4月25日,网易数帆在低代码业务战略发布会上推出CodeWave智能开发平台。平台以网易自研的智能大模型为底座,以低代码为开发工具,开发者只需编写少量代码,通过自然语言描述和可视化拖拉拽即可快速开发应用。这一颠覆性的体验将大幅降低开发门槛、提升效率,从而极大降低企业数字化转型难度。
网易数帆还推出金融、新零售等行业解决方案、“Wave+“生态计划和人才招聘、培养计划,以“开发工具-行业-生态-人才”系列动作推动智能开发与业务更深融合,助推产业加速发展。
全栈低代码,可视化拖拉拽大幅降低开发门槛
2020年,网易数帆正式对外发布低代码开发平台,以可视化为主要编程方式,用拖拉拽操作来替代写代码,统一前后端开发语言,抹平编程语言差异。平台采用自研NASL语言,具备丰富语言能力,内设丰富多样的通用组件和逻辑组件,支持互不影响的多人协作,在保证简单易操作的前提下,也能供开发者搭建企业级复杂应用。
在网易公司内部,低代码已经在游戏、电商、传媒等各个业务部门广泛使用,涉及人力资源与组织绩效管理、技术保障与业务增长等多个环节。以网易互娱为例,用低代码搭建运营活动管理系统,开发效率提升100%,可快速支撑多个私域流量转化。
在金融行业,某大型国有银行已将专业开发和低代码开发分工,并多人协同开发,涉及台账管理、结算管理等复杂应用,提效降本达到60%,加强金融业务发展。某保险集团在两个月内培养低代码开发者120多人,孵化低代码应用80多个,促进保险业务营销。
在新零售行业,某上市龙头企业以工程营建为核心,在智能门店管理、工程管理分析、智能巡检模块联合打造一体化解决方案,最终实现敏捷智能开发,降低人力成本,缩短项目周期,资产得到复用,极大提高线下门店开店效率。
计划引入智能大模型,打造智能开发全新体验
网易公司CEO丁磊为发布会开场致辞,指出人工智能的价值已经被引导到了社会生产的第一线,这是一个生产力马上要倍速迸发的时代,也是企业做数字化转型的新时机。
在此背景下,网易数帆将原有的低代码开发平台升级,发布CodeWave智能开发平台,以“智能大模型和全栈低代码”为核心,延续“低门槛,高上限”的特色,实现开发、测试、运维等软件生产全链路的智能化。CodeWave取义“Code代码”和“Wave浪潮”,寓意聚浪成潮,技术世界迎来智能开发全新时代。
智能大模型,指的是参数量超过一亿的神经网络模型,可以实现类人水平的自我学习和自我演化,使其具备一定的自主选择和判断能力。网易数帆结合自身产品的定位,面向智能编程垂直领域推出大模型,并接入到智能开发平台中。开发者只需使用自然语言与CodeWave智能开发平台对话,即可生成低代码可视化编程语言代码,无论实体定义、逻辑编写、页面组件控制,均可轻松完成。不仅如此,平台还提供智能检查和修复、智能补全等辅助工具,帮助完善编程成果,AI测试机器人也能自动完成低代码应用的测试,保证应用正常运行。
未来,智能开发平台还将深化AIGC的应用,增加智能设计、智能D2C、智能业务分析BA、智能资产运营等功能,作为一个贴心的智能开发助手,帮助开发者解决重复、简单的工作。开发者提供一句自然语言描述,平台就可以快速生成具有专业水准的页面布局、主题风格、页面配图;或者开发者上传一张手绘设计稿,平台可以快速将它转换成页面,甚至自动补全页面交互逻辑、数据展示等内容。
加速行业应用、打造生态和人才培育机制,引领低代码产业变革
除了升级开发工具与平台,网易数帆还在通过行业应用、构建生态和推动人才培养与建设,助推低代码更广泛、更深入的应用,引领软件产业的变革。
在行业方面,网易数帆在发布会上宣布面向客制化复杂场景,推出政府、金融、制造、新零售、汽车、制药六大行业的一站式解决方案,覆盖日常办公、生产管理、项目管理、客户管理、用户运营、员工管理、采购管理、精准营销、智能制造、零售管理十大典型场景。
在生态构建方面,网易数帆发布“Wave+”生态成长计划,整合战略、解决方案、分销、交付四大伙伴的力量,提供营销、技术等多方面支持,共同推动全行业复杂应用落地,创造行业新价值。
同时,网易数帆还特设低代码教练岗位,负责低代码平台使用培训、应用开发等工作,帮助企业更好、更快上手。目前,已有逾百名低代码教练入职网易,来自会计、经管、新闻传播等多元专业,不少人此前从未写过一行代码。经过相关学习,他们已开发并落地300多款应用,为全国15个省市超过50家企业及政府提供了强有力的IT支持。
未来5年内,网易数帆将聚合1万多家合作伙伴,通过与高校合作课程、推动企业内低代码学习与应用、举办竞技大赛、培育社区等多种手段,创造10万个就业岗位,发展100万开发者,助推低代码开发成为更多年轻人的择业新方向。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。