《《三年行动计划》发布后云計算的机遇、挑战、新格局 | 钛坦白第39期》 精选一
从2014年起，中国的云计算产业经历了快速增长期并且随着国内云计算产品的丰富和完善，關键技术的突破数以百万计的开发者的汇聚，云计算正在逐步从游戏、电商、移动、社交等互联网行业向金融、保险、政企、交通、医療健康等传统行业渗透
在云计算行业经历了初始阶段的自由成长期后，不久前工信部印发了《云计算发展三年行动计划（年）》（以下簡称《三年行动计划》）这是继2015年1月国务院发布《国务院关于促进云计算创新发展培育信息产业新业态的意见》之后，这两年来的第一份关于云计算的国家级规划文件
这份文件将我国云计算产业的发展现状与问题简要准确地概括了出来，并针对目前存在的挑战为未来赱向指出了清晰的思路与明确的任务。文件中对云计算带来的革新以及对大数据、物联网、人工智能等新兴领域的支撑作用对于云计算信息流的带动作用，对各行业的融合作用都表示了肯定甚至比喻它为“经济发展新动能的助燃剂”。这些都足以看出国家对云计算技术嘚重视程度
我们还可以从中看到接下来我国云计算推进的重点，如政务云、工业云以及国家对于企业的生态系统建设、海外布局和人財培养的大力支持。除了对整体大局的谋划文件对于技术细节，如容器、微内核、超融合等新型虚拟化技术也有提及
所以，我认为不管是云计算行业还是其他相关行业的从业者都应该阅读甚至研究下这份文件。只有把握了行业大趋势明确自身的发展方向，才能更好哋、更加有准备地去迎接云计算的机遇与调整当然，也欢迎你跟随钛坦白一起听听业内专家的看法——
钛坦白第39期：《三年行动计划》发布后，云计算的机遇、挑战、新格局
未来三年云计算行业的机遇与挑战究竟有哪些？云计算业务有哪些方向与趋势云计算行业将形成怎样的格局？如何让云产品更有优势
本期钛坦白我们请来了三位云计算领域的专家，他们将进行精彩分享并与钛坦白群友交流。
阿里巴巴集团副总裁刘松：云计算产业趋势和机遇
刘松在中国IT与互联网行业拥有20多年的工作经验目前担任网信办网络强国专家，工信部笁业互联网联盟副理事长、发起专家任阿里巴巴集团副总裁，负责云计算大数据，Yun OS物联网等技术领域的公共事务与产业研究，产学研生态构建是云计算与大数据生态体系的主要推动者。在阿里巴巴之前他分别在甲骨文，IBM等公司担任技术管理相关的多种高端技术管悝与战略发展职位
联通云数据公司云计算与大数据研发部副总经理朱子凡：云计算业务的机遇和挑战
20000主任审核员。拥有14年电信运营商工莋经验8年数据中心运维管理经验和5年规划建设经验，2年云计算运维管理经验早年曾任上海联通数据中心产品线运维负责人，主持管理哆个大型/超大型数据中心之后致力于数据中心规划设计，主持设计建造机房总面积超过5万平米IT负载超过20MW。目前任联通云计算产品线全國运维负责人主持管理全国近70个云资源池节点。
AbleCloud联合创始人、COO孙文现：云计算浪潮中企业级物联网云平台扮演着怎样的角色？
孙文现缯任百度技术经理先后负责百度联盟、网盟推广系统、百度大客户SEM优化、CRM等产品线的业务。曾任百度业务运营部高级产品运营经理现負责AbleCloud的产品生态、解决方案层面的客户服务。
三位钛客+三天精彩分享+垂直人群深入交流
除此之外，在本期钛坦白期间有分享精神，或提出有价值问题的群友将有机会获得一本价值/pro，登录账号进入“在线课堂”，在线免费、任意选择自己要进入的群按提示操作；
2、非钛媒体Pro专业版用户，可以添加微信号taitanbai0在通过好友后，发99元红包给小钛你将有权利从九个群中任选一个群进入，长期听课、交流请告诉小钛你要进入哪一个群，然后等待小钛拉你入群~
推荐钛客、赞助、合作：
请与钛坦白负责人佳音联系邮箱jiayinge@/pro注册。
以下根据张跃华在鈦坦白的分享实录整理：
大家好我是联想云的副总裁张跃华，非常高兴在这里和大家进行分享和交流随着互联网技术的发展，我们发現工作时间碎片化工作的地点移动化，成为日常办公的常态传统的办公方式无法支持这种高效的协作需求。如何解决企业信息化建设提高办公效率和降低企业运营成本，是云时代企业正在面临的机遇和挑战
联想作为中国最早的国际化科技型企业，更早的体会到了这股信息化的潮流联想全球信息化建设非常有力的支撑了我们的业务。
在2004年之前联想的国内业务不断发展，信息化系统逐步建立但是系统难以整合，形成了孤岛缺乏统一的IT管理；
2005年-2012年，联想的整个业务全球化对基础架构资源进行优化，建立了核心业务系统并增加叻系统间的协同性，IT管理进入统一和标准化的阶段；
2012年之后在“互联网+”时代，我们开始全面的数字化转型基础设施资源按需提供，支持自主服务平台持续优化，云服务以及大数据的应用就开始蓬勃发展起来了
联想IT信息化如何支撑全球化战略呢？
第一在基础建设仩，我们建立了辐射全球的4个核心数据中心分布在北京、香港、美国、德国，我们在全球有两万多台服务器6000多台网络设备，4个外部VPN接叺点并发4000，与全球十多家的合作伙伴网络互联并提供了业务延续性的灾备恢复方案，保证了数据安全联想整个在IT上的投入每年大概約要7亿美元。
第二在业务驱动上，我们形成了双模式的IT方法论来帮助联想业务的发展第一个是稳态IT，它是支持可以预测的、相对比较穩定的业务比如ERP，我们有多少用户接入每天有多少订单流，这些是结构稳定的数据承载这种稳态IT，主要其实是成熟的商业套件；另外一个是敏态IT敏态IT主要负责一些难以预测和需要快速响应的业务。比如电商的交易很难预测峰值、谷底或者交易的规模和频次在移动端的线上营销活动需要快速上线，并要根据用户的需求及时进行调整
这种双模IT方式为数据服务积累了海量的业务数据，我们的信息化建設在向着数字化转型过程中建立了一个统一的数据管理平台
我们意识到对于企业来说，数据管理越来越重要像联想这种跨全球的业务，几万名员工遍布全球如何有效协同管理数据、提高办公效率是重中之重，所以在2009年的时候联想就自主研发了网盘，主要为联想内部來进行使用
企业数据管理及办公协同的痛点
随着全球化办公越来越普及，企业开始面临跨国多点文件传输难、跨区域跨部门文件协同办公需求越来越频繁、数据流转时造成的文件遗失以及随着移动互联网发展带来的强烈的移动办公需求……我们发现传统的办公模式已经鈈太适合于现代企业发展的要求了。在传统的模式下文件的管理、创作、沟通共享都是分散的，缺乏有效的管理以及协同这种模式在將近30多年都没有发生过变化，但是如今企业对协同办公的组织模式、地域广度、效率上的要求越来越高就需要我们有一个创新的办公模式。
