ZD至顶网软件频道消息:8月26日,2016年中国两化融合大会在北京国家会议中心召开,工信部及其他各级主管部门领导、专家学者,用友网络科技股份有限公司(以下简称“用友”)、联想、中国电信以及其他来自金融机构、行业协会、央企集团等知名企业、各类咨询服务机构等单位的2000名代表出席了本次盛会。
“当下的调结构转型发展,给两化融合带来了难得的机遇,而且两化融合是不断演进的长期历史进程,必须把握其内在规律才能实现突破发展。”工信部副部长怀进鹏在致词中谈到。以云计算、大数据、移动互联网和人工智能等为核心的技术正驱动中国及全球经济升级,所有的企业都是互联网企业正在成为现实,“因此,企业互联网化是企业信息化发展的新阶段”用友执行总裁陈强兵在演讲中谈到。

用友公司的发展一直踏着中国企业信息化建设进展的脉搏前进。1988年从财务软件起航,通过普及财务软件的应用,推动了中国企业的会计电算化,是用友发展的1.0时代;1998年开始进入以ERP为代表的企业管理软件与服务领域,通过普及ERP支撑了中国众多企业的信息化建设,推动了企业的管理进步,是用友发展的2.0时代。现在,用友基于新一代企业计算技术,形成了以“软件、云服务、金融”为三大核心业务的企业互联网服务,业务领域从之前的企业管理扩展到业务运营和企业金融,服务层级从企业级走向社会级,开启了用友发展的3.0时代。服务企业互联网化和金融化是用友3.0的战略方向,用友将通过“普及企业互联网化”行动加速落地,陈强兵介绍到。
因此,在本次大会上举行的中国制造业与互联网融合发展联盟揭牌仪式,用友作为联盟发起组建单位见证了这一时刻。该联盟是在工信部指导下,基于中国两化融合服务联盟,工信部电子科学技术情报研究所联合中国信息通信研究院、中国电子技术标准化研究院、中国电子信息产业发展研究院、中车集团、中钢集团、用友等单位发起组建,将围绕制造业新基础、新模式、新业态、新机制等,深入推进制造业与互联网在发展理念、技术产业、生产方式、服务模式等方面的全面融合和协调发展,搭建政产学研用协同
创新平台,打造制造业与互联网融合发展的新型生态体系。
在本次大会上,用友还展出了制造业与互联网融合的产品与服务等。2016年用友将制造业领域最优秀的相关资源进行整合,包括以ERP为核心的NC与U9,面向研发设计端的PLM,以及面向生产制造端的MES等;并且围绕互联网技术与制造技术的融合与互联,提供包括:基于互联网的个性化定制(C2M/C2B)、设计制造一体化、多层次计划协同、制造协同、全面质量管控、精细化成本核算,可视化排程、智能数据采集、智能调度、智能监控与预警、智能分析等一些列产品或解决方案,已经成功帮助众多企业由传统制造逐步转型智能制造。
同时,为了更好地了解中国企业互联网转型的现状和进展,用友与工信部电子科学技术情报研究所、两化推进联盟共同发布了《中国企业互联网化转型发展报告》。报告以中国两化融合服务平台上7万家企业互联网化转型发展数据为基础,以数据应用、用户参与、组织创新和企业互联四个关键特征为视角,对全国及各省市、各重点行业企业互联网化发展水平和现状、发展重点、模式路径等进行分析,发布中国企业互联网化指数,为我国企业互联网化转型提供参考。
目前,虽然中国企业的互联网指数只有32.6分,但随着在企业互联网时代两化融合的进一步深入推进,相信中国的企业一定能够转型成功。
好文章,需要你的鼓励
近期有观点认为,大规模使用生成式AI和大语言模型会增强人类左脑的逻辑分析能力,同时削弱右脑的创造力,导致人类社会逐渐成为左脑主导的群体。但研究表明,左右脑功能分工理论缺乏科学依据,大脑两半球在创造性和逻辑性任务中都会协同工作。此外,AI不仅能辅助逻辑思维,同样可用于诗歌创作、图像生成等创意任务。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软全球AI巡展在迪拜举行,宣布启动Microsoft Elevate UAE项目,计划为超过25万名学生和教育工作者以及5.5万名联邦政府员工提供AI技能培训。该项目是微软152亿美元投资计划的一部分,旨在加强AI基础设施建设,培养本地人才能力。微软还将与G42和JAHIZ平台合作,为联邦公务员提供技术培训,支持阿联酋成为AI领域的区域和全球领导者。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。