IBM公司董事长、首席执行官Arvind Krishna在年度Think大会上透露,最近IBM对合作伙伴计划的投资中,“与生态相关的收入”占比从约15%增加到约40%,未来可能达到约80%。
当被问及IBM对渠道的投资时,Krishna向分析师和记者表示,在这40%中,有大约20%是“完全自主的”,这意味着合作伙伴可以完全自行应对客户而无需IBM的任何帮助。他希望这个数字最终达到50%。
他说:“为了实现这一目标,我们投资于渠道,为什么我们要这么做,为什么我们把服务于渠道的员工人数增加了一倍......他们只服务于渠道,是让渠道实现自主。这是一个长达五年时间的赌注,而不是六个月。我们将坚持到底,最终会实现这个目标。”
IBM首席执行官Krishna谈合作伙伴
Krishna的评论是在Think 2023大会期间发表的,大会本周在美国佛罗里达州奥兰多举行,约有4000名商业和技术领袖参加。
IBM首次举办了Partner Plus Day,约750家合作伙伴参加。Krishna也在周一该活动中发表了讲话。
IBM在全球拥有约55000家渠道合作伙伴,其中有12000家在北美。
在本周二的活动中,Krishna解释说,投资渠道对IBM至关重要。虽然一家厂商也许可以通过直销商面向数千家客户,但这需要大约500000人的销售队伍——更不用说启动和运行产品所需的人力了——最终要面向100000家客户。而且厂商还需要一定的时间才能获得投资回报。
他说:“如果深入这方面,我认为让渠道来做会更好,这是双赢的,这就是我的动力所在。”
Krishna还描述了一种更有针对性的方法,即哪些产品可以获得渠道合作伙伴进入市场所需的资源。例如他说,一种最终只会让少数客户受益的产品,很可能不会引起合作伙伴的兴趣。
“并非我们投资组合中的所有东西对渠道都是有利的,这是我们过去犯过的一个错误。”
他说,目前IBM正在将资源投入到大约15种产品中,这些产品有简单的包装、定价和部署,这些产品将受益于强大的渠道销售活动。
在接受采访时,IBM全球合作伙伴销售副总裁Todd Grube表示,其中一些产品包括:
值得注意的是,其中一些产品是IBM最早在AWS Marketplace上投放的。
Krishna表示,他预计渠道友好型产品的数量“会增长,但不应增加到数百个,因为那太多了。”
Krishna在Partner Plus Day上的发言
Krishna在Partner Plus Day的演讲中,重申了他对渠道的承诺。
他说:“合作伙伴关系的力量对我们来说很重要,你有我们的承诺,我们想让你成功。当你成功的时候,你的客户也会成功,这就是双赢。”
他说,IBM最近计划把PartnerWorld改为Partner Plus,这是“在我的记忆中,我们对合作伙伴计划做出的最大改变”,他作为在IBM工作了30多年的资深人士这样说道。
IBM的目标是成为“最容易合作的合作伙伴”,合作伙伴现在可以获得与IBM员工相同的培训,并且IBM对合作伙伴计划进行了简化。
尽管IBM已经将生态系统相关的收入占比从15%提高到40%,但Krishna称,推动合作伙伴计划的工作是一个“两年的旅程”。
“我们只做到了我们应该做到的一半。......如果我看未来两到五年,我希望我们加倍投入并聚集在一起,我们愿意为此继续投资。我们希望您愿意和我们一道,成为我们值得信赖的合作伙伴,在我们沿着这条道路前进的过程中,将所有这些带给我们的客户。”
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。