Nutanix亚太及日本地区高级副总裁Matt Young
在亚洲企业努力应对一系列社会和自然因素的干扰和冲击的过程中,如何管理员工,维持企业正常运转,尤其是在员工不得不远程办公的情况下如何保证企业生产力,正成为一个日益普遍的问题。
亚洲地区面临的挑战在于,尽管它已成为全球经济中心之一,但仍然需要应对各种人为和自然的不确定性因素。毋庸置疑,亚洲是世界上最具经济活力的地区之一,同时也是世界上自然环境最复杂、不可预测因素最多的地区之一。
对于亚洲许多企业来说,保证业务弹性和连续性以往只是未雨绸缪,现在却成为当务之急。
在中国,受新型冠状病毒肺炎疫情的影响, 许多企业员工无法出门正常上班,而企业运营又需要这些员工“到岗”继续工作,保证生产能力,这种情况让许多企业疲于应对。
由于亚洲仍有数以百万计的人处于远程办公状态,科技对维持经济正常运转的重要作用已经引起了广泛关注。
在近几个月里,一些有先见之明的企业已经利用一系列软件解决方案和应用来应对了近来的不可预测和不确定因素,确保了业务的连续性。
毫无疑问,云技术在其中起了重要作用。公有云、私有云和混合云服务确保了企业可以持续访问和使用关键数据。
与此同时,基础架构由硬件向软件定义的转变,意味着不再需要大量IT人员实际驻守数据中心。数据中心的操作可由远程或少数骨干人员进行处理,因此许多企业能够继续正常运营。
虚拟桌面基础架构(VDI)和桌面即服务(DaaS)是科技助力企业平稳运转的完美范例。 VDI作为云托管桌面,通常位于本地数据中心,由企业内部IT人员进行操作和维护。
VDI的优势在于其为企业提供了定制和控制现场硬件和环境的能力,非常适用于拥有高度敏感数据的企业。这种基础架构部署灵活,可通过简单操作进行精细化扩展,能够充分应对不可预测因素造成的短时间需求增长,例如近来一系列不可预见事件所导致的情况。
VDI能够为企业带来的最大价值在于其能够让企业在不牺牲业务安全性、生产力或性能的情况下,为人员提供流动性和灵活性。它让员工可以在任何地方、任何设备上工作,不受任何限制地安全访问工作桌面、文件和网络。
而DaaS是一种完全外包的虚拟桌面解决方案。它既不依赖也不占用任何内部硬件资源,能够提供与VDI相同的灵活性、安全性和权限,但完全由第三方处理,并且托管在他们的云上。
如今,VDI和DaaS已经成为智慧企业的特征,不仅对业务弹性和连续性至关重要,而且在外部环境相对稳定的时期也能为数字企业带来效益:
此外,VDI在经过近期的几次升级后功能更加强大,获取更加方便,为企业减少了基础架构配置安装的时间、精力和成本,让更多企业能够负担得起。
VDI和DaaS两种模式共同为企业提供了简单易行的远程办公解决方案,无论员工身处何地都能为企业确保生产力和效率。随着企业正在积极寻求应对未来风险和外部干扰的解决方案,这两种模式有望成为它们保持业务连续性的利器。
然而,不那么幸运的企业怎么办呢?如果员工因疫情受到隔离无法工作,这些企业也有现成的解决方案可以选择。
由于VDI和DaaS是基于云技术的解决方案,为团队、客户或合作伙伴建立虚拟工作空间通常只需不到一个小时。受到出行限制的员工只需使用网络浏览器,从家中就可以安全可靠地访问任何应用,而不需下载或升级软件。
对于智慧企业来说,这些解决方案的已见成效。
而对于其他企业来说,越早采用所需的现代化工具,让员工保持流动性和生产力,让业务在波动时期保持弹性,让经济在波动时期保持增长,就越能帮助巩固亚洲在全球经济中的重要地位。最后,让每个企业都能够为助力亚洲继续引领全球经济发展而贡献力量。
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。