云计算培训费用多少钱「腾讯会议、钉钉、飞书都收费了!在线办公软件今年希望赚到钱」腾讯会议、钉钉、飞书都收费了!在线办公软件今年希望赚到钱

近日,文本生成图像模型Stable Diffusion背后的公司Stability AI宣布获得了1.01亿美元超额融资,估值达10亿美元,这家基于开源社区的“草根”企业的风头一时间甚至盖过了业界顶级研究机构OpenAI。


本文作者认为,尽管开源项目存在商业模式、开源许可协议等方面的挑战,但通过良好开源社区的驱动,AI项目的技术发展、应用广度和创造空间都有了意想不到的发展,正如开源“吞噬”软件1.0,“开源AI”运动将在软件2.0时代不可阻挡。OneFlow社区对此进行了编译。

作者|swyx

翻译|胡燕君、贾川

文本转图像模型的发展周期历时数年:

  • 2020年7月:OpenAI发文介绍Image GPT模型,将语言模型应用到图像领域。
  • 2022年3月:AI图像生成平台Midjourney启动Beta版本测试。
  • 2022年4月:OpenAI宣布允许一定数量的用户对其AI图像生成工具DALL-E 2 进行“研究性试用”。
  • 2022年5月:Google以论文形式公布其文本-图像生成模型Imagen,Imagen由PyTorch实现。
  • 2022年7月:OpenAI 通过UI/API开放DALL-E 2进行公开测试,参与公测的用户须先进入等待名单。
  • 2022年7月:Midjourney通过Discord通讯平台发布消息表示即将进行公开测试。
  • 2022年8月:文本-图像生成模型Stable Diffusion发布,这是一款基于OpenRAIL-M许可的开源模型。
  • 2022年9月:OpenAI取消DALL-E 2的等待名单。

GPT-3从公布到被复制历时10个月:

  • 2020年5月:OpenAI以论文形式公开GPT-3,并在随后的6月发布了未公开的Beta版API。
  • 2020年7月:非营利开源研究组织EleutherAI成立,成为OpenAI的替代者。
  • 2020年9月:Microsoft获得GPT-3的独家授权。
  • 2021年1月:EleutherAI公布其800G数据集The Pile。
  • 2021年3月:EleutherAI公布了分别含13亿和27亿参数的两版开源GPT-Neo模型(GPT-Neo是对GPT-3的克隆版)。
  • 2021年11月:OpenAI取消GPT-3的等待名单,开发人员可以直接报名使用其API。
  • 2022年5月:Meta公布大型语言模型OPT-175B,供研究人员使用,还公布了模型日志和开源许可证明。
  • 2022年6月:俄罗斯互联网巨头Yandex公布了YaLM-100B,这是一个基于Apache-2许可的类GPT开源模型。
  • 2022年7月:HuggingFace公开了BLOOM-176B,一个基于RAIL许可证明的大型语言模型。

GPT-2从公布到被复制历时6个月:

  • 2019年2月,OpenAI宣布GPT-2诞生,为了避免模型遭到不良利用(如被用于制造虚假新闻等),当时决定不将模型完全开源;3月,OpenAI放弃“非营利机构”的定位,成立OpenAI LP(有限合伙公司),声称进入“有限营利”经营模式。
  • 8月,两名计算机硕士复制出GPT-2并将其对外公开,称为OpenGPT-2。
  • 11月,经过谨慎的分阶段逐步公布,OpenAI终于完全开源了含15亿参数的GPT-2模型。

上述时间线已经过高度精简,实际发展史还可追溯到2015年提出的扩散模型(Diffusion Model)、2017年提出的Transformer模型,以及更早之前对生成对抗网络(GANs)的研究。

有趣的是,2022年9月,OpenAI基于MIT许可公开了其Whisper语音转文本模型,并且不设置付费API。当然,语音转文本功能遭到不良利用的可能性较低,所以此类模型的开源风险也更低,但也有观点认为,OpenAI此次的开源决定是受到Stable Diffusion开源后爆红的影响。

1

Dreambooth:开源社区掌舵项目发展

一个先进的开源社区可以发挥魔法般的作用。专业的研究团队或资金充足的团队或许可以开发出很好的基础模型,但只有开源社区才能更好地将各种用例产品化,并且优化模型的实际落地使用。

最能体现这一点的例子是Dreambooth的发展。Dreambooth是一个文本转图像模型,支持经小样本学习(Few-Shot Learning)后生成精调图像,生成的图像既可保留主体的精细特征,又能为主体切换任意背景。

