ZD至顶网软件频道消息 (文/张晓楠):当互联网公司以创新的模式、变革的思维、勇往直前的勇气攻陷传统业务“城池”的时候,传统行业应该如何应对?互联网正从面向消费应用向面向产业应用转型,这时候我们需要以产业思维去与互联网思维融合;需要通过移动端、社交媒体、物联网获取的数据来倒逼业务流程的重塑;需要把核心业务资产开放出来让第三方应用去做整合——这一切促成API经济时代的到来,也是API如此被人关注的原因所在。
API经济带来的是运维智能化、开发敏捷化、流程自动化和交互多样化,融合、重塑、开放是API经济的基因,国内用户在接受API的同时,应用API的情况如何呢?记者在采访CA Technologies中国区总监何金沛的时候,他介绍了CA Technologies最近做的一项有关API的调查并披露了国内用户采用API的情况。调查显示:超过82%的国内用户已经采用API,35%的国内用户已经达到API应用先进水平。
对于这一调查结果,坦率讲记者还是挺惊讶的,说明国内用户接受和应用API的程度都非常高。对于这一调查结果何金沛认为在于中国互联网经济发展的催生。一方面,企业可以利用API扩大业务范围、提升用户体验并探索新的商业模式;其次,API的开放和共用催生了跨界创新,推动传统行业的转型升级;另外,API是互联网经济发展的重要组成,它推动物联网、大数据及云等技术的发展,将数字世界互相连接。
产业趋势虽然对API经济发展起到推波助澜的作用,但是用户采用API的实际获益情况才是API普及的真正原因。从调查结果来看,提高收入(91%)、提供更好的用户体验(90%)、探索新商业模式(88%)是采用API的国内用户获益的前三大主要原因。这也正切中API的关键优势:它的快速交付和敏捷开发能力让用户推出应用的效率大为提升;而API经济更是跟体验密不可分,通过API的开放和共享,用户可以把自己的数据和应用分享给跨平台的多个合作伙伴,目标就是提升用户的体验。
虽然API在国内应用情况非常乐观,但是用户的理想和现实还有差距,这也是应用API要遭遇的挑战吧。调查显示,在中国大陆地区,97%的受访者认为处理安全和合规性问题十分重要,但只有35%完成了;另有97%调查对象认为从商业角度确定API的价值不容忽视,但只有32%的人认为自己已经做到。95%的组织认为与合适的供应商合作、借助他们的技能和建议是非常关键的,但是只有27%切实完成。
其实对于用户关注但是还没有好的解决办法的API安全问题,CA的API管理解决方案正中痛点,何金沛告诉记者:“我们的解决方案是企业级的,非常适合金融、电信、航天等对安全性要求高的行业。”
据了解,CA的API管理解决方案覆盖API的创建、发布、管理、消费四个层面,以组件积木式的形式一块一块搭建起来;在横向扩充方面,可扩展性、弹性都非常好,也支持云端的部署;另外从项目实施上,除本身软件以外,CA Technologies还提供顾问咨询、设计、实施、最佳实践、成功案例研究等诸多服务。
在这其中,当然不能忽视合作伙伴的力量。对此何金沛强调:“我们通过合作伙伴的努力,帮助用户去快速实现API的实施和迁移;通过合作伙伴,我们帮助用户把人才团队建立起来,后面的实施用户自己的人才团队就可以进行,因为这是一个创新的解决方案、一个标准化的解决方案。”
博彦科技作为CA Technologies的合作伙伴,已经与CA Technologies合作了十几年,如今也是CA的API管理解决方案的合作伙伴,面向大型车企、金融、电信等行业推介CA的API产品。其负责人王伟平表示:“我们目前在与CA Technologies探讨更深入合作的可能,从服务为主拓展到整个产品线的销售。”
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。