6月24日,联想企业级解决方案全国巡展走进湖南衡阳,向与会人员阐述了其优势叠加、以端到端整合为企业用户带来的价值。尤其是智能终端设备+企业级设备+联想体验的组合,充满了联想特色,这是很多同类厂商所无法比拟的,更为企业级客户带来了IT部署的便捷与高效。
联想企业级解决方案全国巡展衡阳站现场直击
回顾过去一个财年的联想业绩,6000万台的个人电脑、7600万部智能手机、1200万台平板电脑及60万台的服务器,联想的三驾马车(个人电脑、移动业务、企业级业务)带来的业绩及销量实现新突破,并在全球市场保持领先。尤其是企业级业务快速成长,现正向在一年内达到50亿美元的营业额的目标快速前进。
如今,联想形成了商用IT的新版图,CEMS2.0(Cloud、Enterprise、Mobility、Service),包括云就绪的架构设计及部署、丰富的企业级产品线覆盖、全行业移动互联应用方案、全生命周期的IT管理,联想在企业级IT市场大有可为。
联想华中区大客户事业部总监 马锋胜
联想企业级业务的增速与变化在华中区(湖南、湖北、河南)已经得到了充分的体现,联想华中区大客户事业部总监马锋胜在接受ZD至顶网采访时表示,“在政府、教育、企业、公共事业、交通、能源、医疗等领域,联想做的项目越来越多,并得到客户积极的反馈。以服务器为例,联想在华中区的增长业绩高出IDC公布的业界平均增长率的5个百分点。包括机架、刀片服务器增长较快,特别是融合一体机受到了当地客户的欢迎。”
尤其是随着联想对IBM x86业务的收购完成,联想赢得了很多优质和高端客户的青睐,从马锋胜对华中区客户的接触感受看,他们对联想的印象是积极的,“第一是业界最好的品质,第二,System x服务器代表着IT业界的标杆。”
联想与IBM System x的结合代表着两者优势互补的业务整合,同时双品牌组合也满足了客户的不同需求。ThinkServer最通用的设计,适用于主流用户的机房环境,同时代表着高性价比的首选。System x以最先进的技术理念、最可靠的产品品质,适用于最苛刻的数据中心环境。并且马锋胜认为,System x是存在一群粉丝的,崇尚IT的人从System x时代一步步走过来,坚定认为它是业界最高的标准,并保持对System x的感情。
联想企业级解决方案全国巡展,现场嘉宾体验联想企业级产品
由于联想拥有了覆盖全生命周期的企业级能力,马锋胜对于他所负责的华中区的业务增长充满信心,一是联想今天具备的IT基础架构解决方案提供商的影响力,二是华中区的市场潜力巨大。
不包括三大省会城市,总体看来,马锋胜认为华中区的企业级IT水平还处于信息化建设的早期阶段,它曾到访某地方政府,“信息化还停留在单机应用,签批一个文件,全部需要拿着纸质文件找领导。”
他指出,很多类似的政府机构和企业的IT需求非常大,他们迫切需要IT信息化改造业务流程、提高效率。用户有了明确的需求与目标,但却找不到实现的路径,没有合适的人来帮他,每一套系统需要成熟与完善的技术来支撑,这给了联想非常大的机会。
这个巨大的机会还体现在了联想的渠道优势,马锋胜毫不谦虚的说,“在四六级城市,跟联想做生意的IT公司已经可以算成一个‘行业’了,从联想做PC开始,积累了大量的渠道合作伙伴。随着市场环境的变化,渠道也在跟着联想一起成长,有很多已经做成了集成商、软件开发商等。并且随着此次渠道新策略“刀锋计划”的逐步落地实施,联想将在鼓励和引导渠道转型等方面提供了更多技术支持和专业能力培训。反过来,庞大与纵深的渠道体系也为联想业务的快速增长提供了支撑。”
在国内,联想的十个大区中,华中区的市场规模虽然不能和东部省份和一线城市相比,但三省GDP都处于全国前十,马锋胜相信随着资源的深度整合和市场的进一步投入,华中区将迎来业务的快速爆发。
联想称2014为里程碑式的一年
好文章,需要你的鼓励
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。