在经过2020年线上举办之后,新华三领航者峰会强势线下回归。4月9日,由紫光集团和新华三集团主办的主题以“智行·见远”的“2021 NAVIGATE 领航者峰会”在南京举行。
本届峰会不光发布了全新的“云智原生”战略和“数字大脑2021”,还有基于紫鸾和绿洲平台打造的紫光云3.0、新华三自研高性能智能网络处理器“智擎”系列、新华三云屏MagicHub及商用PC等智能终端新品也悉数亮相。
看点一:“云智原生”战略
如今数字经济蓬勃发展,未来世界将会如何发展?紫光股份董事长兼新华三集团首席执行官于英涛认为,持续数字化的物理世界将源源不断地创造数据输入到数字世界,而基于云与智能构建的数字世界则能洞察并释放海量数据背后的价值,反馈给物理世界,推动着物理世界的变革与重塑,并以此循环,生生不息。
也就是未来将是数字定义世界、软件定义未来”的时代,在这样的时代,企业该如何应对呢?新华三认为,未来的企业应该进化为“数字原生组织”,这样的组织具备与生俱来的数字架构和能力,在市场竞争中具备天然优势。所以,向“数字原生”不断转化,将成为接下来企业数字化转型与变革的核心目标之一。
但是问题来了,企业如何进化呢?新华三认为,与生俱来的云与智能的架构和能力,是通往数字原生的必备要素。
为了加速企业和组织实现向“数字原生”的转变,新华三集团在本次峰会上重磅发布了全新“云智原生”战略,让业务覆盖“芯云网边端”,产品内生智能、全面云化,解决方案集成智慧、全面赋能。
“云智”这个词在业界已经没人不了解了,而原生这个词,我们知道有云原生技术。现在“云智原生”组合到一起则具有新的内涵。
看点二:“数字大脑”全面升级
众所周知,为了更好地帮助企业实现转型升级,新华三集团推出了“数字大脑”计划。而在本届峰会上,基于“云智原生”全面升级的“数字大脑2021”正式亮相,其将为构建“数字原生组织”提供必备的数字化创新能力,推动产业的发展和转型。
在“云智原生”驱动下的“数字大脑2021”涵盖的内容更加丰富,包括重新定义低代码开发平台、统一数字底座和应用体验、云原生数字基础设施、原生AI in ALL、全域主动安全和应用生态绿洲六大能力。
看点三:重装上阵的云智原生产品与方案
在“数字大脑”升级的同时,新华三集团更发布了多个云智原生的产品和解决方案。
在云与智能平台层面,新华三发布了基于紫鸾平台和绿洲平台打造的紫光云3.0、云安全2.0等新品。其中,紫光云3.0实现了架构统一、无界混合、极简运营、一致体验,能以紫鸾平台实现“管理一平台、应用一架构、SDN一张网、安全一策略”,以绿洲平台提供成熟的数据运营体系、成熟的应用创新引擎、成熟的生态协同套件,助力客户数字化转型。
在智能联接领域,云智原生智能联接解决方案AD-NET 6.0、AD-DC SeerFabric 架构无损网络解决方案、基于自研NP的核心骨干路由器CR18000-16等,助力打造极简、智能、融合、可信、超宽的新一代智能网络。
在智慧计算和存储领域,采用第三代英特尔至强可扩展处理器的H3C UniServer服务器家族、全闪X10000加持的统一存储数据湖解决方案,将以全面和强大的能力助力智能洞察和数据管理。
在智能终端领域,新华三更推出了云屏MagicHub以及由H3C商用笔记本、H3C商用台式机、H3C商用显示器等产品组成的新华三商用终端产品家族,全面布局“芯云网边端”综合解决方案,赋予企业数字化转型的全栈能力。
看点四:标杆客户站台
在此次峰会上,作为与新华三集团共同推进数字化转型的行业代表,太原市轨道交通发展有限公司分享了太原地铁城轨云的规划和建设经验,展望了城轨智慧化的未来场景;山东大学分享了对于教育信息化的前瞻思考,以及山东大学推进智慧校园建设和发展,向“智慧山大”迈进的探索与实践。
从这些行业典型客户我们看到数字化创新技术与行业场景的碰撞,而新华三在其中秉承数字原生理念,通过践行“数字大脑2021”,帮助客户构建独有的数字大脑,加速数字化转型,重塑业务和商业模式,持续提升行业竞争力,改善用户体验。
总结
在整个社会对于数字化技术的认知不断提升的背景下,新华三在本届2021 NAVIGATE 领航者峰会带来了非常多的惊喜,既有前沿的洞察,又有实实在在的产品与方案。本届峰会很好地展现了新华三“芯云网边端”全栈业务,进而让我们“在数字世界智行,在物理世界见远”。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。