Dreambooth体现了文本转图像模型的理想优化方向,因为它不止需要用户下载模型直接运行,还需要用户根据样本图像进行精细训练,但原始端口需要的内存太大,大多数用户的训练设备都无法满足条件。

2022年9月,Corridor Digital的一则YouTube视频展示了Dreambooth的神奇功能,视频运用文本-图像生成模型根据视频创作者本人照片生成特效人物图像,很快爆火(视频:
https://www.youtube.com/watch?v=W4Mcuh38wyM)。

这是Dreambooth的发展历程:

2022年8月26日,Dreambooth宣布诞生;12天后公布了开源端口;又过了25天后,训练Dreambooth的所需内存空间降低了79%;10月8日,Dreambooth已经能在8GB GPU上训练。

对Dreambooth的优化大多数由Xavier Xiao和Shivam Shrirao通过GitHub完成,意大利工程师Matteo Serva也提供了帮助。Xavier Xiao来自新加坡,博士主攻生成模型与优化,现就职于AWS AI;Shivam Shrirao,计算机视觉高级工程师,现居印度。这两位都并非Dreambooth原始团队的成员。

现在,容易优化的地方都已优化完毕,于是有人开始担心:继续优化下去的投入产出比会越来越低,但后来这种担心不攻自破。8月份时,Stable Diffusion可以在内存为5~10GB的GPU上运行——商用GPU的内存一般为6~12GB,苹果产品都有统一内存(Unified Memory)。到了9月,Stable Diffusion已能在iPhone XS上运行。

这应该是所有开源AI模型都想通过优化达到的目标。如果可以在小设备上运行,图像生成将不再受限于高昂的云计算费用和微薄的利润,可以得到更广泛的使用。

2

研究人员做不到,但开源能做到的

在目前的三大新兴文本转图像模型中,Stable Diffusion诞生得最晚,但由于拥有发展良好的开源社区,它的用户关注度和应用广度都超越Midjourney和DALL-E。

这启发我们,如果开源其他领域的AI模型(如音乐、生物、语言模型),将同样可以创造新机遇。

在技术水平上,开源社区可以带来以下几方面的改善:

完善文档

Stable Diffusion原始版本的README文档对新手而言不太友好,于是开源社区合作制作了:

      • 两个版本的指南:https://rentry.org/GUItard;https://keras.io/guides/keras_cv/generate_images_with_stable_diffusion/#wait-how-does-this-even-work
      • 博客文章
      • 推特帖
      • YouTube视频教程
      • Google Colabs教程
      • 网页注释和图解

共享提示词

  • (注:提示词即向文本转图像模型输入的文本。)提示词工程(Prompt Engineering)是一门技术活,GPT-3语言模型公布三年以来,不少人总能通过改变提示词组织形式让模型产生令人惊奇的输出结果。这意味着,大型语言模型还存在很大的潜在探索空间,既然它能提供出乎意料的输出结果,那么它也有可能实现超乎我们想象的功能。
  • 每个文本转图像工具的用户社区都有约定俗成的共享提示词的方式,这样我们就可以构建提示词展览集,从而大幅减少提示词搜寻时间(从>30秒降低到<300毫秒,降低整整两个数量级!),并提升提示词工程的进步速率。
  • 这也有助于社区协力解决各种技术难题:例如,如何生成逼真的手部图片和为什么否定式提示词的效果更好(否定式提示词即在提示词中描述用户不希望生成什么。)

创建新UI,提升模型可及性

  • Stable Diffusion是Python脚本,用户可以创建自己的UI来满足自己的需求,不必局限于Stability AI的Dreambooth(注:Stability AI是Stable Diffusion的研发公司)。
  • AUTOMATIC1111成为Stable Diffusion用户社区常用的网络UI,它具备多种功能,集结了社区成员发现的使用经验和技巧。
  • 机器学习社区倾向于使用Windows,因此开源社区想了各种方法让Stable Diffusion可以在M1 Mac乃至 iPhone上使用(如前文例子所述)。
  • Stable Diffusion的UI通常是独立的APP,但新的使用模式可以将Stable Diffusion植入Photoshop、Figma、GIMP甚至VR,让用户能更自由地将Stable Diffusion融入自己的工作流。


