ZDNet至顶网软件频道 6月2日 奥斯汀报道 (文/张晓楠):在第二天的戴尔DWEN 2014上,戴尔公司详细解读了刚刚发布的第二轮女性创业发展指数(GEDI)调研结果,该指数是全球唯一女性创业情况诊断工具,本次调研涉及了全球30个发达国家和发展中国家,结果显示:中国在女性创业发展方面,与南非、韩国并列排名第11。
戴尔委托开展的GEDI对所调查的30个国家的创业生态系统、商业环境和个人意向等进行调研,目的是希望通过调研和分析,引导管理者、决策者和立法者识别本国女性企业家发展的优势和劣势,改进策略,为本国女性创办企业创建更多有利的条件。
戴尔为研究及改进女性创业发展指数GEDI的相关参数组织了专家小组。其成员来自美国国务院和相关的国际组织,如国际金融公司(IFC)、世界银行、发展选择公司(DAI)、生命之音和互联国际(WEConnect)等。
参与去年和今年调研国家的变化 在2013年和2014年的年度报告都涉及的17个国家中,4个国家的排名上升(日本,巴西,印度和英国),4个国家排名下降(马来西亚,埃及,墨西哥和摩洛哥)。
调研排名 GEDI排名较靠前的国家多为经合组织(OECD)成员国,本身也拥有高度发达的经济。美国(83)和澳大利亚(80)连续两年蝉联榜首,其次是瑞典(73)、法国和德国(均为67)、智利(55)、英国(54)和波兰(51)。在受调研的30个国家中,除上述国家外的其余23个国家整体指数得分均低于50分(满分100),这表明大多数国家缺乏有潜质的女性创业发展所需的根本条件。中国与韩国得分均为42分,在东亚地区名列前茅。
排名与GDP不完全相关 在调研中表现最出色的国家未必是GDP最高的国家,而是那些一直致力于从多方面改善女性企业家生存的条件的国家。即使排名最高的国家也仍有很大的提升空间。
如何让女性企业家获得更好的创业环境 通过提高女性受教育的水平,增加她们获得创业所需的技术、资金和人脉的机会,就可以取得显著进展。
如何获得创业资本 开立正式的银行账户是企业家发展的关键,然而,在受调研的30个国家中,14个国家有50%以上的女性没有银行账户,在土耳其,开设账户的男女差异是最高的,男性和女性在开立银行帐户方面有50%的差异。在世界范围内,相比男性,女性开办的企业也较少获得外来资金。
女性就业仍受歧视 在一些国家,某些行业出现男性为主的“拥挤现象”。在受调研的30个国家中,只有8个国家的不同性别在不同行业就业率方面比较平衡。印度和巴基斯坦性别歧视现象十分严重,且没有哪个行业男女就业取得平衡。
新兴国家后劲足 尽管存在教育和资本等方面的挑战,非洲地区女性获权创办企业的机会却很高,男女获得创办企业的商机比率是100:86。在加纳,女性创办的企业高于男性,女性和男性创办企业的比例是121:100。调研中涉及的拉丁美洲和加勒比国家,其女性创办企业的比例也较高,平均而言,女性和男性创办企业的比例在84:100。
赋予妇女更多的权利是首要任务 在纳入该指数调研的30个国家中,有22个国家已婚女性所享有的权利少于已婚男性,21个国家的女性缺乏与男性同等的就业机会,有8个国家的女性不能享有与男子同等的获取法定财产的权利。一些国家还通过法律限制和歧视性做法限制了女性进入公共场所的机会。
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。