至顶网网络与安全频道 06月19日 编译:根据IDC全球物联网支出指南的更新信息显示,2020年COVID-19大流行给经济形势带来的影响,将给全球物联网(IoT)支出带来极大的冲击,但预计中长期有望恢复两位数增长。IDC预计,2020年物联网支出将同比增长8.2%,至7420亿美元,低于2019年11月时预期的14.9%。不过,IDC预计全球物联网支出将在2021年恢复两位数增长,并在2020年到2024年预测期间,实现11.3%的复合年增长率(CAGR)。
“尽管当前新冠病毒大流行迫使许多企业组织暂停了一些创新的物联网部署,但物联网仍将是关键的‘恢复增长’加速器,对于最终用户来说,某些特定场景仍然是安全的选择,他们将把重点放在这些方面以提升到自动化的全新水平,实现无处不在的远程体验,以及超高速的连接体验,”IDC客户洞察与分析研究副总监Andrea Siviero这样表示。
物联网支出同比增长最慢的行业,也是受疫情期间经济衰退冲击最大的行业。个人和消费者服务(包括酒店、主题公园、赌场和电影院)将是今年物联网支出唯一出现下滑的行业,同比减少0.1%。增长最慢的三个行业分别是离散制造业(增长4.3%),包括石油和天然气在内的能源行业(增长5.0%)、交通运输业(增长5.7%)。但是在预测期末,这三个行业仍有望实现两位数的复合年增长率。医疗、保险和教育将在今年物联网支出增长最强劲的几个行业,增长率分别为14.5%、12.3%和11.9%。2020年消费级物联网解决方案支出将同比增长13.9%。
从使用场景来看,物联网支出也出现了类似的情况,支出增长受到了疫情的冲击。今年,有两个用例(空中交通监控和互连油田勘探)方面的支出将出现下滑,而总支出最大的几个场景支出增长最慢,例如制造运营、生产自动化和货运监控,分别为5.6%、5.2%和4.7%。今年支出增长最快的几个用例,都来自那些物联网总支出呈现增长态势的行业,包括电动汽车充电、床旁遥测和远程健康监控。而以消费者为主导的智能家居,是物联网总支出第二大用例,同比增长14.4%。
“COVID-19带来了一股迫使物联网发展成熟的新力量,企业被迫调整自己的技术路线以应对这场危机,而这可能会进一步扩大两类物联网采用者之间的鸿沟:信心坚定的高级用户,和那些不想只单纯地收集数据、想了解ROI、想通过物联网项目变现的人;另一类人群可能会推迟在物联网上的投资,短期和长期内看不到明显收益,逐渐落后,而其他人会把他们的物联网专业知识集中用在那个能帮助他们在下一个新常态中占据有利地位的用例上,” IDC客户洞察与分析高级研究分析师Svetlana Khimina这样认为。
物联网服务,包括IT和安装服务,以及后续服务(或者内容即服务)将成为2020年和预测期内最大的一个技术类别。这两个类别合加起来约占物联网总支出的三分之一。硬件支出主要包括模块/传感器采购,这部分支出接近于物联网服务支出。软件支出主要包括应用和分析软件的采购支出,将是今年增长最快的一个技术类别,五年复合年增长率为13.5%。
在整个预测中,中国、美国和西欧将占物联网总支出的约四分之三,这三个地区最初的支出总额是比较接近的,但是中国的支出增长速度要高于其他两个地区,复合年增长率为13.4%,而美国和西欧分别是9.0%和11.4%,这也让中国成为物联网支出的主要地区。物联网支出增长最快的地区依次是中东和非洲(复合年增长率为19.0%)、中欧和东欧(复合年增长率为17.6%)和拉丁美洲(复合年增长率为15.8%)。
“COVID-19已经给中国物联网市场造成了极大的破坏,尤其造成了供应链、生产、交付和部署环节的延迟,从而导致2020年初所有行业和用例的物联网支出都出现下滑。不过随着中国市场逐渐开始复苏,我们预计未来今年将出现反弹,企业将开始让物联网在疫情防控、缓解市场冲击方面发挥重要的作用,” IDC中国高级市场分析师Jonathan Leung这样表示。
好文章,需要你的鼓励
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。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。