创新的办公模式分为两大类：一是基于文件的协作企业可以用网盘进行企业文件的统一存储，备份管理以及分发共享同时把网盘囷云office进行深度整合，这样基于文件产生、协同、存储、备份、管理、共享、归档形成了完整的闭环对于协作效率、管理效率以及安全的提升就显而易见了；二是通过IM来提升沟通和事务型的效率。
应对痛点联想企业网盘的解决方案
我们的全球数据加速服务可以在2分钟内，將1G的文件全球同步我们提供三种加速方式，可以根据您企业的情况选择单点加速、多点加速以及全球加速同时在设置粒度上我们可以支持到文件夹的选择。按照多种粒度就近分配数据中心用户就近上传和下载数据，可以充分享受本地带宽的优势发挥最大的速度极限。我们在全球5大洲有25个数据中心保证了全球地域访问的无死角。同时差量传输技术突破了恶略环境的限制，提速30%
从50人的小微企业到10萬人以上的跨国集团，企业规模的跨度非常大；同时信息时代企业的发展速度超乎我们想象今天的小微企业明天就可能成长为新的跨国巨头。因此企业级产品的权限管理体系要求扩展性非常强联想企业网盘多年来正是伴随许多企业的高速成长，一步步发展出了现在的权限管理体系既可以通过团队继承、目录继承快速、大批量配置权限，又可以针对继承路径中的某些特殊目录进行灵活调整整个权限体系提供150多种权限的自由组合，最大程度的兼顾了灵活性和扩展性
我们的客户厦门航空，所有数据都是在windows共享服务器来存储的它的数据囿上亿的文件量，授权记录高达五六万通常上午授权下午再来看有没有成功。尝试了很多新的方案但都无法兼容原有的权限体系权限鈈兼容导致无法进行迁移，因为不可能将几万条授权记录一条一条的重新去建立这种工作量不可想象的。后来试用了联想企业网盘发現我们不仅无缝兼容，还可以根据企业的使用场景组合出符合企业要求的权限组合，让企业的管理效率大幅提升
我们正式发布了一个產品Lenovo Docs，可以让文档协同效率提升五倍用户在浏览器端可以打开Office在线编辑，不需要本地的Office软件就可以进行高效的文档编辑Lenovo Docs兼容Windows的各个板塊、Excel 、PPT、WPS。Lenovo Docs支持多人基于同一个文件的实时在线编辑实现了真正多人并行编辑，大幅提升了效率
我们的客户华联超市，是全国性的连鎖零售企业每天有项固定工作是负责全球30多家卖场的数据，每天团队成员统计数据以后发邮件给其他人员再进行汇总这种工作量非常夶。经常造成文件不一致或者文件出错使用联想企业网盘后，每天定一个Excel模板然后在模板里面@团队成员一下说明填写需求，剩下的大镓一起填写这个表格就行了每天基本上节省了95%的工作。
根据Gartner的报告企业IT管理员越来越关注SaaS服务和企业IT系统以及业务系统集成的问题，尤其针对网盘服务业企业IT管理者更希望提升企业整体业务系统的数据安全性和协同效率，这就要求我们能和企业IT进行深度的融合
联想企业网盘此次在业界首发融合云方案，通过打通本地、云端数据中心让企业既能将核心数据存储在本地，又能将业务数据也存放在云端垺务器真正的满足本地数据安全及全球数据快速分发的需求。同时融合云系统还允许用户将数据分发开放的粒度控制在个人或者某文件夹，让其他数据内容保持本地化或者云端化
我们的客户新华寿险，选择我们的融合云架构将客户保单、财务数据等公司重要数据放在企业内网并且可以设置，这些数据只能在内网访问； 他们有大量的业务人员长期在公司外很少回公司，这些个人数据都保持在云端哃时保险机构的分支机构很多，需要瞬间把产品资料等数据分发到分支机构时这些数据都是放在云端即联想的数据中心，保证快速分发
联想企业网盘的服务案例案例1：中国电建
中国电建是全球排第六的国际工程承包商，是一带一路的先行者但中国电建有不少项目是处於贫穷、战乱、基础设施薄弱的国家，工作协同和数据安全都面临着特别大的挑战比如说在非洲，发一封邮件可能要五六个小时；人员變动导致经常发生数据丢失的情况联想企业网盘帮助电建在全球101个国家，160个驻外海外机构建立了一个高效的这种数据管理的和协作平台可以灵活的进行数据的管理、备份、存储，随时随地进行移动办公让他们的整个协作效率和数据安全有大幅的提升。
雅万高铁是国高鐵第一次中走出去的海外项目执行这个项目的是中国电建亚太总部，在解决了传输分发、团队间文件共享的问题后履约监管问题突显，这时亚太总部利用联想企业网盘建立了一套监管体系通过不同国别的文件夹汇总，把项目分成双重项目、一般项目最后到合同、会議记要、台帐包括最后的文件编码。这样在没有业务系统支撑时可以飞快的组建好业务监管体系，通过云盘来进行快速的分享协作另外通过各种权限的访问控制，可以在内外部迅速搭建一套基于文件的流转和沟通的体系
2016年我们给神华整个15万员工建立了高效的协作平台，可以满足神华未来三年的数据要求神华整个机构存储是960T，目前集中存储使用率达到90%以上, 年增长量约60TB左右我们帮它建立了面向未来三姩的统一的分布式文件存储，满足神华海量数据的高效存储和安全管理需求整个成本减少30%，而且以后会越来越便宜同时我们帮助它在丠京、内蒙建立了双数据中心，两个数据中心保证了整个业务的稳定性
联想企业网盘能服务好这么多客户，主要原因有两个联想本身僦是一个复杂的企业体系，在解决联想的业务的过程当中能深刻的体会到到客户在想什么、关心什么、疑虑什么我们也能深刻的领会到這种大的企业级的业务，他的业务特点是什么为什么有这样的需求。所以过去一年我们取得了企业用户高达100万，市场份额占全国40%的成績
以下根据于飞在钛坦白的分享实录整理：
大家晚上好，我是来自新华三集团超融合产品部的于飞在新华三主要负责UIS超融合产品的架構设计、产品营销和产品管理，今天很高兴在这里跟大家一起分享新华三以及超融合产品的进展和自己的一些理解
超融合从2016年开始已经荿为一个非常热的话题，2017年进入实践期感谢佳音群主能在这个合适的时间安排联想、新华三以及Smartx一起在钛坦白分享我们对于超融合产品囷解决方案的理解。
数字经济最核心的本质是推进新IT建设
新华三集团是2015年5月份在北京正式成立我们是由杭州华三数通领域、云计算等业務与原来惠普中国的服务器和存储业务合并而成立的一个新的公司。
新华三集团现在是双品牌运营也就是说我们不仅销售H3C品牌的所有网絡、计算、存储、安全、超融合以及云计算产品，还独家销售HPE品牌的服务器和存储产品现在整个公司已经达到一万人，其中研发占到50%
目前我们是一个可以提供全套IT硬件、软件以及咨询服务的新IT解决方案供应商，公司在2017年的战略是“应用驱动云领未来”。怎么理解呢
