ZDNet至顶网软件频道消息:企业移动化正逐渐成为当下企业信息化时髦技术的代名词。企业在面对自身发展、竞争压力时,开始着手移动化战略的制定,以此来获得更好的生存发展。而随着移动化应用不断的延伸,企业更需要一个针对企业移动管理彻底的、完善的平台,从而帮助企业解决移动化整个过程中的问题。
智能手机比牙刷还多
据统计,全球大约有63亿人(世界总人口的78%)拥有并使用手机。比使用牙刷的数量还多。这一令人震惊的统计数据显示当下我们所栖息的地球已经不再是一个个孤立的国家或地区,我们工作生活在一个几乎没有边界概念的地球村,而且我们更需要保持彼此间的联系,求同存异。
随着移动设备的逐渐增加,移动化有了更广阔的应用领域和场景,并逐渐渗透到商业的每一个细节。移动信息化技术领域正在经历前所未有的革新,手机也肩负着更多的使命和意义,从原有通信的角色逐渐演变成一种商业工具,并且被重新定义了商业模式、业务流程等。
企业移动化管理
这一术语指的是企业部署的移动化管理,以企业移动设备和系统为基础目标的基础设施。这是一个相当大的功能矩阵,包括为了保证安全、实施、设备和用户而特别设计的平台。EMM(企业移动化管理)基本被应用于那些以移动为战略核心的企业。他们并不将移动化看作为一个单一的项目,而是一个长期的发展战略。
EMM的核心组成部分
EMM系统有三个基本组成部分,并且相互之间达到了很好的整合效果。他们分别是:
企业并没有必要同时拥有这三个部分,但是如果企业需要保持前沿性的视角和意识,并且需要循序渐进的演进方案,通过在演进过程中不断增补相关功能。
首先,企业移动化需要相应的架构和设施来完成对多种设备的管理。MDM能够确保多种移动终端设备能够遵从企业的管理。比如在iOS或者Android自动执行是否设置密码的检查,并对未做设置的设备进行管理。
但是,对于企业来说需要时刻铭记在心的是,MDM很大程度取决于某一特定设备的制造商。另外MDM做为EMM的一个部分,甚至某些时候还是企业部署EMM时最先考虑的一个部分。同时,企业还需要考虑很多其他问题。
以下是企业在部署MDM之前需要考虑的几个关键问题,包括:
由上可以看出,孤立的购买MDM解决方案对于企业的移动化战略以及长期的企业IT架构是有极大影响的。
其次,MAM与MDM在政策执行和管理上相似,只是对象换成了应用而不是设备。而MAM的功能形态存在非常大的地域性差异。比如在中国,中国人讲究门户,从WEB时代就是如此。所以MAM中的企业应用超市(EntERPrise App Store)的设计需要根据不同的企业风格、行业特色而做相应的定制。完全标准化的应用超市,或者UI、UE能力不够好,显然无法满足中国企业的需求。
再次,移动内容管理MCM,是MDM和MAM之后企业对移动化管理另一个诉求。确保移动设备所涉及的工作内容可以通过安全的网络接入、安全的终端上阅读和离线存储。
最后,企业移动化管理不是一套软件,而是一套体系。需要企业根据自己的情况,选择合适的移动化管理软件,选择合适的演进路线。烽火星空是国内较早提供企业级移动信息化解决方案的厂商,不但能够通过丰富的企业移动化经验为企业提供合理化的规划建议,同时还拥有成熟稳定的移动化管理软件——MobileArk。不但考虑上文中所提到的集成、融合、演进等问题,还考虑了中国国情的特殊性,为企业提供了一整套闭环的企业移动化管理体系。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。