通过扩展现有功能创造新用例

  • 我不清楚Inpainting和Outpainting功能的最初发明者是谁,DALL-E的官宣文章中有所提及,但直至出现开源UI后,这两个功能才变得非常普及。
  • 更多功能例如: 超高清outpainting、3D worlds。
  • 另一种成熟的创新方式是与其他工具/技术混合,例子包括:
  1. “反向提示词工程”,即根据图像生成提示词 ( CLIP Interrogator就是一个这样的工具)。
  2. 使用txt2mask增强Inpainting。
  3. 各种后期处理步骤,如Real-ESRGAN, TECOGAN, GFPGAN, VQGAN, 以及利用automatic1111中的hires fix” 解决图像中的重叠问题等。
  4. 创建GRPC 服务器,用于与Stability AI的通信。
  5. 为向新模态扩展做准备,如txt2music和music2img。

优化核心

  • 如前所述,开源社区成功将Stable Diffusion和Dreambooth的所需内存最小化。
  • 还将Stable Diffusion提速50%。

此外我还想说的是,人工智能和机器学习领域大多使用Python语言,对分布机制而言非常不安全。所以,在开源AI崛起的同时,我们也需要“安全的开源AI”。

3

开源AI的未来

这整个过程不禁让我们想起软件1.0是如何被开源“席卷”的。

  • 版本控制:从Bitkeeper到Git
  • 语言:从Java工具链到Python、JavaScript和Rust
  • IDE:从“有许多不错的IDE”到VS Code占据了>60%的市场份额
  • 数据库:从Oracle/IBM到Postgres/MySQL

Anders Hejlsberg是Turbo Pasca、TypeScript等五种编程语言的创建者。他曾说过如下著名言论 :在未来,编程语言如果不开源,就无法取得成功。如今,开发所需的工具栈越来越多,相信你也会发出同样的感叹。

因此,我们很容易联想到软件2.0、软件3.0可能也会被开源“吞噬”,但同时还有一些问题没有解决:

问题1:经济激励

对于有经济头脑的人来说,将基础模型进行开源发布有违他们的直觉。训练GPT-3的成本大约在460万美元到1200万美元之间,其中不包括人力成本和实验成本。即使是号称训练成本只有60万美元 (Stability AI的创始人Emad表示,实际成本要比这低得多) 的Stable Diffusion,也不可能在没有收回投资的情况下进行开源。

看看OpenAI通过API变现的过程,每个人都能够明白AI经济如何形成:

模型研究与模型基础设施的价值/利润孰大孰小还有待商榷,上图暂且把它们设置为大约相等。

Stability AI的既定目标是成为非营利性参与者,这就使它压低了拥有专有基础模型研究的经济价值,但同时这可以扩大AI的总TAM(Total Addressable Market,总可用市场):

这也体现了施振荣提出的行业价值分布微笑曲线模型。Ben Thompson也对此进行了广泛讨论。

还有一个悬而未决的问题是:Stability AI打算如何融资,9月获得的1亿美元的A轮融资为Stability AI赢得了喘息时间。但在Stability AI的盈利模式明晰之前,其生态系统都不会真正稳定下来。

对此,Emad回应:“我们的商业模式很简单,规模和服务都与普通的COSS(Commercial Open Source Software,商业开源软件)相似,只是在增加附加值方面会有一些曲折。”

问题 2:开源许可

根据开源铁杆粉丝的说法:我们对“license”这个词的理解有误。严格来说,一个项目只有拥有了一个由OSI批准的开源许可证,才能算是开源(OSI批准的开源许可证共有几十个)许多所谓的“开源”AI模型或衍生品都没有开源许可,例如,以下项目都忽略了许可证这个重要问题:

  • AUTOMATIC1111/stable-diffusion-webui#24
  • divamgupta/diffusionbee-stable-diffusion-ui#5
  • breadthe/sd-buddy#20

Stable Diffusion模型是以新的CreativeML Open RAIL-M许可证发布的,它规定了模型权重的使用规范(模型权重就是花费60万美元训练所获的核心成果),其中部分内容与OSI认证的许可证相同,但用例限制方面的内容则不相同。如果你曾经与法律部门和OSI的人打过交道就知道,这个许可很可能不被认可,而且由于没有法律先例可依,关于这个许可证的有效性众说纷纭。

Stability AI已经清楚表明可以将他们的产品用于商业目的,甚至公开支持Midjourney使用Stable Diffusion。但如果有一天,开源产品的使用风险比现在高出1000倍,法律细节的重要性就会显现。

HuggingFace的AI顾问Carlos Mu?oz Ferrandis表示:“Meta发布了OPT175(大型语言模型)、BB3(聊天机器人)和 SEER(计算机视觉模型),其许可证类似于RAIL(包括用例限制)并且仅用于研究目的(根据不同的模型选择不同的许可)。

OpenAI的Whisper语音识别模型的模型、权重和代码都基于简单宽松的MIT许可证进行开源。

Emad表示:“除了Stable Diffusion之外,Stability AI支持的所有模型都基于MIT许可发布,包括耗费了120万个A100小时训练出来的的OpenCLIP模型。”

问题 3:“开源”到底是什么?