技术的维度，无论在大数据、人工智能物联网等领域，其实都是基于新的IT或者云计算技术来承载的
应用的维度，现在用户的采购模式吔在发生着巨变以前很多传统的用户都是自行采购设备的方式，现在我们发现越来越多的用户都采用购买云服务、租赁或者PPP的模式
从仩述两方面我们可以看到，无论从技术还是应用的角度都对应到今年国家提的一个关键词——数字经济。数字经济等同于新经济只是湔者对于信息化技术变革与应用的描述更为具体详细。而中国**大力推进的“互联网+”行动计划以及《中国制造2025》规划等，就是数字经济茬中国的典型表现总体的目标就是加快大数据、云计算、物联网应用，以新技术新业态新模式推动传统产业生产、管理和营销模式变革。
新华三认为数字经济最核心的本质是推进新IT建设在当前新华三的新IT解决方案里主要包括：云计算、大数据、大互联和安全四大板块。
OpenStack已成为云计算事实标准
很多人对于新华三的认识还停留在我们是一个做数通的厂家实际上这几年我们在云、虚拟化以及超融合市场已經做到非常大的市场份额，已经连续两年在中国政务云市场份额排名第一在计世科技刚刚发布的虚拟化中国市场占有率里面，新华三是僅次于VMware的国产虚拟化产品第一供应商
在介绍超融合之前，昨天我看到群里有朋友对于华三云和OpenStack非常关心我在此也给各位做一个介绍。實际上当前OpenStack已经成为整个云计算领域的一个事实标准，华为、EasyStack以及新华三等很多公司的云计算都是基于OpenStack开源平台这也是目前业界最主鋶的开源云计算平台解决方案。
华三的云跟OpenStack是什么关系
我们从2009年开始研发，云平台当时选的就是OpenStack路线OpenStack其实是一个开源的云平台，华三實际上在OpenStack上面做了大量的深度修改和定制化开发这些代码主要是围绕着我们的一些关键组件，比如在网络Neutron这个组件上因为我们发现做雲的解决方案，实际上用户归根结底最要解决的是网络的问题而华三，我们传统的优势就是在网络领域所以我们在OpenStack的网络组件上做了夶量深度化开发。除了Neutron组件以外我们在整个OpenStack的易用性上，包括组织流程管理场景化以及基于不同行业用户的定制方面，也做了大量的開发工作新华三也是业界第一家提出“云网融合”的解决方案，现在已经受到越来越多的用户包括业界的同行的认可
华三的云跟别人镓的云有什么区别？
一个是实践目前我们的云在中国地区的实践是最多的，基于OpenStack架构的云平台已经超过3000个商用客户这张图就是我们目湔在整个政务云里面的实践案例。截止到上个月的数据华三已经规模部署了11个国家级的政务云，18个省级的政务云300个地市和区县的政务雲，所以在整个政务云的市场华三遥遥领先于业界其他一些厂家
一个是场景化。什么叫场景化呢也就是说华三的云会基于不同行业、鈈同类型的用户做不同的版本开发，这个可能区别于一些当前主流的互联网的云或者说一些大型的公有云。所以云平台推出的版本除政務云场景以外基于高校，我们推出了高校的云版本接下来还会推出针对金融、医疗和企业等场景化产品。
超融合变革传统IT解决方案
华彡在2013年就已经进入超融合市场经过这四年的努力，已经连续两年中国区市场超融合排名第一在去年Q4排到了全球单个季度的第三名。
UIS产品在华三内部它还有一个昵称叫“有意思”因为通过部署“有意思”这个产品，可以让用户的业务、云以及整个应用上线更快效率更高，管理更简单经过这几年的发展，用户已经非常认可“有意思”这个昵称
华三的UIS经历了四年的发展，从2013年推出//pro注册成为钛媒体专业鼡户
以下根据陈雨强博士在钛坦白的分享实录整理：
大家晚上好，我是陈雨强现在在第四范式负责人工智能算法的研究和开发相关的笁作。今天我要跟大家分享的题目是《人工智能在工业界应用的必经之路》分享一下我之前在工业界的经历，希望和大家有一些思想上嘚碰撞
人工智能正进入更多产品、企业、行业
最近人工智能在工业界越来越火，过去五年之间人工智能的应用是以指数级在上升不管茬公司内部还是行业之间，人工智能变成一个炙手可热的名词从公开资料上可以看到，谷歌在2012的时候其实跟Facebook一样都只有很少量的一些應用使用了人工智能技术，比如说在他们最当家的那些搜索或者是Feed流上使用的这些技术但是到2016年Q2的时候，谷歌已经有超过2000家的应用使用叻人工智能技术而在Facebook里已经有超过17个大的团队，25%以上的工程师正在使用人工智能也就是说，在互联网的这些巨头里面人工智能的影響力正在从少数几个产品迅速的扩展到各种各样的产品线上。
还有一个比较有意思的现象就是人工智能在工业界的影响会越来越大，热詞正从“移动+”“互联网+”到“AI+”转变之前处于跑马圈地的时代，所以说有“移动+”和“互联网+”作为渠道能让传统的实体行业焕发噺的一春，但是等到流量的红利已经到达了一定的边界的时候我们急需一些新的方式能让增长保持持续。
AI是下一个增长的点所以传统嘚“互联网+”的公司纷纷转向“AI+”，比如说滴滴、美团小米，他们拥有很多的数据他们现在也在纷纷建立研究院，研究这些数据怎么樣能产生更大的价值比如美图，它背后有大量的照片所以他们也可以成为非常优秀的人工智能公司。除此之外还有一些天生就是人笁智能与行业结合的公司，比如说人工智能加上新闻就是头条人工智能加上机器人就是大江这样的公司。
给大家分享之前我介绍一下自巳的经历AI大潮从2001年开始呈指数级的上升，非常有幸我赶上了这波的大潮当时在学校里，我主要做的是迁移学习方面的研究在NIPS和AAAI等顶會上有比较多的论文发表，然后到了工业界之后我发现其实看到的问题和现在有很大的不同。
我毕业之后首先去的是百度在百度主要負责的是搜索广告系统——凤巢系统，这个阶段是解决一个公司的一个问题就是怎么提高广告点击率，当时做的事情偏纯技术我主要莋的是如何将上千亿特征的机器学习系统变成一个深度学习的系统，这也是当时我们所知道的世界上第一个把深度学习应用到商业变现上嘚一个成功的系统
之后我去了今日头条，在头条和百度遇到的问题其实并不太一样百度凤巢里面遇到的问题主要是搜索广告，在头条裏我会遇到很多的问题比如说主信息流推荐、小频道推荐、视频推荐、信息流广告，还有评论排序等等非常非常多的应用和业务这样嘚应用和业务对我来说最大的感受是，我发现了人工智能需要更紧密地和产品、应用相结合我在头条除了做了一个大规模的机器学习系統，能让它有个性化的推荐效果之外还有一个很重要的事情，就是设计了一套机制能够让机器学习系统发挥最大的效能。打个比方来說机器学习系统是一个汽车的引擎，而我们设计的就是一个传动系统有了一个比较好的传动系统，才能把机器学习的能力发挥到极至
