中国正凭借互联网、大数据、人工智能和其它颠覆性技术大力推进产业改革。软件是实现这些重大转型计划的驱动力。因此,软件行业将迎来巨大的机遇。
中国软件行业最大的挑战之一是安全,从轻微的软件缺陷到严重的漏洞,再到潜在的大规模数据泄露。随着中国经济加速数字化转型,软件安全问题预计将更为严峻。
企业即使没有100%准备好也会尽早在市场推出他们的软件或者APP。这是目前市场的普遍规则。他们将依靠频繁的软件升级和安全补丁来降低潜在的安全威胁。虽然这是一个昂贵且费时的工作,但考虑到快速上市的利益,一些企业有可能把这些弊端看作是不可避免的。
然而,随着中国对网络安全越发重视,这个市场规则势必会彻底改变。
几个月前,《中华人民共和国网络安全法》正式生效,违规企业将受到严重的罚款,情节严重的会被指控承担刑事责任。有鉴于此,中国企业必须尽可能识别和消除软件缺陷和漏洞。此外,国家移动互联网应用安全管理中心(CNAAC)宣布将对申请上架的APP进行全方位的安全检测,对检测合格的APP授予“CNAAC应用安全标识”,作为认证APP符合国家安全管理规范的官方证明。总而言之,企业必须在软件或者APP推出市场前将安全漏洞最小化。
鉴于上述市场的变化,中国软件行业对安全的思维模式急需转变,从零散补救到注重全面、安全的软件开发生命周期(SDLC)。这正是新思科技软件质量与安全部门(SIG)的技术、解决方案及服务专注的领域。
在数字时代,企业越来越依赖软件,而软件的缺陷也带来了风险。新思科技软件质量与安全部门把最强大的产品和服务结合到一起,创建出 一套全面的平台,为企业提供在整个 SDLC 过程中检测和修复缺陷所需要的一切东西,从而消除风险,防患于未然。
新思科技软件质量与安全部门在中国将具有巨大的商业潜力,因为网络安全投资通常占中国企业IT投资总额的不到1%;而国外成熟市场则更重视安全,占其IT总预算的15%。
凭借在技术上的领先地位和对当地市场的投入,新思科技将有效地拓展中国市场巨大的商机。我们在几个主要垂直行业市场取得的成功,与中国经济的发展方向完全一致。这些领域包括汽车、医疗、物联网(IoT)、金融、机器学习和数字智能。
目前,新思科技是全球第15大软件公司。新思科技采取一种整体的方法来设计、构建和维护安全软件,我们将这一概念称为“内置完整性” (Building Security In)。凭借一套全面的软件安全性和质量解决方案组合以及本地化服务, 新思科技可以在中国成为软件完整性领域的领导者,将功能、质量和安全性均无缝地融入SDLC。
自1995年以来,新思科技一直致力于中国市场。目前,新思科技在上海、香港、深圳和武汉设有办事处。上海办事处和研发中心目前拥有200多名销售、研发和技术支持人员。武汉研发和技术支持中心于2013年正式启用,目前有189名员工,并且新思科技正在武汉新建工业园,总投资为5,000万美元,预计2019年底投入运营。武汉研发团队预计到2020年壮大到500名员工。
新思科技可以为中国企业提供全面的产品和服务平台,简化流程、提高效率、最大限度地降低安全问题。如果由于复杂集成任务或自定义配置(检查工具、协议、工作流程),企业有特别的需求,新思科技专业服务团队将与他们合作,以确定如何最好地满足这些要求。
新思科技软件质量与安全部门将提供全面的软件安全解决方案,全力支持中国业界快步跨进新数字时代,蓬勃发展。
好文章,需要你的鼓励
新加坡人工智能机构与阿里云发布全新大语言模型Qwen-Sea-Lion-v4,专门针对东南亚语言和文化特色进行优化。该模型结合阿里云Qwen3-32B基础模型和大量东南亚地区数据集,在东南亚语言模型评估榜单中位居开源模型首位。模型支持119种语言,能在32GB内存的消费级笔记本上运行,采用字节对编码技术更好处理非拉丁文字,并具备3.2万词元上下文长度,可执行文档级推理和摘要任务。
中科大联合快手等机构推出VR-Thinker技术,首次实现AI视频评判员的"边看边想"能力。该系统通过主动选择关键画面、智能记忆管理和三阶段训练,在视频质量评估准确率上达到75%-82%,特别擅长处理长视频场景,为AI视频生成的质量控制提供了突破性解决方案。
AI智能体是下一代业务自动化工具,不仅能对话交流,还能执行复杂任务。与ChatGPT聊天机器人不同,它们可在最少人工干预下规划并完成工作。文章介绍了五个高影响力应用:自动化客户服务解决方案、销售CRM管理、合规自动化、招聘筛选与排程、市场情报报告。这些应用都具有重复性工作流程、依赖结构化数据、遵循可预测规则等特点,能够释放员工宝贵时间用于更有价值的工作。
微软研究院发布BitDistill技术,通过三阶段优化将大型语言模型压缩至1.58位精度,在保持性能的同时实现10倍内存节省和2.65倍速度提升。该技术包括模型结构稳定化、持续预训练适应和知识蒸馏传承三个关键步骤,解决了模型量化中的性能衰减和规模化问题,为AI模型在资源受限设备上的高效部署提供了新方案。