今日,以“共越周期,聚力绽放”为主题的2023年联想集团全球供应商大会在天津召开,这是疫情后与供应商伙伴的首次线下聚会。来自全球各地的1000多家供应商齐聚一堂,共同回顾了疫情三年风雨同舟的经历,并分享交流了在当下复杂多变的全球环境下,如何行之有效地提升整体供应链韧性、共同践行ESG等经验。
过去三年,联想集团与全球供应商伙伴们一起,克服了疫情、零部件短缺、物流波动等多重挑战,通力合作,高质量地服务了全球客户。未来,将在目前成果基础上持续突破,以更大的力度投入研发和创新,迎接下一阶段的加速发展。
与此同时,全民居家办公、学习、娱乐的“新常态”带动了个人电脑等智能终端需求攀升和全民信息消费升级,也使得混合办公模式和电子商务在企业运营发展方面变得愈发不可或缺,加速了企业对IT基础设施和服务的投资。
“我们敏锐捕捉到这一市场变化和行业风口,率先出击,加强协作,展现了强大的韧性,并成功将这次危机转化为我们共同的增长机会”,杨元庆表示。从三年前的3500亿人民币规模发展到21/22财年的4600亿人民币,净利润飙升近三倍,市场估值也增加了一倍多。
联想集团董事长兼首席执行官杨元庆
联想集团秉持3S战略,持续推动从设备/硬件厂商到解决方案和服务提供商的转型。第三财季,联想集团40%以上的收入来自非个人电脑业务,这是这一转型道路上的重要里程碑:基础设施解决方案业务已全面转变为联想集团的高增长引擎,让联想集团成长为全球第三大服务器提供商和第五大存储设备厂商;方案服务业务则继续保持营收利润高增长势头,实现了收入结构的质变;智能手机业务大幅增长,盈利稳定;且稳居全球个人电脑市场第一,处于行业领先。
与此同时,联想集团通过强化全球供应链卓越运营,正在走出一条跑赢周期的赛道。
2022年,联想集团凭借其供应链的韧性、数字化、可持续和以客户为中心的优势,在Gartner的全球供应链25强榜单中排名第9位,成为亚太地区唯一一家上榜的高科技制造企业。基于此,联想集团不断深化探索“供应链即服务”。
“这些成果背后的关键之一在于与合作伙伴端到端的卓越运营,充分发挥‘全球资源,本地交付’模式的优势,持续加强全球制造的布局。”杨元庆认为,建造的工厂越多,我们为供应商创造的增长机会就越多,我们对数字化、智能化转型就越有信心。尽管全球经济面临种种挑战,但这种信心依然坚定。
在本次大会召开的地点天津,联想集团这里建设了ICT行业首家“零碳工厂”——联想集团(天津)智慧创新服务产业园,其中有4条产线在今年年初实现正式量产。目前,联想集团分别在天津、深圳和布达佩斯增加了三个生产基地。近期规模投产的南方智能制造基地,与去年全面投产的联想集团(天津)智慧创新服务产业园,以及原有的武汉、合肥、重庆等制造基地,共同构建起联想集团“东西南北中”的智能制造全方位布局。
其中,联想集团合肥产业基地是目前全球最大的智能计算设备研发和制造“灯塔工厂”。而匈牙利工厂则成为联想集团海外最大的制造工厂之一,也是欧洲首个自有生产基地,其最初四条产线是以联想集团南方智能制造基地同类产线为母本设计制造的。
“我们已经和供应商伙伴们在各个业务领域进行深入合作,推进创新转化,如果我们想跑赢周期,我们需要一起采取主动,缓解风险,为下一轮市场增长做好准备”,杨元庆表示。“未来,我们将一同拉动多元化增长引擎,让想法落地,让创新飞跃。”
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。