ZD至顶网网络频道 04月08日 杭州: 今日,新华三在杭州国际博览中心召开首届Navigate 2017领航者峰会,近8000名各界精英和IT专业人士到场,这也成为新华三集团成立以来举办的最大规模的IT峰会。
Navigate 2017对“数字经济”进行了深入探讨,大会的主题正是围绕“新IT,新经济”展开,华夏新供给经济学研究院首席经济学家贾康关于“新经济与供给侧改革”的主题发言引发现场观众的共鸣。Navigate 2017后面的议题和论坛则对推进数字经济和变革之路给出了技术路径。
新华三集团总裁兼首席执行官 于英涛
面对数字经济的发展态势应该采取怎样的战略,作为此次大会的主角新华三又如何践行数字经济之路?新华三集团总裁兼首席执行官于英涛给出的答案是“应用驱动,云领未来”。他强调,需要技术创新与应用创新双轮驱动数字经济发展。简单地理解就是,让应用驱动IT的云化,在广义的新IT环境中,实现技术与应用的双轮驱动,持续引领、推进数字经济走向未来。
围绕“应用驱动,云领未来”指引的新IT战略,新华三将自己的新IT技术能力归纳成为云计算、大数据、大互联和大安全四个方面,并分别制定了相应的战略重点。
这四大方面被简称为“三大一云”,于英涛对此进行了详细的阐述:
第一,大互联是新华三的立身之本,于英涛将大互联形容为数字经济的神经系统。在此方面,新华三有两个目标:万物互联——通过绿洲OS赋予万物生命;应用驱动——利用SDN开展网络重构。AD-NET 2.0解决方案集群重点推出,方案下包括了AD-WAN(应用驱动广域网)、AD-MAN(应用驱动城域网)、AD-DC(应用驱动园区网)、AD-EC(应用驱动边缘计算)、AD-Campus(应用驱动园区网)、AD-IoT(应用驱动物联网),新华三希望让网络更加柔性和可扩展,并借助绿洲操作系统联动各个层面,实现万物互联的泛连接网络,在一个统一的万物互联网上承载各种不同的业务和应用。
第二,云计算方面,于英涛认为云计算建设的重心已经从“应用云化”,逐渐向“云生应用”过渡。所谓的“云生”,不仅体现在容器、虚拟化等应用开发、部署环境的变革,更体现在借助云平台与大数据、人工智能、物联网、区块链等新技术的融合,进一步催生出推动行业与产业变革的新应用形态。对此,新华三推出了全面支持云生应用的H3Cloud 2.0,还将加大投入,重点瞄准行业云和城市云,打造10个行业能力中心提供全栈式云服务、打造100+城市云中心提供全产业链云生态,与合作伙伴联合提升产品能力、生态能力和运营能力,争取在未来的巨头竞争格局中占据市场前三的位置。
第三,在大数据领域,新华三致力于成为卓越的数据引擎提供商,不仅为用户提供企业级一体化大数据平台,还会通过大数据平台工具及数据治理服务——借助新华三的DataEngine,在纵向上,帮助各行业用户将数据资源快速转换为价值,在横向上,支撑起数据驱动的新型智慧城市的建设。
第四,大安全方面,沿着“自主创新+生态共建”的道路,新华三强调核心技术自主创新,并打造统一的生态共享平台,为各领域提供完整、专业的安全解决方案。峰会上,新华三还发布了安全天机3.0,在云安全引擎、云安全查杀、云安全运维方面均进行了能力大幅提升。
据介绍,新华三已将其中三个业务单独成立公司,包括在郑州成立大数据公司、在成都成立云计算公司、在合肥成立安全公司,新华三希望通过云计算、大数据、大互联和大安全四个方面的技术能力推进数字经济发展,并成为其业务的新的增长极。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。