近日,《哈佛商业评论》创刊百年中国年会举办,备受瞩目的“2022·「鼎革奖」数字化转型先锋榜”榜单于会上揭晓,浪潮信息基于“源”大模型的智能客服机器人荣获“年度新技术突破奖”。
“鼎革奖”评选由《哈佛商业评论》、清华大学全球产业研究院联合发起,旨在通过理论模型研究与实地考察调研结合的考评方式,发掘探索企业最真实且前沿的转型典例,为国内企业奉献了诸多极具参考价值的数字化转型实践成果。

浪潮信息智能客服机器人“源晓服”是为数据中心服务而生的专家级智能客服,支持浪潮信息服务器、存储、边缘计算等八大产品线的全代际数据中心产品售后服务,拥有技术、产品、故障、服务四大类超百余种专业问题的解决能力,可覆盖终端用户92%的咨询问题,日均处理客户服务达近千次。
区别于传统智能客服的简单查询与单轮对话,“源晓服”基于强大的专业知识理解能力与自然语言理解能力,可对复杂的数据中心技术咨询进行智能提问引导与问题的精准定位,并给出高可靠、高可读、高度精细化的专业解答。针对数据中心常见技术问题,如系统安装、Raid配置、部件异常等问题,“源晓服”的解决率高达80%,可将复杂技术咨询问题的业务处理时长降低65%,提升浪潮信息整体服务效率达160%。
在训练方面,“源晓服”可自主学习原始产品及技术文档,摆脱传统的FAQ人工训练模式,提升专家服务团队人效30%。同时,“源晓服”能够对历史对话数据与效果进行智能分析,实现能力的自主进化。
浪潮信息智能客服机器人“源晓服”基于“浪潮智能客服大脑”打造而成,打破传统的多知识库、多模型驱动的智能客服底层架构,实现了智能客服能力与模式的全新变革。
为建立全方位全流程的智慧服务生态,浪潮信息以全球领先的AI模型“源”为智能引擎,依托InService智能服务平台,构建了“智能客服大脑”,具备超强的语言理解、数据分析、自主学习和智能推理能力。通过学习2万余份产品文档、用户手册,结合百万余条浪潮信息专家工程师服务对话、数十万份日志、工单数据进行算法训练,“智能客服大脑”不仅支持自然语言交互服务、也能够实现对已授权IT设备的智能运维与诊断,还支持对专家工程师、备品备件等资源的智能管理与调度,成为支撑浪潮信息服务智能化转型的核心“大脑”。
基于智能客服大脑,浪潮服务团队打通了客服、运维、工单调派、备品备件等服务全流程,能够实现用户咨询的全渠道智能响应、数据中心设备的全天候智能运维、一线工程师的智能调派、备件生产和仓储的前瞻性规划。结合I2R(Issue to Resolution)流程打通,浪潮信息全面提升客户服务的专业品质,以全流程的服务数智化转型重塑IT客户旅程。
浪潮信息CEO彭震表示,智能客服机器人是浪潮信息整体智能化转型的一个重要板块,在浪潮智能客服大脑的驱动下,我们的智能客服机器人“源晓服”在快速成长进化。当然,这只是我们在数字化、智能化转型过程中非常有益的尝试,要全面实现客户服务体系的智能化,需要研发、生产、营销、交付、服务、供应链各个环节的有机协同,需要整个平台能力的全面提升,这也就是目前浪潮信息正在推动的企业智能化升级转型,我们还有很长的路要走。

未来,浪潮信息智能客服将逐步从依赖个体专业能力、单一追求效率的传统服务模式,走向“智慧大脑”驱动的平台化的专业智能服务新模式,打造智慧时代的IT售后服务全新体验,也为行业大脑产业化应用探索出新的路径。
好文章,需要你的鼓励
33年后,贝尔纳多·金特罗决定寻找改变他人生的那个人——创造马拉加病毒的匿名程序员。这个相对无害的病毒激发了金特罗对网络安全的热情,促使他创立了VirusTotal公司,该公司于2012年被谷歌收购。这次收购将谷歌的欧洲网络安全中心带到了马拉加,使这座西班牙城市转变为科技中心。通过深入研究病毒代码和媒体寻人,金特罗最终发现病毒创造者是已故的安东尼奥·恩里克·阿斯托尔加。
这项由多伦多大学领导的研究首次系统性地揭示了分词器选择对语言模型性能的重大影响。通过训练14个仅在分词器上有差异的相同模型,并使用包含5000个现实场景测试样本的基准测试,研究发现分词器的算法设计比词汇表大小更重要,字符级处理虽然效率较低但稳定性更强,而Unicode格式化是所有分词器的普遍弱点。这一发现将推动AI系统基础组件的优化发展。
人工智能安全公司Cyata发现LangChain核心库存在严重漏洞"LangGrinch",CVE编号为2025-68664,CVSS评分达9.3分。该漏洞可导致攻击者窃取敏感机密信息,甚至可能升级为远程代码执行。LangChain核心库下载量约8.47亿次,是AI智能体生态系统的基础组件。漏洞源于序列化和反序列化注入问题,可通过提示注入触发。目前补丁已发布,建议立即更新至1.2.5或0.3.81版本。
北京大学研究团队提出NExT-Vid方法,首次将自回归下一帧预测引入视频AI预训练。通过创新的上下文隔离设计和流匹配解码器,让机器像人类一样预测视频下一帧来学习理解视频内容。该方法在四个标准数据集上全面超越现有生成式预训练方法,为视频推荐、智能监控、医疗诊断等应用提供了新的技术基础。