为了了解当今企业保护与管理数据的方法,2019年春季,云数据管理的备份解决方案厂商Veeam 委托领先的技术行业市场研究合作伙伴 Vanson Bourne于2019年春季对包括中国在内的13个不同国家的1575家集成技术和设备制造商(ITDM)进行了全面的在线调研,发布了《2019Veeam云数据管理报告》。
报告调查结果,73%的组织承认无法满足用户对不间断访问数据和服务的需求,这将会给企业每年造成2000万美元的损失。这充分体现了停机对收入损失、生产力和客户信心造成的破坏性影响。
今年的研究发现,近四分之三(72%)的组织希望通过利用混合云功能来实现云数据管理,以确保成功并从数据中获取更多价值。
企业领导者已经意识到,更可控和更可靠的 IT 系统、数据管理和保护,以及主动改进策略,对于提升策略和竞争力极为重要。
《2019Veeam云数据管理报告》从企业普遍关注的全球业务的四大组成部分来分析:
云:云数据管理是提供智能数据管理的关键组成部分。四分之三的公司表明正使用“软件即服务”(SaaS)平台。许多企业正利用云作为备份和恢复服务,其中,51%的企业使用“备份即服务”(BaaS),44%的企业使用 “灾难恢复即服务”(DRaaS)。很明显,领导者逐渐认识到基于多云和混合的方法的优势,并将云的成本、可靠性、灵活性和数据安全性作为他们选择云的主要原因。
能力:组织必须提高其能力,确保员工可以利用数据洞察力,并在部署时使用新技术,10个企业中有9个认为提升员工的数字技能对于其数字化成功至关重要。
文化:创造一种能够适应和接受新技术的文化,使人们能够与组织共同成长是至关重要的。超过三分之二的受访者认为公司文化需要变得更加开放,并能接受数字技术。
自信心:组织必须在强大的数据基础之上,建立对于业务的数字能力的信心。 而目前,只有四分之一的受访者对于他们应对数字化挑战的能力充满信心。
报告包括了对150名中国企业和IT领导者们的调查。调查者认为,数据的可用性和恢复对企业的成功至关重要,而停机可能会对企业造成严重影响。在过去的12个月中,中国企业平均经历了5次意外停机。调查中9%的中国集成技术和设备制造商(ITDM)表示,企业在过去12个月内经历了10多次意外停机。中国的ITDM表示,停机会导致:客户信赖度下降(58%),品牌诚信受损(59%)及员工信心下降(49%)。超过三分之一(36%)的企业认为,客户信赖度下降所带来的影响最大。应用程序的停机每年给中国企业带来的收入和生产力损失为1490万美元。
调查显示中国ITDM正在寻求利用云,或混合云、大数据、人工智能(AI)和物联网(IoT)等技术的力量,推动数字化转型。包括93%的企业将在2019年年度部署云数据管理来驱动企业业务。
《2019Veeam云数据管理报告》认为,企业首先需要建立一个强大的数字基础,并能保证数据的备份且永远可用。做好这些准备后,组织即可利用当下和未来的业务价值和竞争优势以及云数据管理的潜力,信心满满地去部署新的数字计划。
好文章,需要你的鼓励
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。
这项研究提出了"思想家"(Thinker)任务,一种受人类双重加工理论启发的新型AI训练方法。研究者将问答过程分解为四个阶段:快速思考(严格预算下给出初步答案)、验证(评估初步答案)、慢速思考(深入分析修正错误)和总结(提炼关键步骤)。实验表明,该方法使Qwen2.5-1.5B模型的准确率从24.9%提升至27.9%,DeepSeek-R1-Qwen-1.5B模型从45.9%提升至49.8%。显著的是,仅使用快速思考模式就能达到26.8%的准确率,且消耗更少计算资源,证明了直觉与深度推理作为互补系统的培养价值。
这项由ELLIS研究所和马克斯·普朗克智能系统研究所的科学家进行的研究,揭示了大语言模型安全测试的根本规律:越狱攻击成功率由攻击者与目标模型间的能力差距决定。通过评估500多个攻击者-目标组合,研究团队发现:更强的模型是更好的攻击者;当目标能力超过攻击者时攻击成功率急剧下降;社会科学能力比STEM知识更能预测攻击成功。基于这些发现,研究者建立了预测模型,表明随着AI进步,人类红队测试可能逐渐失效,提示需要发展自动化安全评估方法及更全面地评估模型的说服和操纵能力。
华中科技大学和香港中文大学研究团队提出SATORI-R1,一种通过空间定位和可验证奖励增强多模态推理的新方法。该方法将视觉问答任务分解为图像描述、区域定位和答案预测三个可验证阶段,解决了自由形式推理中注意力分散和训练收敛慢的问题。实验证明,SATORI-R1在七个视觉问答基准上一致提升性能,最高达15.7%,并展示出更聚焦的视觉注意力和更低的训练方差。