在过去几年,数字化转型以摧枯拉朽之势颠覆着我们开展业务的方式。各个领域的工业企业都在产生和使用海量数据,因此需要强大的技术来运营业务。
自2020年初以来,整个世界发生巨变,在新冠疫情的威胁下,为应对新的社交隔离措施、行动限制和供应链中断带来的挑战,全球各地的企业纷纷开始改变运营方式,重新出发,从而为数字化转型推进开辟了道路。许多公司还扩大了远程办公和虚拟协作,从而推动了对新兴技术的强烈需求。
全面开展数字化运营的行业将异军突起
随着“新常态”和后疫情时代的到来,一个新的数字化时代将迅速来临。在新的数字化世界,数字能力将日益成为经济抗灾力的晴雨表,而在新冠疫情危机之后那些全面开展数字化运营的行业将会异军突起。
新常态下,领导者需要采取新的思维方式。借助一体化的数据和分析工具,AVEVA剑维软件可以为专家提供更准确的信息,让他们可以做出更明智的决策,以针对其所处的新环境优化运营。持续学习也是竞争优势的新坐标。这是因为在一体化的数据环境中采用最先进的技术可以帮助团队最大限度提高绩效、最小化成本和延迟,并确保高效的组织运营。另一方面,它通过采用智能模式,在直接降低能耗并减少排放的同时,还可以减少紧急求救和返工需求。
让企业关键资产达到最高治理标准
新冠疫情对世界来说是一个分水岭。对于许多企业而言,原本预计需要数年才能完成的数字化转型旅程被压缩为数天和数周。各个行业正在快速调整和改造,而数字化基础设施在这场变革风暴中处在最前沿和核心的位置。向新计算环境的转移无疑增加了各种复杂性,而在这种环境下IT经理需要从全新角度考虑如何保护公司的IT环境。如今,世界经济越来越依赖于数字化基础架构,因此,让这些关键资产达到最高治理标准既是一种社会责任,又是一种商业义务。
实现出色的业务连续性取决于安全的企业环境,因此安全保障成为一个特殊挑战。新冠疫情提升了云计算平台的重要性,该平台可以在不断变幻的各种挑战面前推动真正的业务成果。某些行业对云服务的需求将呈现激增趋势,但有些行业在转变为生存模式后,对其需求会有所下降。如今,经济的抗压能力与数字化基础架构的联系异常紧密,并且数据使用的速度呈指数级增长,因此,在未来几年,那些投资创新技术的公司将呈现繁荣发展之势。
(本文作者系AVEVA剑维软件首席执行官Craig Hayman)
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。