6月20日,由深圳数据交易所主办的“数据资产化业界交流会暨深圳首笔数据资产质押融资案例活动”举办。在多方配合下,神州数码成功将金服云数据产品作为数据资产,纳入企业财务报表并获得授信融资,成为深圳数据资产质押融资的首个案例,不仅迈出自身数据资产化和数据价值化的重要一步,也为行业树立新标杆,未来有望赋能更多企业发掘数据资产潜能。
三方合作,推动数据要素市场化配置
活动上,神州数码与中国建设银行深圳分行、深圳数据交易所共同签署合作备忘录,三方将充分发挥各自优势,实现资源互补、互惠共赢,围绕数据资产入表、数据产品创新、数据资产流转等方面开展更广泛和更深入的合作,共同打造“数字金融”业务合作模式,助力数字市场化建设,促进地方经济高质量发展,加快构建全国统一大市场。
这也是此前神州数码及其成员企业高科数聚,与深圳数据交易所达成战略合作,以聚焦数据价值流通,扩大数据交易规模为核心,在数据交易平台产品化、数据商生态汇聚、市场拓展等领域展开深度合作以来,在数据资产化方面最新落地和实践验证。
通过此次与中国建设银行深圳分行、深圳数据交易所的合作,神州数码将结合深圳数据交易所的平台优势,以及建行深圳分行的金融服务能力,共同推动多源异构数据的融合创新,打造高质量的数据产品,服务于更广泛的行业需求,同时,也将通过产品创新、生态汇聚、市场拓展等多维度合作,共同推动数据交易平台的产品化升级,拓宽数据应用场景,提升数据产品的质量与价值。
神州数码财务总监陈平表示:“在过去几个月里,我们携手深圳数据交易所、建行深圳分行,成功促成了深圳市首例数据资产质押融资交易。神州数码金服云数据产品的入表、上市、融资,不仅标志着我们在数据资产化之路上迈出了关键一步,也是我们对于构建数据交易生态、丰富数据应用场景的积极探索。我们坚信,通过聚焦数据价值流通,扩大数据交易规模,能够有效推动数据要素的市场化配置,为数据交易和价值发现探索出一条可行之路。”
价值释放,打造数据资产入表范例
近年来,随着大数据、人工智能和物联网技术的迅猛发展,数据作为一种新型生产要素的地位日益显著,国家相继出台政策,鼓励数据要素市场化配置。今年年初,国家数据局等17部门联合发布的《“数据要素×”三年行动计划(2024—2026年)》提出,要鼓励企业拓展数据要素应用场景。同时《企业数据资源相关会计处理暂行规定》的正式实行,通过将数据资产纳入企业会计核算体系,也在一定程度上优化了企业的财务资产结构,使数据资产得以合法确认和计量。
神州数码积极响应政策号召,不断探索数据资产化的可行路径。此次数据资产入表融资,是神州数码在数据资产化领域迈出的坚实一步,也为更多企业实现数据资产入表及融资探索出新的路径,助力企业提升企业规模、优化决策、提高融资能力和信用评级,打造企业在数字时代的核心竞争力。
神州数码入表融资项目负责人高杨介绍,神州数码数据资产入表所构建的不仅仅是一个单一的成功案例,而是一整套可复制、可推广的数据资产入表融资解决方案。这套方案涵盖了数据产品从规划到落地的全过程,例如精准的数据产品规划,以市场需求为导向,确保产品设计贴合实际应用场景;严谨的数据治理机制,通过数据清洗与标准化流程,保障数据的准确性和合规性;创新的数据产品打造,利用先进算法挖掘数据深层价值,提升数据产品的市场竞争力;以及多元化的融资渠道开发,与金融机构深度合作,搭建顺畅的资金对接桥梁,解决企业融资痛点等,可以为后续企业场景下的数据资产入表提供有效路径和方法。
在“数云融合”整体战略的牵引下,神州数码认为构建企业自身的数据资产,加速释放数据要素的关键价值,是完成数字化转型的核心。
致力于成为领先的数字化转型合作伙伴,神州数码将继续致力于推动数据资产的创新应用,并助力更多企业打造数据资产化的最佳实践,加速推动数据要素赋能实体经济,共筑数据驱动型经济的新未来。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。