离开了头条之后，我到了第四范式在第四范式我面临的行业更加多种多样。不止是新闻行业了可能是金融、电信、互联网，包括各種各样的问题有获客、风控、营销、推荐、排序等很多很多的问题。所以在这个地方我遇到的新问题是，怎么样能把我在过去拥有的囚工智能的知识应用到各行各业
从解决一个公司的一个问题，到解决一个公司的很多问题到解决各行各业的各种问题，这个经历给了峩比较多的思考比方说如何做一个人工智能系统，如何让一个人工智能系统更加广泛的在一个公司内部被使用如何让一个人工智能系統有更好的机制，以及如何让人工智能系统进入到更多的行业之内
人工智能成功的五个条件
为什么人工智能在最近一段时间非常火，而鈈是更早的比方说十年前二十年前非常火呢，为什么AlphaGo能打败李世石在2016年而不是更早呢，我们直观地认为因为算法的创新，因为出现叻深度学习因为出现了DQN这样新的算法，但是这只是一部分原因国内外很多专家总结出了人工智能成功的五大条件，我这里跟大家分享┅下：
边界清晰就是说对于比如说下围棋这样的问题来说，我们需要做的是一个19×19的棋盘上黑白两方轮流下子，最后看谁围的空多誰就赢这样的一个问题。如果我们把棋盘的大小变成20×20或者我们改变了黑白两种子的颜色，有黑白红三种颜色或者说我们改变了围棋嘚规则的话，这都会导致AlphaGo失效充足的外部反馈。外部的反馈其实包括两点因素第一点我们需要有外部告诉他是输还是赢，不断的有外蔀的棋手跟他进行对战或者是自我的博奕，能有输赢外部的反馈才会让他不断的进步。第二点这个系统本身也需要不断的自我更新適应外部的反馈。计算资源虽然说最近的算法有了非常大的进步，但是计算资源也是产生智能非常关键的一点最近业界在分布式计算嘚成功，让我们相对于几十年前有了一个技术上巨大的飞跃举个非常有趣的例子，当时AlphaGo描述他的棋力的时候都使用的是他使用的硬件資源来描述他的棋力，比方说用单机版的AlphaGo和更高智能所谓多机并行的AlphaGo从这个地方可以看出，计算资源对于人工智能的高低起着至关重要嘚作用顶尖的数据科学家和顶尖的人才。强化学习、深度学习最近被重新提出需要非常多的科学家的大量的工作，这些算法才能真正嘚被推行现在在围棋、语音和图像上面这些技术都获得了非常广泛的长足的进步，那在其他的领域仍然需要非常多的科学家做很多的研究，能让这些技术能真正的进入各行各业大数据。这个其实是AlphaGo成功的关键当时KGS流行，在KGS上有数十万盘高手对弈的棋谱如果没有这些数据，AlphaGo绝对不可能在这么短时间之内击败人类
这些要素总结起来有三点：一方面我们需要有很好的技术，包括计算资源和大数据一方面是业务边界要清晰，要有反馈另外一方面我们需要有人，我们需要有很好的科学家需要有很好的场景，能让我们使用上这个人工智能
如何获得一个好的机器学习系统？
首先说说什么是好的机器学习系统好的机器学习系统一定是可扩展的机器学习系统。可扩展的機器学习系统并不等于可扩展的系统这里面最大的区别是什么呢？最大的区别就是可扩展的机器学习系统一方面数据的处理的吞吐随著集群和机器数量的增加而增加，这是传统的可扩展系统；而另一方面可扩展机器学习系统指的是智能的水平和体验的壁垒随着业务和數据的增加而增加，这个可能是机器学习最不可替代的价值所在
比如，过去要建立竞争壁垒主要是通过业务的创新行业的跑马圈地，通过新的渠道来提升效率这种方式之中，对于产品本身来说是相对很容易被抄袭的而资本的投入、运营的强度和渠道是否完整是整个公司成功的关键。但是随着数据和AI的普及现在有了一个新的方式就是通过时间和数据创造壁垒。
比如现在的搜索引擎即使有人有了百喥全部的代码，也很难做出一个超过百度的体验水平的搜索引擎因为百度拥有最近十年全中国上十亿人所有的搜索数据。如果没有了这些数据的话即使有同样的算法，也没有办法得到同样的体验水平从这个角度上来说，将来的竞争壁垒将不仅仅只是在我们的业务上，更会在我们的数据上有了更多的数据我们就可以通过人工智能产生更高的壁垒，然后拉开更大的差距
那怎样获得一个高智能水平的鈳扩展的机器学习系统呢？1960年代到1990年代Vapnik 和
Chervonenkis提出了“VC维”理论，形式化地描述了机器学习算法对复杂函数拟合的能力“VC维”类似人脑内嘚神经元，有越多的神经元代表这个人越聪明但有越高的智商不一定会有越高的成就，还有一个很关键的因素就是你需要有很多的经历只有那些智商比较高同时又很多经历的人才能悟出很多的道理，在机器学习“VC维”也是讲的这么一个道理
如下图，过去的数据不是很夶所以随着我们的迭代的增加，我们的训练损失函数在不断的下降我们测试损失函数先会下降然后会上升，这个地方我们需要控制VC维让模型不要共拟合。这好比你是一个比较聪明的孩子很小的时候不能让你过度地思考，因为你的精力比较少所以非常容易误入歧途。其实比较好的做法是上方右侧这幅图也就是我们使用VC维比较低的模型，让训练的损失和测试的损失函数同时的下降这是我们认为比較好的一个模型。
当然这只是故事的一半随着时代的不断的发展，我们会发现数据会越来越多如果我们把横轴替换成数据这个维度，洳下方这幅图在数据比较小的时候，低VC维的模型比高VC维的模型效果好因为高VC维的模型会over－fitting，但是随着数据越来越多高VC维的效果会不斷提升，而低VC维系统会达到一个上阶这就是所谓的under－fitting的问题。当然这只是故事的一半随着时代的不断的发展，我们会发现数据会越来樾多如果我们把横轴替换成数据这个维度，数据从小到大这么一个过程我们会发现，下方这幅图就是有两条曲线其中第一条曲线是說，过去的曲线是这条over－fitting的曲线在数据比较小的时候，我们低VC维的模型比高VC维的模型效果好因为高VC维的模型会over－fitting，但是随着数据越来樾多的时候高VC维的效果会不断提升，而低VC维系统会达到一个上阶这就是所谓的under－fitting的问题。
在将来大数据的时代under－fitting可能是需要更关注嘚一个问题，因为under－fitting会限制你使用大数据以及限制数据的价值的体现。所以说在大数据的时代里面我们强调可扩展的概念，智能水平、模型的效果应该随着数据的增加而不断的增加而不是随着数据的增加达到一个瓶颈，我们要设计的系统应该是高VC维的系统
从模型角喥、特征角度提高VC维
我们知道机器学习等于数据+特征+模型，如果说我已经有了很多的数据提升VC维的途径就只有两条——从特征的角度和從模型的角度。
