李国伟,中关村第三代创业者。第一代中关村创业者如柳传志、史玉柱等,大多已功成身退;第二代创业企业如华胜天成、东华软件,也已华丽转身成功上市。当被问及第三代中关村企业的发展现状,李国伟说道,"相对前两代,第三代中关村企业由于起步较晚,没有赶上云计算、大数据等风口红利,还同时面临着产业格局变化的挑战。"
选择从零开始
李国伟是北京德康世纪科技有限公司(以下简称德康世纪)创始人,公司成立于2004年。按照"渠道通史"计算,一个不太辉煌,但也不算尴尬的纪年,赶上了分销黄金年代的尾巴。当然,如今看来,德康世纪已是分销圈内"辈分"较高的企业,而且是一家至今仍保持99%纯分销业态的企业。
创业十年后,李国伟面临过一次选择。彼时IBM服务器业务被新东家收购,是走是留确实需要考虑。实际上,当时新东家也并非希望照单全收接盘IBM服务器渠道,尤其是钻石级合作伙伴需层层筛选,北京区从15家筛选至10家,从10家又筛选至5家。德康世纪是最终被希望留下的5家渠道之一,但李国伟还是没与新东家签约,而是选择了浪潮。"任何体系的渠道融合都需要磨合,当时浪潮的分销体系刚刚建立,一切从零开始。"
北京德康世纪科技有限公司创始人李国伟
确实需要从零开始
"从IBM到浪潮,看似仍在聚焦服务器业务,但也是转型蜕变。"李国伟说。此前德康世纪的渠道体系覆盖全国,但因浪潮采用区域代理制,只能服务北京市场;此前IBM有较长的分销产品线,但初期浪潮只有两款分销型号;此前IBM有庞大的分销体系,但浪潮的渠道框架刚刚建立。
"浪潮不排斥渠道,也没有远近厚薄,更愿意跟伙伴一起奋斗。"李国伟说:"浪潮同时还具有较强的适应能力和调整能力。早期的政策,随着市场的变化,都能及时地进行调整。走不通就变化,而且越变化越顺畅。"
收缩并不意味着退守
在与浪潮合作后,德康世纪的下游渠道从数百家,"收缩"至200余家。"收缩"并不意味着退守,而是业务模式的变化。至今,德康世纪99%的业务收入仍来自分销,"我们没有行业客户,我也不认为转型简单的系统集成,就一定比分销业务更有价值和发展空间。"李国伟说:"德康世纪将下游渠道都当做客户进行服务。用户可以有很多品牌选择,或者说在用户并没有明确品牌倾向时,品牌选择权就将转移给HIS、PACS等医疗行业方案商,校籍管理、选课系统等教育行业方案商。"
由此可见,在与浪潮合作后,德康世纪的业务模式确实在发生变化,其下游不再是渠道,而是直接面对客户应用的IT方案商。浪潮推出AI服务器,德康世纪就能迅速筛选、发展与人脸识别、图像识别ISV进行合作,浪潮推出超高密度存储服务器后,德康世纪也能快速面向视频存储、归档存储等应用场景发展合作伙伴。
当然也正是因此,才有了如下成绩单。"2014年额定目标1950万元,德康世纪完成了2000万;2015年目标3000万,德康世纪完成了近8000万元。"李国伟说:"在2016年德康世纪分销浪潮存储产品时,一切已经水到渠成,没有任何阻力。而2017年,德康世纪的浪潮分销业务已经超过亿元。"
什么是分销?
德康世纪是"浪潮亿元俱乐部"中最年轻的一员,这一切都源于德康世纪对分销业态的深刻理解。"靠价格赢得客户不利于长期良性经营,德康世纪也不可能保证价格永远最低,但一定会保障服务永远最好。如果别人承诺4小时响应、24小时到场,德康世纪就能够做到1分钟响应、2小时到场。"李国伟说。
而谈及分销业态的未来,李国伟说:"德康世纪是因为坚持才有希望,不是有希望才坚持。分销业态将始终存在,其就是在满足市场中稍纵即逝的用户需求。所以分销商就应该有更快的反应、更灵敏的嗅觉,迅速抓住信息、迅速提供货源产品。"
曾几何时,渠道扁平化成为业内主流思维,此理论确实有必要。十年前的渠道利润分配体系,可以支撑一级、二级、三级渠道同时并存,但市场格局在改变,现有采购模式不可能支撑如此繁缛的渠道级别。
"但事情也有两面性,多级渠道体系也有好处,即渠道之间可以形成产品互补,形成互为备件库的'小生态',一个电话就可调货。如此用户的需求可以得到快速满足,不会因为缺货而使项目落入其他品牌。"李国伟说:"所以我支持浪潮大力发展掌握直接客户资源的二级渠道。当然,我更希望二级渠道也同时能保有小部分合理库存。一旦形成一个个独立的'水塘'体系,浪潮也就将建立形成完整的'分销湿地生态'。"
了解IPF2018更多详情,请点击访问
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。