近日,第六届中国卓越管理公司(Best Managed Companies,以下简称“BMC”)项目榜单在会上正式发布,神州数码凭借领先的数字化管理实践成功入选。
BMC项目是德勤具有30年历史的全球项目,其网络已遍布世界近50个国家和地区。自2018年落地中国以来,BMC项目至今已连续举办六届,是当前中国唯一针对企业管理体系进行全面评估的国际奖项。本届BMC项目继续运用成熟的“BMC卓越管理标准”全球框架,从企业战略、能力、承诺以及财务实力四个领域进行综合评估,历经6个月闭门推荐、企业家访谈和专家调研,最终评选出66家企业进入中国BMC项目榜单。据悉,本届入选企业2023年合计营收约2.9万亿元,平均存续期28年,平均营收达437亿元,平均净利率为8.2%。
全面拥抱AI,神州数码“AI加速数云融合”
洞悉科技创新是发展新质生产力的关键因素,生成式AI正成为AGI时代各产业创新升级的核心驱动力。为此,本次活动将“人工智能”作为主要话题之一,探讨企业如何借助科技创新驱动自身及产业转型升级,实现高质量发展。
神州数码总裁、董事会秘书陈振坤在活动中谈道:神州数码认为,数据作为生产要素重新编排的过程,就是企业创新的过程。生成式AI技术的应用,使得企业的数据呈现指数级的增长,进而生成新的生产要素,而这些生产要素的重新编排又会催生出新的产品和服务。这是我们认为AI会极大促进甚至颠覆面向企业的数字化转型服务的原因。这是生产力的极大改善甚至业务模式的颠覆。神州数码已经全面拥抱AI,构建从底层算力基础设施到上层面向行业场景应用的全栈产品、解决方案、服务能力,并与所有生态伙伴一起,共同推动AI的应用和生态发展。
三个锚点,打造以客户为中心的AI着陆加速引擎
致力于成为领先的数字化转型合作伙伴,神州数码自成立以来,始终秉承“数字中国”的初心和使命,不断推动企业自身数字化转型,打造数字化最佳实践,以数字技术和服务赋能各行各业,现已成为推动社会数字化进程和数字经济发展的重要力量。
AGI时代,神州数码正围绕AI原生场景赋能、多云异构绿色智算、国际化AI生态创新三个锚点,着力打造以客户为中心的AI着陆加速引擎。
在AI原生场景赋能方面,为有效满足专业领域企业对生成式AI技术的需求,神州数码推出AI原生赋能平台——神州问学,希望通过Agent工程、企业知识治理、模型训练与管理三个功能模块的相互协同,帮助企业“一站式”解决AI落地的系列痛点,降低AI应用的开发门槛及落地成本,加速生成式AI在企业场景中的应用创新。目前,神州问学在中医药、零售等领域已建立起标杆案例。
在多云异构绿色智算方面,面对AI加速落地带来的算力需求暴涨,以及智算资源利用率低等痛点,神州数码推出多云异构环境下智算中心整体绿色方案,包括依托硅光+液冷技术、一体化交付的神州鲲泰全液冷整机柜,以及可以屏蔽底层算力差异、大幅提升算力利用率和可用性的异构智算调度运营平台HISO、异构智算加速平台HICA两大平台产品,以助力企业构建性能更优、成本更低、能效更高、能耗更低的智算基础设施底座。目前,神州数码在沈阳、厦门、深圳等地已深度参与和打造多个人工智能计算中心,服务区域智算需求。
在国际化AI生态创新方面,神州数码于今年5月与德勤中国共同启动DC·AI生态创新中心,希望携手全球领先的AI伙伴,汇聚AI解决方案、人才、市场三股生态力量,在深圳打造推动AI着陆的创新空间。
基于在云计算及数字化服务、自主品牌硬件两块战略业务的深耕,以及AI领域的多点布局和成果,神州数码上周披露的2024半年度业绩预告表现相当亮眼。2024年上半年,神州数码营业收入预计为612亿元至639亿元,同比增长10%至15%;扣除非经常性损益后的净利润约为4.5亿元至4.7亿元,同比增长5%至10%。其中,神州数码战略业务收入保持50%以上的增长,盈利能力和核心竞争力持续增强。
未来,神州数码将继续发挥自身优势,不断探索创新,积极推动AI技术在各产业的落地应用,为数字经济的发展贡献更多力量。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。