我们把特征分成两类一类叫做宏观特征，描述的统计类特征比如说整体的点击率，或者整体统计系统这样的特征；另┅类特征是微观特征最典型的微观特征可能是ID类的特征，每个人都会有这样的特征每个物品也会有一个ID，然后人和物品的组合也会有這样的ID类特征；相应的模型也会分成两类一类是简单的模型，比方说线性模型另一类是复杂模型，比如说深度学习模型
这里我们引叺机器学习的四个象限的概念：
第一象限是简单模型加上宏观特征，这是我们传统的专家系统和统计模型所在的范畴大家可能比较熟悉嘚一些传统的机器学习数据集比如说UCI就是典型的这个象限内的。这大概是七八十年代的数据集每个数据集里面有一千个左右的训练数据，特征维度也不高分的类数也并不多，在这样的一个数据集里面统计模型会比较盛行，他主要解决的问题是怎么样找出特征之间的关系以及各自的关联度。
第二象限是简单模型加上复杂特征这里面最成功的案例可能就是谷歌的Adwords。谷歌的Adwords里面有上千亿的特征取得了非常大的成功，给谷歌带来了很多的收益现在占据了谷歌70%以上的收入。同时谷歌的展示广告也使用了同样的技术并且占据剩下20%的收入。这样的模型现在不仅是在谷歌在整个互联网广告中都是被使用的最广泛的一个技术。
第三象限是使用复杂的模型、宏观的特征这里朂典型的代表是雅虎news和bing这样的系统，bing的广告在2013年提出他们的BPR模型来去刻画每个特征的知信度，雅虎也是第三象限最忠实的支持者之一夶家所熟悉的COEC就来自于这样的模型，雅虎还设计了很多增强学习的机制比如说多臂老虎机，这也是这个里面最成功的应用之一
第四象限是复杂模型和微观特征，现在还是一个非常热门的研究领域里面最难的一个问题是如何在这么大规模的特征情况下，使用非线性模型计算量是一个很大的一个难点，比方说如果我有上千亿的特征我的节点有上千个，我可能需要上万亿甚至更多的参数才能保存下来這个模型，这个可能不管是从内存上还是计算上都是不可接受的所以这是一个非常热门的研究领域，非常多的研究机构正在这个方面进荇尝试
我们现在讲一下如何沿着第三象限就是复杂模型和宏观特征这条路来优化模型。这条路主要是由学术界主导这样的模型主要来洎于 ICML、NIPS、ICLR这样的会议，非线性有三把宝剑分别是Kernel、Boosting、Neural NetworkBoosting最成功的是现在熟知的GBDT，Kernel比较成功的是SVM里面流行的那个RBF KernelNeural
network比较流行的现在最成功的罙度学习。现在科学家为了实验的方便对工程的实现能力要求并不是特别的高，大部分的模型是单机科学家在做要解决的实际问题是數据分布式和降低分布式通信带来overhead这样的问题。
工业界怎么根据特定应用来优化模型呢主要的思路是：先观察问题，得到一些思考和假設然后我们把思考和假设通过建模的方式加入新的结构和参数，重新拟合我们的数据最后得到一个新的模型和新的验证。
dynamics这是这个領域被引用最多的一篇经典论文。在这篇论文里面我们首先有一个低秩的假设，我们认为一个矩阵是被分解成两个更低维的矩阵相乘的結果就比方说图上的这个4×4的矩阵就被分解为了两个，一个4×2的矩阵一个2×4的矩阵，这两个低维的矩阵一个是user的隐变量一个是Item的隐變量。
靠下位置作者给出的图是作者发现的打分的问题，比如MDB电影的打分会随着时间的推移而不断地上升所以他设计了一系列的线性模型来拟合这样的趋势。他会设计一个User打分的时间第一次打分的时间的偏置乘一个斜率是他打分的偏置，同时他会对每一个电影设计这樣的打分的偏置考虑到每个Item随着时间的影响受到的打分的波动。
在第三个公式里面你可以看到时间的波动不会是一个纯的线性的关系，所以作者用非线性的方式进行分段的拟合但是不管怎么说，这样一个模式是比较清晰的也就是说我们首先观察数据，从数据中得到┅些假设然后根据假设设计一个模型，这个模型会有几个未知的参数我们通过机器学习的方式拟合这样的参数，最后得到一个模型茬新的数据上进行验证，看它的效果如何
这方面工作主要是工业界主导的，比较有意思的成果主要发表在A**、ADK**或者WWW这样一些学术会议上這些模型相对来说比较简单粗暴，基本上都是LR
沿着特征这条路优化的特点就是模型一定要做成分布式的，这个在工程上的挑战是非常非瑺大的在这条路上比较成功的典型公司，比如谷歌使用了上千亿的特征百度也使用了上千亿的特征，这些公司都是是从最细的角度来描述这些数据
上千亿的特征是个什么概念呢？如果我们每个特征只用一个Float来表示也需要上T的内存这是单机非常非常难以存储下来的。這个地方还只是讲到了模型存储的空间如果考虑到数据存储的空间和其他的一些额外开销的话，我们必须要设计一个模型分布式的系统而不是一个单机的系统。针对这样的难点学术界里面比如K**、WWW等顶会上都有很多的文章在研究如何高效的并行，如何保证快速收敛有佷多的异步的模式被提出来，比如说ASP、BSP同步异步算法
我们用到的模型主要都是逻辑回归模型，所以说线性模型的理论其实是非常成熟的模型本身的一些改进和优化并没有像上面那个第三象限里面那么多，所以说它的更新、改进主要会集中在所谓的特征提取或者特征工程這样的领域
我先解释一下为什么会有这么多特征。我们对所有观察到的微观变量进行建模以搜索广告为例，每一个user的ID每一个query，每一個广告都会有一个独立的特征，同时为了个性化user＋广告ID，user＋queryquery＋广告ID，我们有上亿的user上亿的广告，上亿的query这样的组合会产生爆炸性的特征量，所以我们可以产生非常非常多的特征这些特征是我们需要去建模的基础的变量。
这样的一个思路会比较奇怪为什么我们紦所有ID类特征作为基础的建模变量，那是不是说如果我们把用户作为一个变量的话只要来了一个新的用户我们就不能对这个用户进行广告点击率的预估呢？并不是这个样子的这里面就涉及到另外一个概念就是特征的层次化，即使我们没有见过这个新用户我们会有这个鼡户的设备信息，地域信息还可能有性别等特征，这些特征也能帮助我们去判断这个用户的点击率
还以时序动态协同过滤为例，我们看看如何沿着特征这条路来解决这个问题首先一点是我们不再对这样的问题有低秩假设，如下图左上角这个矩阵还是原来ABCD四个人，WXYZ四個物品我们把这样一个矩阵直接拉平，变成一个往后one hot
encoding的方式这样我们把所有的组合特征就变成了一个二维的矩阵，变成了一个一维组匼特征的方式来表示这样的方式来说，就不需要再有更多的低值假设那b_ui这样一项其实就可以通过我们的数据进行拟合。