至此,本文都还没提到:“开放源代码”到底意味着什么。

在典型的软件1.0背景下,“开源”意味着代码库是开放的,但不一定公开了基础设施的设置细节,或者所积累的/代码操作的数据。换言之,开放代码并不代表开放基础设施细节或开放数据(在实践中,开源社区会希望开源主体披露一些关于如何自托管(self-host)的基本指南,但这也并非强制要求)。

随着软件2.0的发展,数据收集变得非常重要,甚至开始主导代码(代码则被“降级”为模型的骨架)。像ImageNet这样的开放数据集帮助培训了整整一代的ML工程师,它还促成了Kaggle比赛的兴起,以及ImageNet挑战赛本身(挑战赛中诞生的AlexNet和CNN将整个AI领域推向深度学习)。

此外,还出现了Numerai平台,它通过半同态加密,将真实的金融数据加密,数据科学家可以根据这些“表面无意义”的加密数据,训练出预测模型,用于金融投资——虽然不是严格意义上的开放,但也足够开放,可以让数据科学家在上面赚点外快。不过,惯常的做法依然是不公开模型权重,因为权重是训练得出的最有价值的东西。

随着软件3.0和Chinchilla模型所验证的缩放规律的出现(该规律揭示了模型性能与参数量、数据集大小和计算量之间的关系,可用于指导大型模型的训练),大型语言模型和基础模型就成了代表人类历史上对于单一大型语料库进行的一次大投资。

“开源AI”运动正通过以下方面推动技术的进步:

  • 开源数据集:例如,LAION-5B和The Pile。这些数据集已针对动漫图站Danbooru上的素材、日语、中文和俄语进行了修改。
  • 开源模型:通常以研究论文的形式发布——如果提供足够的细节,外部人员就可以复制出这个新模型,就像复制GPT3和Dreambooth一样。
  • 开源权重:这是由HuggingFace的BigScience项目(Bloom模型的发布者)发起的新运动,Stability AI的文本转图像模型以及OpenAI的Whisper模型也接过了开源权重的大旗(开源权重的经济性问题在前文的“问题1”中已做讨论)。
  • 开源接口:允许直接访问代码,使用户可以修改和编写他们自己的CLI、UI等等,而不像OpenAI的GPT3那样,只提供一个API来调用。
  • 开源提示词:用户(如Riley Goodside)和研究人员(如Aran Komatsuzaki)分享了提示词技术方面的突破,以解锁基础模型的潜在能力。

开源AI层级基本如此,确切顺序可能根据实际情况会有所不同。

4

开源人工智能研究所?

OSI设立之时可能没有考虑到“开源”AI所涉及的上述方方面面,而开源AI文化的基石之一是建立一个满足开源社区期望、具备规范和法律先例的可信标准。或许Hugging Face和Stability AI可以抓住机会填补这一空缺,又或许这样的标准已经诞生了,只是我还没有发现。


(本文经授权后由OneFlow编译发布,原文:https://lspace.swyx.io/p/open-source-ai?utm_source=twitter&sd=pf。译文转载请联系OneFlow获得授权。)

?

记者 | 彭新

编辑 |

一路高歌猛进的云计算市场,一股逆流正在涌现。

对于云服务支出,市场调研机构Gartner给出了相对积极的数据:2022年全球公有云服务终端用户支出预计将从2021年的4019亿美元增长至4947亿美元,增幅达20.4%。2023年终端用户支出预计将达到近6000亿美元。其中,基础设施即服务(IaaS)终端用户支出预计将增长30.6%,为增幅第一的细分市场。

