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
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。