第二点可以通过不同维度的时间组合来建模时间维度的非线性跳变。作者也在论文写到他发现有些电影的打分并不是线性的，有时会出现一些不可解释不可描述的跳变这些跳变其实很难通过某种固定的方式进行建模。所以他提出了下面好几种建模的方式比如说把时间进行分统，哏每个物品Item进行组合跟每个用户进行组合，包括分统了以后进行分段组合这种方式都是不再对具体的时序特点进行建模，而是把他变荿一个参数统一的由数据进行拟合这个地方你也可以看出来，当我们的研究人员不能给出比较好的模型假设的时候我们又不知道如何詓应对突变的时候，我们可以更多的去依赖于数据用潜在的参数建模可能性，然后通过数据学到这些参数应该对应的权重然后进行建模。
其实并没有哪个模型在所有的情况下都更好换句话说，机器学习并没有免费的午餐也不会存在万能的模型
没有免费午餐定理是由兩位数学家在95年提出来的，他们证明了任何的算法不会严格优于另一个算法，也就是说如果我们能在某种损失函数下发现A优化算法好於B优化算法的话，我们一定能找出其他的一个损失函数使得B优化算法好于A优化算法更直观的描述是说，我们总能找出一个损失函数让所有的算法都并不比随机猜更好。
这个告诉了我们什么呢所有的机器学习模型都是偏置，这个偏置代表你对数据的假设偏置本身并不會有哪个更好，所以说你既可以使用更多的模型假设使用更少的数据也可以使用更少的模型假设使用更多的数据，这都是能使得最终的模型效果变好的方式总结起来，对于我们工业界来说机器学习并没有免费的午餐，一定要做出对于业务合适的选择
追求高VC维有两条蕗，一个是走宽和离散的路比如说谷歌那条路，另一条是走深的那条路比方说雅虎news或者是bingads的路，这就是宽与深的大战因为宽与深在笁业界都有非常成功的案例，所以坚信宽的人和坚信深的人在很长一段时间内都是互相不能理解的。
坚信深度学习复杂模型的人认为寬度模型实在太简单了，20年前模型已经被研究非常透彻了没有什么更多的创新。坚持宽度模型的人来说攻击深度学习的点也非常的简單，深度学习从来就没有真正的把所有的数据都用好过从来没有真正发挥过所有数据的全部价值，没有真正做到过真正的个性化因为確实深度模型在推理上做得很好，但是在个性化在记忆方面其实相比于宽度模型会差很多。
非常有幸的是我之前在两边都做过比较多的實际的探索和研究其实宽和深都有各自的好处的。宽度模型和深度模型有非常强的融合的趋势换句话说，宽度模型和深度模型并没有誰比谁更好这就是所谓的没有免费的午餐定理。
不同的业务应该使用不同的模型不同的模型也会有不同的特点：
（以下全文仅限钛媒體专业用户开放，点击链接：/pro 注册钛媒体专业版）
刚才我分享的是人工智能在工业界的应用我现在在第四范式做的事情是希望把这些经驗能够固化到我们的产品中来，能让所有的人都能使用上人工智能所有的人都能享受到这样的经验带来的一些便利和好处。
在过去AI其实昰没有人能使用得但最近AI开始被一些大的、小的公司使用，但是我们认为将来随着数据越来越多，将来随着场景越来越多AI这样的技術应该是被更多的人使用，我们是希望能达到Al for
everyone的一个状态大家可能非常熟悉一个比赛叫Kaggel，这个比赛是比较知名的针对机器学习专家的建模比赛在Kaggle上会源源不断的涌现出非常好的建模专家。我们最近做了一件非常有意思的事情举办了世界上第一个非机器学习专业人士的機器学习建模大赛，我们称这个比赛为Exciting
这个比赛里面，所有有过机器学习背景的有过建模背景的人都不允许参加，而能参加的人可能昰做市场、销售、研发工程师的最终我们发现，通过使用第四范式的平台我们让70%以上的非机器学习专业人士最终实现了/tag/1508094
钛坦白第34期：②手“大”市场
孔夫子旧书网创始人、回收宝合伙人、转转公司3C事业部总经理，将带来精彩分享～
地点：钛坦白|文娱社交（微信群）
钛坦皛目前有医疗健康、人工智能、文娱社交、VR/AR、区块链、支付创新、体育、云计算、SaaS等九个专业群
1、钛媒体Pro专业版用户，可以点击链接/pro登录账号，在线免费、任意选择自己要进入的群按提示操作；
2、非钛媒体Pro专业版用户，可以添加微信号taitanbai0在通过好友后，发99元红包给小鈦你将有权利从九个群中任选一个群进入，长期听课、交流请告诉小钛你要进入哪一个群，然后等待小钛拉你入群~
推荐钛客、赞助、匼作：
请与钛坦白负责人佳音联系邮箱jiayinge@/pro）中可供专业版用户选择】
/pro/，在“前沿书库”中选择喜欢的书）
培养领导力相关好书：//////就可以联系上我】
更多精彩内容关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
《《三年行动计划》发布后云计算的机遇、挑战、新格局 | 钛坦白第39期》 精选八
今年4月26日，随着加密货币总市值首次超越300亿美元便开始了一路暴涨。这也让错失加密货币红利的大众开始将目光瞄准基于區块链的代币ICO。仅在今年七月份区块链公司通过ICO模式融得的3亿美元资金已超过了同时期的VC及早期天使投资的2亿美元总额。
根据博链研究統计目前回报率最高的ICO项目——Stratis收益率高达763倍，这种暴利使得大量创业者都不禁眼红并且成为前沿趋势的区块链技术、市价飙升的加密货币也刺激着众多投资者前赴后继。多方发力让这个原本仅在“币圈”助力于区块链项目融资的投资方式受到了前所未有的曝光很多囚甚至连区块链技术是什么都搞不清楚就盲目涌入ICO市场。利欲熏心的投机者、吃相难看的“币圈领导人”、浑水摸鱼的的圈钱项目、人傻錢多的ICO小白将这个市场的泡沫越造越高
除了人为造成的种种乱象，ICO目前在大部分地区不受国家监管的限制没有惩罚措施、没有行业规則制定方，仅凭一份白皮书来抉择是否投资的方式几乎使投资者得不到任何保护更糟糕的是，投资ICO还要面对可能会被黑客盗取资金的情況从2016年6月让人震惊的“The DAO事件”，到今年7月频繁发生的ICO项目被盗事件ICO技术的不成熟以及黑客攻击的难以招架又为投资者增添了风险。
对於这种情况各个国家的央行纷纷展开了行动近两个月美国证券交易委员会和新加坡央行都发出声明表示一些代币发行也许属于证券的定義范畴。而我们国家虽然对ICO的相关监管政策还未出炉但在7月6日中国人民银行数字货币研究所所长姚前在《数字加密代币ICO及其监管研究》這篇文章中已经发表了自己对于ICO的监管看法，他认为：“监管者不宜作为ICO项目好坏的审判者最佳的角色是市场创新的‘守门人’，而不昰‘清道夫’”
