地方以及市场最重要的增长点之一。
就是预测发现新机遇的能力需要提高,敏捷创新有待提高。透明度以及互信有待提升,单个人的经验传承有待提升以及实时性操作能力有待提高。
这样能够更好的为EMC提供方向,打造出更适合的解决方案,为亚洲地区的客户。
EMC也一直在这样的做,包括不同规模、不同应用、以及不同的管理模型方面进行洞察,给出的观点就是软件驱动。
David Webster认为前15年是IT驱动企业创新发展,现在开始的未来15年将是数字驱动企业快速发展。目前正是IT驱动向数字驱动的转换开始,对于市场来说,启用新的投资周期开始。IT架构来从2.0平台向3.0平台进化,那么未来战略合作伙伴关系也由“优化”模式的IT转型向“投入”模式的IT转型,因此降低IT成本的基础上如何实现业务创新是企业所关注的。
David Webster从EMC产品解决方案到用户的采用证言来说明EMC在技术上的实力是无需质疑的。
当然所有的媒体都在等待问答环节,期望有对新公司“戴尔EMC”有更多的了解。
有亚太区媒体问EMC与戴尔谁将主导戴尔EMC这个企业业务新公司,David Webster谈的戴尔与EMC的关系不是收购的关系。“不是戴尔公司购买EMC公司,而是迈克尔戴尔和银湖资本把EMC公司私有化,然后是两家公司合并,成立戴尔科技这样一个新公司,未来“戴尔EMC”就是戴尔科技的子公司。
还有记者提问到戴尔与EMC裁员的问题,David Webster认为,对于戴尔科技来说,最重要的事情是成立一个叫做“戴尔EMC"的新的公司。那么,在新公司成立那一时刻,有三点注意,第一,所有的员工都会从零开始,成为新员工,第二新的公司会有新的价值主张和企业文化。第三会有新的服务产品推出。所以新的公司不存在裁员的问题。
本人问了新公司中国本地化战略的方向问题,即Dell在中国推行本地化4.0战略,EMC也一直推进自己的战略?那么新公司戴尔EMC,在中国本地化战略是否有变化?但是可惜的是David Webster“假装”还没有考虑这个问题。因为David Webster表示他并不清楚戴尔在中国有什么策略,还是表示等到新公司成立后才能确定。
但是从新公司成立的第一天开始,不管是戴尔的服务器或者EMC的存储出现问题,新公司就会第一时间处理。而从第一天开始,两个公司文化完全融合。
让我们静静等待!同时也期待2017年戴尔EMC在五月份开启新的旅程!
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。