ZDNet至顶网软件频道消息: 企业应用程序的大环境正在发生变化,尽管微软和Adobe似乎仍是最厉害的强劲玩家,但科技买家正在四处猎奇,其结果将决定谁才是新的赢家。
我们的TechPro研究问卷对主要企业软件供应商做的调查结果如下(百分比为正在用或考虑将用的软件供应商)。
微软因Windows 8和移动策略颇受非议,但微软的企业部却是一派欣欣向荣的景象。事实上,在图中列出的企业软件供应商中,微软是占据较好位置的供应商之一。微软已经采取措施转移到云中,安装基础(Installed base)强大,Windows Server、Lync、SharePoint和Exchange方面呈双位数增长。“其他”商业收入(诸如Office 365和微软Azure的云服务产品)在最近一个季度里增长31%,达19亿美元。
Adobe也处于有利位置。为什么呢?云计算领域强手如云,而Adobe具有最完整的营销云(Marketing cloud)堆栈。Adobe在营销云的发展道路上一直遥遥领先,并远在甲骨文等巨头吞噬各云玩家前就不断收购其营销云的关键部件。 Adobe亦成功地过渡到云计算模式,依赖许可证的程度也优于其他供应商。从许多方面来看,Adobe过渡到云计算模式表明其他企业软件供应商也可以过渡到云计算模式。
SAP正在积极向云计算和订阅模式转移,并大力以HANA内存数据库为分析基础招牌吸引客户。SAP收购了SuccessFactors和Ariba后成为云玩家,并计划将为客户提供内部部署软件转换成为客户提供服务。SAP注重用户界面,也是一个可喜的变化。然而,SAP作为一个大玩家,最大挑战是要洗清是Workday和Salesforce的败将的恶声。总体而言,SAP任重而道远,而且由于技术和开发主管Vishal Sikka最近离任,公司的技术方向可能会有变化。
甲骨文的挑战和SAP的类似。甲骨文一直以来崇尚云信念,长期遵循积极的收购计划,以建立全面的营销云和人力资本管理产品。甲骨文有自己的Fusion应用程序,看重销售硬件和整合系统。甲骨文的目标是提供最好的协议栈,说服客户以协议栈为基础进行标准化,然后收取维护费用。不过,一手云计算客户会去找甲骨文吗?Workday、SAP和Salesforce仍然对甲骨文的业务具有重大威胁,但在产品周期的新应用、云服务,和老本行数据库方面都需要做好准备。像以往一样,甲骨文来势汹汹,像一台强大的销售机。大玩家不能不把甲骨文算在内。
Salesforce是属于企业软件超级联盟级别的,其Salesforce1平台前途无量。Salesforce拥有移动、紧跟趋势,还可以将诸如亚马逊的五月天按钮法(Amazon's Mayday button approach)的消费技术变成商业工具。在2015年1月30日为止的财年里,Salesforce预计将有53亿美元的营收进账。Salesforce开发和收购了许多移动云部件,而且似乎在积极地集中销售给企业。还有一点值得关注,Salesforce在增长的同时具有很好的创新能力。
惠普在我们的调查中排名靠前,有点意外。惠普的软件大多在数据中心后台运行,但惠普越来越多地拥抱如OpenStack的开源技术。惠普也拥抱云计算,但大数据——特别是Vertica部——可能会推动其未来的增长。
IBM拥有庞大的软件即服务产品线,并正在将自己的应用转动到SoftLayer基础设施即服务里,以利于面向客户发挥作用。蓝色巨人是一个重要中间软件(Middleware)玩家,手里有Cognos应用程序,具有颇大的商业智能和分析的安装基础(Installed base)。在第一季度里,IBM的软件部的营运收入录得2%的增长,达57亿美元。中间软件(Middleware)占软件总销售额的37亿美元。我们的问卷调查显示IBM面对的软件大挑战来自JBoss(Red Hat旗下的开源中间件堆栈)---在上面的图中JBoss紧跟蓝色巨人其后。
说到挑战,NetSuite、Workday和Infor都是企业应用的宠儿,在一个层次上。也没什么奇怪的,这几家的枪口都瞄着甲骨文和SAP。Infor尤其特别,因为Infor可以同时在云计算和内部部署方面攻击SAP和甲骨文。软件大环境的的另一个关键指标是,图中的“其他”是企业应用程序受欢迎的选择,位居第二。TechPro研究指出:
“其他”中涵括20多个供应商——包括诸如思杰、SugarCRM、Intuit的QuickBooks,有些回答提到一些专有软件、内部开发软件和自雇人士开发的软件。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。