但在海外,由于云成本过高及经济下行影响,企业对IT成本更为敏感,“云回迁”正成为一种趋势。

所谓“云回迁”,指的是企业将业务和数据从云端迁移回自有数据中心。实际上,上云后IT成本更高的现象已在国内外多有讨论,对于上云的成本增减各方评价不一。

“上云并不一定能省钱,因为从一个企业数据中心的环境转到一个新的云原生环境需要做很多的集成、升级,以及人员培训工作,这都会带来新的开支。” Gartner高级研究总监曾劭清称,企业对于上云的典型误解即是成本下降,并一厢情愿地认为上云是一劳永逸的事。

曾劭清提及,就Gartner观察来看,企业将一些应用从公有云转移到数据中心上,实际甚少见到这一情形,未来趋势如何变化仍有待观察。

戴尔大中华区存储平台及解决方案事业部总经理毕经林则告诉界面新闻记者,如果仅从虚拟机(云中业务单元,可简单视为一台电脑或服务器)的成本来看前期IT投入,上云确实有一定成本优势,但这仅仅是企业云账单的一部分。

“若公有云后端有一些高级的应用,比如要负载均衡,加上数据分析和流量费用等,花费一下就上去了。” 毕经林解释称,当企业上云后,增值服务成本会随着产生的数据价值水涨船高。其价格逻辑类似保险,初期费用很低,但用户若想购买重疾险等险种时,保险价格便会飞速上涨。

他以一家国内专业物流供应商举例称,后者目前正在规划IT架构升级,从传统的数据中心三层架构(计算、网络、存储)转向以x86芯片为基础,软件定义的基础架构,结果发现成本比公有云便宜了三分之二。

毕经林表示,从客户实际应用来看,只要规模足够大,自建的数据中心成本优势仍然存在。此外,基于软件定义的数据中心,对于云应用的支持也有较大的弹性,因此在实际性能上并不会比公有云差。

更重要的问题在于数据。毕经林称,目前企业普遍的担心在于数据不可控,也是不愿意上云的一大重要原因。“如果我们PB(1PB=1024TB)级的数据全部堆在公有云上,怎么做大数据,做各种各样的应用?”他认为如果企业想要将PB级的数据进行回流,目前来看几乎不可能,一方面云厂商会限流,此外还需要付出大量额外的流量成本。

但据毕经林观察,尽管“云回迁”在欧美国家呈现出一定趋势,但在国内仍然是“雷声大雨点小”。与欧美相比,中国市场上公有云的节奏更慢,还远未到达谈“回迁”的时候。不仅如此,国内不同类型的企业或者组织,对于数据安全性的考虑点也不一样。

?

↑资料图 图据视觉中国

腾讯会议对部分功能收费,包月价格为30元/月,已推行一个多月。

红星资本局使用腾讯会议发现,一些曾经可以免费使用的功能,比如语音实时转写和自动会议纪要,目前只能倒计时免费体验10分钟,升级为付费会员后才能继续使用。此外,设置2名联席主持人、1080P高清画质、20GB云录制空间等功能也需要付费使用。

腾讯会议客服告诉红星资本局,上述服务此前免费,是因为属于测试阶段限时免费,现在测试已结束。

和腾讯会议限时免费一起结束的,是中国在线办公软件的免费用户培养阶段。从今年起,腾讯会议、企业微信、钉钉、飞书等在线办公软件服务商都希望赚到钱。

30元/月的腾讯会议会员版

不影响基础功能使用

目前,腾讯会议分别针对个人和企业推出了不同的收费版本。对个人用户,免费个人版仍能使用45分钟的群组会议等功能。

↑腾讯会议不同版本收费标准。图据腾讯会议官网

30元/月的个人用户会员版则包括视频人数30人-60人同时开启摄像头、不限时字幕、不限时自动会议纪要、不限时实时转写、高清1080P画质等功能。

个人会员版目前有四种付费方式,分别是30元/月、连续包月25元/月、88元/3个月和288元/12个月。

针对社交网络中提议腾讯会议提供按次或按日购买的会员服务,腾讯会议客服回复红星资本局,目前会员服务都按月提供,暂不提供按次服务。在其会员版购买页面的上方,腾讯会议官网置顶了“自2020年1月24日至疫情结束,腾讯会议向用户免费开放300人不限时会议功能。”

对于组织和公司用户,腾讯会议推出了4788元/年起的商业版和需要具体询价的企业版。商业版最多支持2000人同时入会、可设置10个联席主持人,同时相比个人版还包括成员角色和权限管理等公司管理功能。企业版的主要客户为大型企业,腾讯会议可以为企业提供定制服务。

