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
微软宣布未来四年将在阿联酋投资152亿美元,包括首次向该国运输最先进的英伟达GPU芯片。美国已授权微软向阿联酋出口英伟达芯片,使该国成为美国出口管制外交的试验场和地区AI影响力锚点。这笔投资包括2023年以来的73亿美元支出和2026-2029年的79亿美元计划投入,涵盖数据中心建设、人才培训和AI基础设施扩展,目标到2027年培训100万当地居民。
德国于利希超级计算中心研究团队通过两千多次实验发现了AI模型训练的神奇规律:无论模型大小和数据量如何变化,最优训练配置总是对应同一个特定数值——输出层算子范数约为128。这一"范数传递"现象为AI训练提供了可靠的理论指导,并揭示了具体的缩放法则,能够显著提高训练效率、降低成本。研究还发现分层学习率优化可带来6%性能提升,为AI训练的民主化做出重要贡献。
OpenAI与亚马逊云服务签署七年380亿美元协议,在微软Azure之外增加另一个超大规模云服务商来满足其不断增长的AI计算需求。该协议将让OpenAI立即获得AWS EC2 UltraServers访问权限,计算能力将在未来七年内扩展至数千万个CPU。AWS还将为OpenAI构建基于英伟达Blackwell芯片的定制基础设施。尽管签署了这一大额协议,OpenAI仍将继续依赖微软Azure作为其主要云计算合作伙伴。
帝国理工学院团队开发的MoME系统将稀疏专家混合机制与多粒度表示学习相结合,创造出能够动态调整处理精度的音视频语音识别框架。该系统如同智能变速箱,可根据资源情况在同一模型中灵活切换不同性能模式,在保持高准确性的同时大幅减少计算开销,特别适合移动设备等资源受限场景。