Michael Dell表示这一年以来最令人意外的恰恰是并没有发生什么意外,同时指出PC业务将难有突破。
在距离戴尔公司收购EMC一周年不到一周的时间点上,Michael Dell发布声明,表示对于这一年来戴尔的表现非常满意。
此笔收购于2016年9月7日完成,Dell表示在这近一年的时间里,“最令人意外的恰恰是并没有发生什么意外。”
在本届于拉斯维加斯召开的VMworld 2017大会上,Michael Dell表示,“我们本以为可能会面临一些问题”,但员工与客户的意见——以净推荐值衡量——“都是非常积极的”。此外,令人感到振奋的还有资产负债表,因为“收入协同增速比我们预期更快”。Dell同时补充称,戴尔公司正在达成超越以往任何时候的交易量水平,这一现象表明客户已然接受了与一家体量更大、业务涵盖范围更广的公司进行合作的理念,而不再坚持像过去那样多家小型供应商建立合作关系——其中通过涉及多家公司,而令人欣慰的是Pivotal也在其中。
戴尔公司首席执行官评估称,该公司合并后的创新速度达到了“令人难以置信的高度”,并指出戴尔方面的联合投资组合涵盖了客户的所有需求。
当然,这并非代表着这一年以来从未出现过任何问题。“在此之前,该公司已存在一些负面的情况”,Dell表示,“然而,通过对事实与逻辑的合理应用,同时坚持以客户需求为导向,这些问题都已得到解决。”
其中最为重要的是,戴尔公司需要明确划分各客户沟通部门职能与其财政收入的来源明细。VMware公司首席执行官Pat Gelsinger同他的新任老板于同一小组内进行了发言,表示尽管这种合作规则意味着构成戴尔旗下的各子公司之间“可能会发生冲突”,但却以不致造成同室操戈。
Dell表示,公司的未来应旨在帮助客户管理数据。在这方面,他认为应用程序所依赖的基础架构已经能够实现规模伸缩与自动化,但数据的便捷性还无不尽如人意,因此解决这一问题将会成为该领域的一大持续性焦点。
关于PC与智能手机的创新问题,Dell表示,“在某种意义上讲,它们都属于个人计算机。尽管有些人不乐于接受该观点,但它们的确都是基于微处理器的机器。”
“很快,任何能够通电的装置当中都将可以嵌入上百亿个微处理器,”Dell表示。“这将带来更令人兴奋的未来前景。我们相互对接的能力将进一步提升。随着用户越来越多地使用如此丰富多样的设备类型并消费其中信息,可视性信息的重要意义将进一步凸显。与听觉、味觉、嗅觉或其他类似的方式相比,我们可以对通过视觉获取的信息进行更为快速的处理。因此,此类设备将变得尤为重要; 但在另一方面,计算的发展空间远不会被局限于此,这也将激励着我们作为科技企业不断冲击新的目标。”
“现在,创新领域开始广泛出现增速下滑现象,其版本12到版本13无法再带来如版本1到版本2那么大的改进——这属于正常的循环周期。但也必须承认,当着眼于当下的数字化转型时,我所看到的是IT领域的突破以及逐步面向商业科技的转化。我看到我们的客户将互联网协议嵌入每一种能够想到的‘物’当中,而这才是超越PC与智能手机的真正未来。”
因此,戴尔公司目前正在大力投资边缘计算。VMware公司已经宣布进入该领域,而戴尔自身则开始研究边缘网关以及高可靠性户外用微型数据处理中心等等。
戴尔公司CEO表示,人工智能与机器智能将会成为未来计算的一大组成部分,但他却并不认同Elon Musk所担心的AI可能会对人类造成不利影响。Dell表示,客户更应该“担心无法保持创新速度”,而不会因为担心机器人革命而浪费时间。对此,他个人的信念是“人类与机器将成为新的王牌组合。”
好文章,需要你的鼓励
OpenAI发布ChatGPT Atlas AI浏览器,支持网页问答、历史查询和邮件改写等功能。同时曝光秘密项目Mercury,雇佣约100名前投行精英以每小时150美元训练AI金融模型。公司还因用户滥用Sora生成马丁·路德·金视频而暂停相关功能。此外,医疗AI搜索引擎OpenEvidence获2亿美元融资,估值60亿美元。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
随着Chrome和Safari主导浏览器市场,众多替代浏览器正在挑战这些行业巨头。本文梳理了当前顶级替代浏览器,包括AI驱动的浏览器如Perplexity的Comet、Arc公司的Dia、Opera的Neon和OpenAI的Atlas;注重隐私的浏览器如Brave、DuckDuckGo、Ladybird和Vivaldi;以及专注特定领域的浏览器如Opera Air和SigmaOS。这些浏览器通过AI集成、隐私保护、定制化和专注用户福祉等特色功能,为用户提供了多样化的浏览体验选择。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。