收费的不止腾讯会议

还有钉钉和飞书

除了腾讯会议外,目前市面上的主流在线办公软件还有钉钉和飞书。

钉钉官网显示,共提供标准版、专业版、专属版和专有版。其中标准版的电话&短信DING消息、25方/1080P云会议室、电话会议和数据恢复等功能均“支持购买”。如果想购买这些功能,需填写组织名称和职务等信息的表格后,预约钉钉专属服务。

↑钉钉不同版本收费标准。图据钉钉官网

除了免费标准版的个别功能收费外,2022年3月,钉钉提出全面商业化,在免费版基础上,推出面向中小型企业的专业版、面向大中型企业的专属版、和面向超大型企业的专有版,专业版价格为9800元/年,专属版和专有版按规模及选购功能付费。

飞书客服表示,个人用户可以使用免费的标准版,语音转文字等功能免费,可以免费接入25方参会接口(疫情期间为100方),而1080P高清画质的视频会议功能需要升级1440元/人/年的企业版或2400元/人/年的旗舰版才能够使用,付费版本目前不向个人开放,只向具备工商资质的企业开放购买。

此外,和腾讯会议部分打通的企业微信部分功能也需要收费,比如会话存档功能,需按存档职工数和购买时长扣费。针对服务商,企业微信也调整了收费模式,为进一步商业化做准备。2022年5月9日将原有按照应用收款资金比例收取的“平台技术服务费”,替换为按服务商接口调用收取的“平台接口调用许可费”,对服务商按照整体用户规模和账号数区间梯度计算。

各家在线办公软件企业的收费动作,一方面来自背后的营收压力,另一方面来自海量用户的可能性。

阿里巴巴(BABA.US)在2020年财报中表示,2020财年第四季度创新计划和其他部分调整后的息税前利润损失30.63亿元人民币,主要原因是因为疫情期间免费提供远程办公软件钉钉所带来的亏损。据钉钉官网,其目前用户数突破5亿。

腾讯2022年财报显示,一季度腾讯会议注册用户数达3亿,月活用户数突破1亿。2021年全年用户参会次数超过40亿次,已覆盖国家和地区超过220个。

据第三方数据机构Quest Mobile数据,2022年9月,钉钉月活用户数2.2亿,企业微信1.1亿,飞书840万。

疫情后用户爆涨

如今各家企业都想赚钱了

数以亿计的用户,来自2019年底疫情带来的在家办公需求。

2015年1月16日,钉钉发布1.0版本。

2016年,企业微信成立。

2016年底,字节跳动研发海外版飞书——Lark。2018年,字节跳动并购飞书。

在线办公软件企业们苦苦教育用户习惯在线开会和协同办公,钉钉用了近3年才实现用户数破亿。

直到2019年底,新冠疫情爆发带来大量居家办公和学习需求,海量用户涌入,点燃了在线会议和办公软件的使用数据,钉钉又用了不到3年让用户数破3亿。

2019年12月底,腾讯会议上线。

2020年2月,飞书宣布向全国所有企业和组织免费开放,想在企业办公的市场中分一块蛋糕。

2020年5月,钉钉表示其在线会议数量单日突破超1亿人次,一天同时在线2000万次会议。全国共有14万所学校、300万个班级在钉钉开课,覆盖1.3亿名学生。

2020年内,企业微信共发布27个版本,迭代1000多次,活跃用户数超过1.3亿。同比翻倍增长。2020年1月,腾讯会议面向用户免费开放300人的会议协同能力,直至疫情结束。

高速增长不会一直持续。

据国际数据机构IDC发布的《2021年IDC中国视频会议与协作市场跟踪报告》,中国视频会议市场规模达到9.7亿美元(约合62.7亿元人民币),市场规模较2020年同比仅增长2.9%。其中,硬件视频会议市场规模为7.4亿美元(约合47.9亿元人民币),同比上涨8.5%;云会议市场规模达到2.3亿美元(约合14.8亿元人民币),同比下降11.8%,这是自2010年IDC开始追踪云会议市场以来,首次发现市场规模的下降。

IDC认为,一方面,云服务商的持续免费模式,导致了传统中小企业客户的续费率下滑;另一方面,大型政企项目拓展周期较长,业绩释放仍需时间。

增长变缓的市场,对应着各家在线办公软件企业的商业化压力。因为2019年底疫情,激增的在家办公需求而发展起来的在线办公软件们,在2022年,都想赚钱了。

红星新闻记者 俞瑶 程璐洋

编辑 官莉 潘莉

0 评论

发表评论