天下武功,唯快不破。在武侠世界,有很多例子都可以佐证这门武术学问,比如东方不败的花针、李寻欢的飞刀、段誉的凌波微步,这些武功招式都不算复杂,但因为极致的速度,常常可以一招克敌。
在商业场上,这种“快”功夫一直是高手之间过招的常用招式,甚至,在市场更迭变化越来越快的当下,有时它会直接关乎企业生存。比如,面对突发疫情中的全民“蜗居”,线下实体能不能快速转做线上外卖,线上体验与服务能否迅速跟上,员工如何远程复工,系统应用是否就绪……这一堆问题,需要企业在很短的时间内做出反应,而那些反射弧比较长的,很多都没有扛过那个“寒冬”。
但“快”的前提是,要有预判。比如《功夫》电影中的火云邪神可以徒手接子弹,这靠的绝不仅仅是速度而已,而是“快、准、狠”,在子弹从枪口发出的那一刻,他就已经预判了它的轨迹。
同样的道理,企业想快速对市场的变化做出响应,也要有预判能力。这样的能力,来自于对客户需求的掌握和预测。现如今,企业纷纷进行数字化转型,一方面是要由内往外看,通过数字化的手段实时掌握客户的实际需求及其走势;另一方面是要由外向内,推动自身业务的创新,反过来再更好地服务于客户。
以制造业为例,C2M便是其中一种能够让企业及其客户双方获益的模式。它是在“工业互联网”背景下产生的,被称为是产业互联网时代的新型“短路经济”。它强调的是制造业与消费者的连接,由用户反向驱动生产。制造业基于互联网、大数据、人工智能,以及通过生产线的自动化、定制化、节能化、柔性化 ,运用庞大的计算机系统随时进行数据交换,按照客户的产品订单要求,设定供应商和生产工序,最终生产出个性化产品。
对于制造业来说,可以从订单中直接获取消费者需求,并且由于短路掉了库存、物流、总销、分销等中间环节,强调柔性快反,还可以大幅提高生产效率,降低其中的不必要成本;对于消费者来说,则可以以超低价格,购买到自己所需的产品。
但是,想要从传统模式到C2M,并不是简单的模式转变,其中涉及了业务逻辑的重塑,底层技术的支持,以及生态价值链的重新布局。对于企业而言,在这一场声势浩大的数字化变革中,必须要知其本质,究其逻辑,方能顺其势而上。所以,在本期《数字化转型方略》的“数据故事”栏目中,我们通过《C2M,一场价值链的博弈,一场数字化的变革》这篇文章,对C2M从概念到模式,从技术到案例进行了深度剖析,一方面对其发展现状进行了客观解读,另一方面当然也对其未来前景充满期待。
与此同时,我们也发现,在追求极致的“快”这件事上,技术一直是其中的中坚力量。比如在“数据故事”的另一篇文章中,老牌药企扬子江药业,就通过自动化技术实现了内部流程效率的大幅提升。以员工的入职流程为例:在项目上线之前,一个新人从拿到Offer到入职报到,再到最终进入工作状态,最快也需要两到三天的时间,有时甚至需要一周才能完成工作分配;而在实现入职流程自动化之后,前期的资料提交、合同审批、薪资确认等工作,后续的宿舍分配、邮箱创建、办公系统权限开通等很多流程,都可以在线上进行自动化处理,这使得员工在入职当天就能迅速进入工作状态,大大提升了入职体验。
聚焦技术本身,再以应用开发为例,先是以容器为代表的云原生,再是低代码、无代码开发,拼的实际上都是速度。所以,在本期杂志的其它几个栏目中,我们对于这两个技术方向也做了解读。
好风凭借力,送我上青云!期待技术之力,能助越来越多的企业迈入数字化新时代!
好文章,需要你的鼓励
Google为其BigQuery数据仓库新增对话式分析功能,允许企业数据团队和业务用户通过自然语言询问数据问题,从而加速AI用例的数据分析。该智能体目前处于预览阶段,可在BigQuery新增的智能体中心找到。此外,Google还推出了构建、部署和管理自定义智能体的工具,通过API端点支持跨应用和运营工作流。这些功能扩展了现有的文本转SQL能力,支持上下文对话分析。
UCL与华为联合研发的MT-GRPO多任务训练方法,解决了AI语言模型在同时学习多种推理技能时的关键难题。该方法通过动态调整任务权重和比例保持采样器,确保AI在各类任务上均衡发展,避免传统方法中强项越强、弱项被忽视的问题,实现最差任务性能提升16-28%,训练效率提高50%。
Anthropic宣布其AI聊天机器人Claude将保持无广告状态,与竞争对手OpenAI形成鲜明对比。后者上月开始在ChatGPT低价版本中测试广告。Anthropic认为在AI对话中插入广告与其打造"真正有用助手"的目标不符,并担心广告会影响助手提供客观建议。OpenAI目前计划在对话旁显示横幅广告,但面临巨大财务压力。Anthropic选择专注于企业合同和付费订阅的商业模式。
BMW Group与奥格斯堡大学联合开发了CAR-bench,这是首个专门评测汽车语音助手在真实环境中表现的基准系统。研究发现,即使是最先进的GPT-5模型,在面对模糊指令和缺失信息时也存在严重的一致性问题,经常编造答案而非承认局限性。该系统包含58种工具和19条安全策略,揭示了当前AI助手从实验室到真实应用之间的巨大鸿沟。