中国北京,2019年2月25日——致力于驱动在华企业释放数据潜能并加速数字化转型的领先智能数据管理解决方案和服务供应商联想凌拓科技有限公司(以下简称“联想凌拓”),今日宣布正式成立。联想凌拓由推动智能转型的全球技术领导者联想和全球混合云数据管理领域的权威企业NetApp在中国共同注册成立,将利用包括闪存、存储与数据管理基础架构等在内的已有先进技术优势,赋能在华企业实现IT架构的现代化以及充分释放自身数据潜能。同时,联想凌拓还将把全球领先的存储解决方案和数据管理技术注入本土定制化、自主可控的解决方案,驱动人工智能、物联网、5G和机器学习等技术的进一步发展。联想凌拓的成立将进一步改写中国当前的IT产业格局,为中国存储与数据管理市场树立新的里程碑。
联想凌拓首席执行官(CEO)一职由前埃森哲董事总经理陆大昕(Eric Lu)先生出任,下设销售部、技术部、产品与市场部以及服务部等重要职能部门,并即将在国内建立研发中心。
联想在超大规模数据中心、高性能计算和人工智能以及软件定义基础设施方面已处于全球领先地位;而NetApp在全球数据管理行业中亦掌握着顶尖的技术水平,在数据管理、通用存储阵列、固态阵列等领域一马当先,是全球全闪存阵列市场份额排名中名列前茅的厂商。通过实行双品牌策略,联想凌拓将继续为在华企业提供NetApp品牌的全线产品和解决方案以及联想品牌的OEM产品组合,为市场带来包括IT基础设施、云计算、数据中心、大数据等在内的领先技术服务,让在华客户拥有最大化的一站式、全方位产品和解决方案选择范围,并仍然与全球企业一样,同步享受到世界一流的高性能数据管理解决方案。
与此同时,作为中国存储和数据管理市场罕有的定制化解决方案供应商,联想凌拓秉承联想和NetApp的领先技术基因以及在技术研发和创新方面的强大优势,通过在未来设立本土研发中心将双方能力珠联璧合,为更广泛的企业带来更完整的、适合中国市场的定制化端到端智能数据管理解决方案,打造涵盖全闪存和数据管理与服务等全面产品组合,让企业的智能转型“快车”获得不竭动力。
联想凌拓首席执行官陆大昕先生表示:“当今,数字化转型浪潮已席卷中国,海量的数据正拍打着各行各业。数据可谓是企业撬起数字化转型杠杆的支点。数据的爆发让企业级用户更加需要从本地到多云环境的一站式解决方案来对数据进行端到端管理。与此同时,企业级用户也越发青睐简化的基础架构来快速构建新服务。联想凌拓的成立不仅将联想和NetApp的高性能数据管理技术与产品优势形成合力,还将产生更多更新的智能数据管理技术突破,来赋能在华企业、释放自身数据的潜能来拓展业务广度、加速转型创新并优化运营效率。”
既有产品组合已为公司发展确立了一个高水准起点,为了进一步加速全闪存、企业级存储、数据管理与服务、混合云、人工智能等应用领域技术开拓,联想凌拓正在建立本土研发中心。此外,更高的品质标准和更深入的本土产业洞察力亦是联想凌拓的不懈追求和市场承诺。为此,联想凌拓将密切关注前沿技术,在资金、人力和研发上进行持续投入,将自身打造成为中国企业级存储与数据管理市场的顶级厂商。
扎根中国、服务中国,为在华企业和合作伙伴提供更先进的技术、更优质的产品、更完善的服务来支持其在中国的发展是联想凌拓的使命。随着业务的开展以及本地化研发与创新的推进,联想凌拓将持续加大投入力度,以让自身始终处于业内领跑者地位。乘着市场大力发展科技自主创新的强劲东风,有联想和NetApp的坚实资源基础,联想凌拓注定将为中国当前的IT产业格局写下浓墨重彩的一笔。
联想凌拓分别由联想和NetApp占股51%和49%。公司董事会将由七名董事组成,联想委派四名,NetApp委派三名。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。