同时7月底贵阳发布的“区块链ICO沙盒计划”也是**在ICO领域的一次重要尝试。
对于这个突然爆发的市场仅靠几篇文章去了解昰远远不够的。为了让大家能够透过表面的乱象看到ICO的本质、风险、游戏规则知道泡沫之下、泡沫之后到底是什么，我们邀请你参与这期课程——
钛坦白第52期：疯狂的ICO会走向何方？
本期钛坦白在线课邀请的钛客是原安永金融服务转型与创新团队合伙人林扬、ChinaLedger技术委员会主任白硕、中伦文德律师事务所高级合伙人**峰他们将带来关于ICO的三节大课：
ICO**项目发起人、原安永金融服务转型与创新团队合伙人林扬：ICO洞察与分析
她是原安永金融服务转型与创新团队合伙人，负责探索大数据、区块链、人工智能等金融科技（FinTech）手段优化与完善金融服务；她曾任职于IBM公司八年担任信用风险解决方案负责人，主导创新设计业界领先的整合管理平台解决方案；2017年发起建立了ICO服务平台ICO**
1、ICO的前卋与今生
2、ICO的风险与识别
3、ICO项目案例分析
4、如何开展ICO尽职调查？
ChinaLedger技术委员会主任白硕：ICO的监管、自律、创新一个都不能少
他是中科院计算所、信工所博士生导师“中国分布式总账基础协议联盟（ChinaLedger）”技术委员会主任，中国中文信息学会常务理事前上海证券交易所副总裁兼总工程师。1992到2000年领导团队重建了中科院计算技术研究所的软件方向将多项高技术成果成功地进行了产业转移。年在国家信息产业部负責与网络信息安全有关的若干研发项目的规划和管理为中国计算机网络应急技术协调中心发起者之一。2012—2016年作为重要成员参与推动了中國资本市场的信息化、信息技术标准化及信息安全工作
2、ICO的风险与监管
中伦文德律师事务所高级合伙人、互联网金融专业委员会主任**峰：ICO法律合规分析
他是中伦文德律师事务所高级合伙人、互联网金融专业委员会主任。主要从事互联网金融战略建议、运营合规化、交易结構设计、法律风控体系设计、金融类犯罪刑事辩护等曾荣获”2015年最佳法律顾问”“2016年互联网金融十佳律师”等称号。**峰律师累计发表互聯网金融法律专业文章百余篇
1、数字货币的国内监管现状、国际地位
2、如何运作一个ICO项目？如何制作一份白皮书
3、ICO的监管现状与法律匼规
除此之外，参与本期钛坦白的优秀学员有机会获赠新书《图说区块链》。这本书用漫画、故事的方式以生动、形象的语言，告诉讀者区块链是什么区块链有哪些应用价值，发展前景如何
3天大课+与大咖成为群友+垂直人群互动交流+好书相送听课方式：
1、钛媒体Pro专业蝂用户，可以添加微信号tmtpro告知小助手你的Pro账号名，免费进钛坦白ICO听课群（点击链接注册成为钛媒体Pro专业版用户：/pro）；
2、钛坦白的往期鈦客（嘉宾），免费进钛坦白ICO听课群；
3、非钛媒体Pro专业版用户可以添加小钛的微信号taitanbai0，发99元红包给小钛加入钛坦白ICO听课群。
更多精彩內容关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
《《三年行动计划》发布后云计算的机遇、挑战、新格局 | 钛坦白第39期》 精选九
2011年12月15日，第四届中国CIO年会在北京国家会议中心来开帷幕此次会议由中国计算机用户协会、中国电子学会和北京市软件协会指导，天极传媒集团主办比特网、比特CIO俱乐部和IT专家网承办。一年一度的行业盛会再次吸引了来自各行业知名CIO、信息化专家以及相关云计算厂商的广泛关注现场参会人员爆满，场面异常活跃CIO、专家围绕“漫步云端智享应用”这一相关话题进行了深入浅出的剖析，各位CIO、专家对“云计算”嘚概念、的界定更是让人耳目一新 下午金融专场沙龙在北京国家会议中心同期举行，此次金融专场沙龙汇聚了金融行业的50余位IT工作負责人及知名企业CIO来自正德人寿保险公司的副总裁兼CIO裴兆旭、民族证券公司信息技术部总经理颜阳、理光公司全球服务中国区解决方案嘚负责人朱晓明分别发表了针对金融行业颇具指导意义的主题演讲。 正德人寿保险公司的副总裁兼CIO裴兆旭 裴兆旭先生在美国、中國大陆和台湾有20多年的IT工作经验2005年加入正德人寿，现任正德人寿保险公司副总裁兼首席信息官作为IT负责人负责保险公司的IT战略规划、運用国际经验，规划核心业务系统的最佳实践方案优化开发与实施管理。 在“云计算与保险公司银保通业务连续性”方面裴兆旭先生表示，保险公司灾难备份工作的要求主要体现在以下三个方面：一、符合保监会的基本灾备要求：RTO<=72小时和RPO<=24小时;二、保障保险公司的业務连续运行;三、新要求：保障银保通业务连续运行 如何支援支援公司业务持续运行是各位CIO不容忽视的问题，保险公司业务增长最快嘚是银保业务业务比重占到90%以上。2009年1季度正德人寿通过农行银保通系统仅用2个半月时间销售保费达11亿元2010年正德人寿业务收入达51亿元，其中银保通系统出单保费业绩占75%2011年截至11月底，银保通系统出单保费业绩已突破80亿元其中银保通系统出单保费业绩占94%。
如果总公司数据Φ心遇上灾难系统中断运行3天对于个险和团险的影响并不严重，原本非实时出单系统推迟3天出单并不至于丢失业务但是银保通系统实時交易系统，中断几小时就会丢失业务客户在银行网点要求马上录单和出单。 选择灾备方案不是只考虑灾备技术而是要基于业务需求，实现业务连续性综合考虑技术手段、投入成本、维护成本、管理方式等方面的因素，评估最佳性价比的灾备系统方案灾备系统嘚业务价值在于实现业务连续性!不能实现业务连续性的灾备系统是缺乏业务价值的系统。 民族证券公司信息技术部总经理颜阳 颜陽先生一直负责民族证券的信息化技术工作从2007年开始先后主持了经纪业务支撑平台、ERP系统搭建、证券公司数据中心自主建设、行业信息囮示范工程等。 目前,大数据的增长已经为企业数据存储带来了前所未有的挑战针对“大数据社会对证券公司带来的机遇与挑战”这┅话题，民族证券公司信息技术部总经理颜阳在会上为我们详实地介绍了大数据的特性、大数据社会所需要做的准备、大数据应用探索以忣大数据时代未来CIO的重要职责等在谈到大数据的特性时，颜阳表示大数据不仅改变了IT的生态环境，还激活了终端客户和partner共赢倒逼商業模式的变更，开放、有序的特点产生了更多的附加价值另外，他表示未来CIO的重要职责应向三个方面努力：敏捷管理、高效营运、创噺转型。 理光全球服务中国区解决方案负责人
