至顶网软件频道消息: 云的出现正在让计算变得触手可得,移动互联网、物联网正在连接人与人、人与物理世界,大数据、人工智能正在升维人类感知世界的层次,由这一系列技术带来的这一场新的科技革命和产业革命,落到具体的企业实践中也被称为“数字化转型”。
据麦肯锡报告总结,如今每个行业和企业,或多或少都已经具备了数字化驱动的因素,如数字化资产、数字化应用、数字化职员等等,它是由价值、由业务场景、由真正的用户需求和体验驱动的一系列变革。
然而,这其中涉及到的是方方面面的问题,包括转型方向的把控,业务模式的创新,技术方案的落地,内部流程的重塑,外部资源的打通……可以说,处处是“坑”。但无论是传统企业,还是科技企业,无一例外都在不断探索各自的数字化之道,以求在新的变革局势下保持自身的竞争优势。
尤其是科技企业,它们不仅正在通过技术为传统产业升级赋能,其本身也在进行数字化变革。在这方面,微软是个很典型的范例。
对于数字化转型,微软提出了四个核心方向,即转型产品服务、密切客户沟通、赋能员工、优化运营,以此实现差异化能力,洞察新的商机。围绕这四个方向, 2017年微软开始着手自身的数字化转型,对外转变业务模式,对外内梳理运营和流程:
这就是微软的数字化再造过程。对此,微软CEO萨提亚曾表示:“面对数字化转型,每一家公司都是软件公司。”他所强调的是,每一家企业,无论是高科技企业还是传统企业都应该像一个软件公司一样思考,强调创新、强调数据对企业带来的价值、强调颠覆,而不是一成不变。最终通过技术和数据驱动,更好地提升客户体验和经营价值。
像微软这样仔仔细细去讲述自己数字化转型故事的科技企业并不多。而这恰恰是萨提亚上任后最强调的事情。如他所写的《Hit Refresh》一书的书名所传达的,微软不仅在实现自我的变革,也在为全球企业的变革赋能。
以荷兰皇家壳牌公司为例,借助基于Azure IoT的智能摄像头、计算机视觉与人工智能技术,其将钻井作业过程中的所有设备连接起来,提高了产品质量和安全性,进行预防性维护和安全防护,同时优化了生产流程;
此外,作为全球大型房地产公司的CBRE,也正在以Azure 数字双胞胎服务为基础,进行一项名为CBRE 360的服务。该服务通过创建一套人与物体的模拟交互系统,更好地连接租户与设施管理人员,以实现业务优化;而宝马也在利用Azure AI功能建立自己的数字代理方案,将驾驶员与汽车更紧密地对接起来,从而为客户提供受控的良好体验。
除了Azure之外,Eli Lilly还借助Office 365改进并优化了公司的工作负载,以克服低效率问题,控制其成本;德国高端变速器制造商ZF则正在利用HoloLens更好地为流水线工作人员提供远程支持,从而帮助他们在避免服务中断的前提下,更为高效地进行装配与协助。
当然,这些仍然只是“凤毛菱角”。 单就Azure来说,如今全球就已经有超过90%的世界“财富500强”企业的业务都运行在Azure上。可以说,这位软件巨头,不仅亲身演绎了一场精彩的转型故事,还见证了一个又一个传统企业的成功转型。
10月24日-27日,微软将把这些实践经验和故事带到在上海世博中心举行的“Microsoft Tech Summit 2018微软技术暨生态大会”上。作为微软在中国一年一度的技术与合作伙伴大会,本次会议还将进一步聚焦智能云、智能边缘计算、物联网、数字安全等最新的技术趋势话题,展现微软最新的产品发布和功能升级。
一起期待!
好文章,需要你的鼓励
ServiceNow宣布将以超过10亿美元收购身份安全平台Veza,这是该公司2025年一系列AI和数据重点收购的最新举措。此次收购正值企业加速部署AI代理之际,而如何管理这些非人类身份的访问权限和输出已成为普遍难题。该交易将为ServiceNow的AI控制塔提供关键的身份治理能力,帮助企业建立统一的控制平面来定义上下文相关的权限、监控代理行为并大规模执行最小权限访问策略。
达尔豪斯大学研究团队系统性批判了当前AI多智能体模拟的静态框架局限,提出以"动态场景演化、智能体-环境共同演化、生成式智能体架构"为核心的开放式模拟范式。该研究突破传统任务导向模式,强调AI智能体应具备自主探索、社会学习和环境重塑能力,为政策制定、教育创新和社会治理提供前所未有的模拟工具。
在生成式AI热潮中,只有英伟达和台积电真正赚到钱,其他AI产业链公司要么亏损要么利润被稀释。博通虽然在数据中心网络领域有不错的利润率,但为了不被AI浪潮抛弃,也选择进入AI业务。博通拥有730亿美元的AI积压订单,但被迫成为AI系统集成商,进一步稀释利润。第四季度博通收入180亿美元,同比增长28.2%,AI芯片收入达65亿美元。
HSE大学研究团队开发出革命性的AI图像生成加速技术——广义对抗求解器(GAS),能将传统需要几十个计算步骤的图像生成过程压缩至4-6步,速度提升十倍而质量几乎不变。该技术通过重新设计求解器架构和引入对抗性训练,在多个数据集上验证了显著的性能提升,为AI图像生成技术的普及应用奠定了重要基础。