新型冠状病毒感染的肺炎疫情发生后,“菜篮子”问题一直受到持续关注。
一头是农民,农产品滞销,愁眉苦脸;一头是居民,买不到新鲜蔬菜,生活难上加难,“菜篮子”堪忧。如何把粮油、蔬菜、肉蛋奶等生活必需品送到居民身边,打通生产、流通到供应等各个环节?如何实现二者之间的精准对接?疫情当下,一场争分夺秒的全链条接力赛,开始了。
产销对接
“受疫情影响,有些地区出现农副产品滞销的问题,东西卖不出去,百姓干着急,我们针对这种情况,做了专门的工作。” 任职于某农产品供应链公司的老赵说。面对民生所需、所盼,该公司通过线上营销、技术服务等手段助力”粮安民安”。 比如,该公司打通了从上游基地,到政府采购、企业食堂等下游渠道,实现产销对接。
看起简单的交易流程,折射出该农产品供应链公司在这场“接力赛”中,构建全产业链的种种尝试。其农产品的线上交易平台,采取社交电商的方式,将滞销农产品与疫情区城市消费实现精准对接,打通农产品流通“最后一里”。
其实早在三年前,农业农村部、商务部印发的《关于开展“农商互联”工作的通知》中,就点明了要实现“五联”(联产品、联设施、联标准、联数据、联市场)和“三通”(通乡村振兴、通内外市场、通品牌质量、通源头可溯,通模式创新)。这都表明农商正打破传统边界,特别是疫情期间,上联生产、下联消费,把“菜篮子”顺利送到百姓身边。接力赛这一棒,该农产品供应链公司正努力“拿得更稳,也拿得更准”。
信息化加码
疫情当下,正是考验每个企业的数字化能力的时候。“我们公司在做好防控疫情的同时,也在不断积极探索信息化之路,摸索创新工作模式。“老赵告诉至顶网记者。
“互联网+”时代进行信息化建设,是该农产品供应链公司的“必备功课”之一,也成为其加速数字化转型的重要驱动力之一。长期以来,该某农产品供应链公司在信息化方面有着持续地投入,起码设备够“硬”、够扎实。例如,成立了相应的技术支持公司,自行搭建机房和大数据中心,还有对外提供服务的公有云等等。
“我们基础的IT建设基本上还是比较到位的。”老赵说,这为此次远程办公提供了很好的支持。响应政府“有序复工、远程办公”号召,该公司70%员工实现远程办公。能用线上解决的,就在线上。
“部门开会时,常用微信。这样比较快速。当然,除了微信,有时候也会使用腾讯会议,比微信效果好,不卡,收声好。” 老赵表示,其参加的会议通常四五个人,人少,这些常用的软件已经够用,可能半个小时二十分钟就可以结束会议,没必要去用一些专门的软件或者会议软件和设备。
以OA系统办公为例,“我们把一些具备线上协同或者线上审批的一些东西,比如公文收发,都放到线上了。特别是业务层进行电子签约、电子签章等流程,已经开始走信息化的路。” 老赵说。不过,由于国企的特殊性,总有一些工作绕不开线下。举个例子,红头文件不是email,需要有人做签发或者是处理印章,在这方面还不能完全做到线上化。
针对远程协作需求,老赵认为目前没有特别好的解决方案。该公司的办公地点比较多,各个团队的差异化比较大,也很难集中起来,“像现在的每天疫情上报,包括一些信息的汇总,人员的出行的跟踪,这个部分现在我们没有太好的解决方案。”
“这次疫情突发的情况,能给我们未来的业务方面,有哪些启发?”最近一次内部开会上,该公司抛出了这样的一个问题。
云资源得天独厚,且有国有企业的信用背书及良好的政府、运营商关系,显而易见,在未来的云服务领域,该公司自然不会缺席,并希望承担更重要的角色。“我们虽然有公有云,但是基本上还都是内部在用,所以我们还是希望今后业务的发展空间,更多发展在对外上。”老赵告诉记者。
从基础到行业,再到产业,在这样的全链条接力赛道上,该农产品供应链公司跑得快,也要带着类似企业一起跑。就像老赵在采访最后说的,“我们作为一家‘不是那么纯粹的互联网企业’(国有企业背书),期待能够解决像我们类似企业的特殊需求,变成解决方案的提供商,做输出,这个方向还是可以尝试的。”
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。