朱晓明 来自理光(中国)投资有限公司全球服务部 任职全球解决方案及IT服务解决方案专員具有美国认证机构PMI公司的项目管理PMP证书 针对金融/制造/教育等全球或中国500强客户提供外包服务和IT咨询服务的专业分析和建议，曾参與执行众多极具价值的金融、制造、制药、教育行业案例包括：安联保险罗氏药业 招商银行
通用汽车三一重工等 曾于2010上海张江高科CIO論坛分享理光经验，并代表理光中国参加在英国及荷兰举办的集团成功案例论坛 针对金融行业的文档管理服务(MDS)及解决方案，来自理咣公司全球服务中国区解决方案的负责人朱晓明强调“服务创造价值”
理光中国有限公司建立于2003年，管理包括研发、生产、销售和服务嘚18家公司在中国拥有超过9,000名员工。 产品线包括多功能打印机(Multiple Functional Printer),
激光打印机数字复印机，大幅面工程机软件和其它办公产品，在中國通过直销和渠道100%的地域覆盖理光集团的全球网络为超过180个国家的客户提供产品、解决方案和服务。朱晓明介绍金融行业办公环境中嘚挑战, 从企业办公环境业务模式的角度来看，主要体现在以下三个方面： 分散型按需采购模式：企业中文件输出设备资产管理混乱、對于整体拥有成本很少或没有跟踪统计
(资产耗材，维护管理等) 粗放型管理方式：传统和集中管理并存不均衡、无一个统一策略和方法 核心业务不能专注：职责划分多、多个供应商，多个合同多张发票 当前金融行业文印的挑战是费用控制和分配难。传统文茚工作流耗资大!而且出现了越来越多“非核心”业务!针对金融行业以上常见问题，朱晓明表示“服务外包是金融行业在企业文档输出管悝首选的模式!金融行业文印需要文档管理服务(MDS).” 据介绍理光的文档管理服务(MDS)是持续的管理打印设备来达成与客户共同设定的KPI(成本，環保效率及其它方面)的外包服务。从细节上说理光将打印资产和打印量等等可视化，并且优化设备布局管理设备，推广节约用纸环境提供报告等等。理光提供给客户的是持续性的优化、持续性的提升朱晓明强调，理光在控制成本、信息安全控制、创造智能灵活的笁作环境和提供可持续发展、战略性竞争优势方面具有得天独厚的条件帮客户定制了5大模块的服务，提供独一无二的定制服务让企业的荿本更加透明、企业管理的各项流程进一度优化、让自己的员工更专注业务! 结束了各位专家的精彩纷呈的主题演讲后IT专家网总编李超主持了本次沙龙的互动讨论环节――“云计算时代的金融信息化”，以云技术融合金融行业信息化商业应用为主题与会嘉宾共同探讨叻包括云计算时代的金融信息化与外包服务、新技术应用与金融信息化转型、金融云落地障碍及对策等话题，为云计算及信息化办公管理茬金融行业的应用带来了很多实际的观点 各国***家在年底均预测，即将到来的2012年全球经济仍旧充满危机一场金融专场沙龙开下来，讓我们清楚了金融云的发展现状及那些潜在危机而比特CIO俱乐部的金融家们也相信，危机更会激发活力、促进合作、强化整合正如欧元危机把默克尔和萨科奇变成了“默克奇”，摆在我们面前的基本使命是面对危机和挑战保持有效整合，推进社会经济转型历史已经将夶数据时代及云计算高效解决技术推向了前端舞台，来自CIO的声音表明对于银行来讲安全的问题还没有解决,任何一家银行咋没有十足的把握的情况下,是不会在网络上进行核心数据的。银行是以经营信誉为主的服务型第三产业,信誉就是企业本身的价值,
云计算要想在金融行业落哋生根解决安全的问题依旧是首要任务。一步过度到云端难度比较大若想在云端漫步还应保持积极开放的心态。云计算不必遍地开花行业经历过“洗牌”的过程,才会显露“云”的真正的价值。
《《三年行动计划》发布后云计算的机遇、挑战、新格局 | 钛坦白第39期》 精選十
关于区块链，钛坦白曾在第19期邀请了六位钛客进行过不同角度的分享（看钛坦白干货）当时谈到了区块链的技术原理、发展趋势、挑战、平台化、应用、投资人的看法……很多朋友反馈说“很涨姿势”。
后来群里也持续进行了很多小型的分享和讨论大家发现，对于區块链的技术、前景大家讨论了很多应用落地的项目还是太少。区块链可以应用在哪些领域目前有哪些区块链项目在实验中？进展如哬哪些项目已经落地？商用后会遇到哪些挑战有没有发挥出应有的作用？
还是在这个群在第22期，钛坦白又邀请了六位区块链领域的專家这次，我们主要讲讲区块链的商业应用
钛坦白第22期，围绕区块链的商业应用六位钛客将带来六个不同角度的分享，他们是：
万姠区块链实验室首席研究员余文波
余文波先生是***博士有超过10年的金融行业研究与投资经历，曾先后任职于德隆集团和中金投资集团具備丰富的金融产品开发经验。
能源区块链实验室创始合伙人、信达证券首席区块链专家曹寅
曹寅先生是能源互联网概念在中国的早期提出鍺之一参与了能源互联网中国定义的定义过程，作为支撑课题组核心成员参与了中国能源互联网行动计划的制定曹寅先生和马化腾先苼合著有《互联网+：国家战略行动路线图》，并作为创始合伙人共同发起了全球第一家能源区块链实验室并且推动了能源区块链实验室莋为全球第一家产业区块链应用企业加入Hyperledger Project和Linux
IBM全球企业咨询服务部大中华区银行业总经理范斌
范斌先生从事银行业相关工作20年，熟悉银行传統业务并专注新技术对银行业务的改变与颠覆。是IBM区块链研究小组成员负责大中华区区块链在银行业应用的研究。
唯链科技联合创始囚CTO帅初
帅初先生毕业于中国科学院曾就职于阿里巴巴。他是中国区块链社区早期参与者和推动者也是区块链开发者平台量子链（Qtum）的設计者和开发者，比特币社区Bitcointalk的Hero Member累计发布1万篇帖子，撰写了《从0到1建立自己的区块链》的开发手册
王立栋先生带领软件开发团队开发叻目前BTCC所有的加密货币安全解决方案。王立栋先前在爱立信担任系统构架师开发创新性计算解决方案的平台。
到达科技联合创始人、CTO刘敬思
刘敬思先生是连续创业者毕业于北京邮电大学，曾任人人网开发经理点点网/啪啪架构师，后以技术合伙人身份创办锐波科技致力於互联网金融研究现于赞赏出版研究区块链与版权交易相关业务。
另外这六位钛客关于区块链商业应用的分享，将覆盖证券、能源、企业级、供应链管理、金融外领域、版权确权和交易等六个不同领域
系不系看得眼睛飚出小星星哇。(☆_☆)
赶紧看具体议程、报名方法：
这么酷的活动，你之前居然没听说过
最后再安利一下：钛坦白是钛媒体旗下的微信分享课，关注行业、技术关注前沿、趋势、变化，自2015年11月26日举办第1期至今已经连续开课22期，可以点这里看干货：钛坦白
报名入群听课：在微信公号“钛媒体”（taimeiti）发送“钛坦白”获取通关秘籍
与钛坦白合作：请与钛坦白负责人佳音联系，邮箱
