极进网络中国区总经理陈向东先生
在过去的几年中,我们看到市场上出现了拟真技术并逐渐成为一种大趋势。该技术的不断演进持续推动着数字化的发展。
在不久之前,人们还是通过使用同一卷胶卷照相来分享照片。在拍照几天之后,人们才能欣赏到洗印出来的照片。如今,无论是短信、图片还是视频,人们都能在第一时间欣赏到并进行分享。随着移动设备的兴起和不断发展,世界进入了体验型经济的新时代。
如今,时间均以秒来计算,用户都希望事情和产品功能能立即发生和起效。移动设备一直走在科技的前沿,它们能让使用者尽情分享生活,并通过使用虚拟网络来实现实时沟通。全世界每天有超过7.5亿幅照片在数字平台上被分享。而且人们期望在任何地方都能享受到免费Wi-Fi,例如,家里、办公室、购物中心甚至是室外。
根据ComScore公司的调查显示,在移动设备的使用方面,新加坡和香港已经成为过去四十年间亚太市场中发展最快速和竞争最激烈的地区。在当今的体验经济时代里,企业应该抓住机会提升用户满意度。以下文章介绍的是WiFi供应商们在无线网络扩展方面遇到的挑战。
移动设备无处不在
移动设备尤其是智能手机和平板电脑已经变成了人们生活的外延。多数人在外出时至少携带一款设备并会时不时的查看。大多时候,手机是人们每天最先接触和最后接触的设备。
毫无疑问,如果移动设备只能提供有限的使用,它们将不会成为变革的大趋势。语音对话第一次将手机带入大众视野,它在全球广泛地使用加速了世界进入移动时代的步伐。
事实上,自带设备(BYOD)的趋势在亚太地区已经十分流行,随着消费者对智能手机及平板电脑需求的迅猛增长,亚太地区自带设备的趋势将继续保持强劲增长。根据IDC的调查显示,在2013年,BYOD模式下的移动设备占全部消费者智能手机销售的22.5%,其次是笔记本电脑(11.7%)和平板电脑(4.9%)。
超越用户期望
随着自带设备趋势的继续演进,能够连接WiFi的移动设备的数量和种类将迅速增长。数字世界将会超越人们的期望。而个人概念的形成则大多来自在家中轻松自如的设备使用体验。如今,每个人都能在家里轻松连接WiFi,都能使用高流量宽带顺畅地进行下载。
当离开家的时候,这种顺畅使用网络的个人期望仍然存在。在日常工作中,在户外或是学校,不管会遇到怎样的IT挑战,例如,使用大规模的WiFi或是支持高密度的数据通信,人们都期望拥有如同在家一样的网络使用体验。
数字世界已经演进到一个体验经济时代,在这个时代里,移动设备使用者期望技术能够支持实现随时随地快速连入网络。
应对网络普及化的挑战
如今,IT行业的挑战也带来了机会。在体验经济时代,满足和超越消费者的期望将是创新型首席信息官及IT主管首要考虑的。
我们得到了很多,当然,如果失败我们也将失去很多。举个例子,如果酒店WiFi不能带来顺畅的使用体验,那入住者下次会选择另一家酒店。WiFi服务已经变成了一种期望,但是服务的不足之处以及可变性将带来非常不好的使用体验。许多公司花费时间和金钱来建立品牌知名度和消费者的忠诚度,但一个小细节,例如不好的WiFi信号就会将这些努力毁于一旦,并难以恢复,所以此类机会成本不能被忽视。
在如今的体验经济时代,消费者希望快速连入网络的需求并不局限于室内。使用者对移动网络连接需求的规模更大,所以WiFi网络必须拥有更广泛的覆盖面以及更高的流量和易用性来满足IT以及移动设备用户在室内室外使用网络的需求。现在,越来越多的具有前瞻性的供应商在走着正确的道路。他们通过提供简单、快速及智能的技术来为客户带来优越的使用体验。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。