一、民国那个年代用来听音乐的叫什么

民国那个年代用来听音乐的叫留声机。

留声机是一种原始放音装置，其声音储存在以声学方法在唱片（圆盘）平面上刻出的弧形刻槽内。唱片置于转台上，在唱针之下旋转。留声机唱片能较简易地大量复制，放音时间也比大多数筒形录音介质长，因此，留声机被称为爱迪生最伟大的发明之一。

二、知识图谱有什么用处

知识图谱(Knowledge Graph)是当前的研究热点。自从2012年Google推出自己第一版知识图谱以来，它在学术界和工业界掀起了一股热潮。各大互联网企业在之后的短短一年内纷纷推出了自己的知识图谱产品以作为回应。比如在国内，互联网巨头百度和搜狗分别推出”知心“和”知立方”来改进其搜索质量。那么与这些传统的互联网公司相比，对处于当今风口浪尖上的行业-互联网金融，知识图谱可以有哪方面的应用呢？

目录

1.什么是知识图谱？

2.知识图谱的表示

3.知识图谱的存储

4.应用

5.挑战

6.结语

1.什么是知识图谱？

知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

知识图谱这个概念最早由Google提出，主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎，知识图谱可用来更好地查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候，搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月，家庭情况等等。

另外，对于稍微复杂的搜索语句比如”Who is the wife of Bill Gates“，Google能准确返回他的妻子Melinda Gates。这就说明搜索引擎通过知识图谱真正理解了用户的意图。

上面提到的知识图谱都是属于比较宽泛的范畴，在通用领域里解决搜索引擎优化和问答系统(Question-Answering)等方面的问题。接下来我们看一下特定领域里的(Domain-Specific)知识图谱表示方式和应用，这也是工业界比较关心的话题。

2.知识图谱的表示

假设我们用知识图谱来描述一个事实（Fact）-“张三是李四的父亲”。这里的实体是张三和李四，关系是“父亲”（is_father_of）。当然，张三和李四也可能会跟其他人存在着某种类型的关系（暂时不考虑）。当我们把电话号码也作为节点加入到知识图谱以后（电话号码也是实体），人和电话之间也可以定义一种关系叫 has_phone，就是说某个电话号码是属于某个人。下面的图就展示了这两种不同的关系。

另外，我们可以把时间作为属性（Property）添加到 has_phone关系里来表示开通电话号码的时间。这种属性不仅可以加到关系里，还可以加到实体当中，当我们把所有这些信息作为关系或者实体的属性添加后，所得到的图谱称之为属性图（Property Graph）。属性图和传统的RDF格式都可以作为知识图谱的表示和存储方式，但二者还是有区别的，这将在后面章节做简单说明。

3.知识图谱的存储

知识图谱是基于图的数据结构，它的存储方式主要有两种形式：RDF存储格式和图数据库(Graph Database)。至于它们有哪些区别，请参考【1】。下面的曲线表示各种数据存储类型在最近几年的发展情况。从这里我们可以明显地看到基于图的存储方式在整个数据库存储领域的飞速发展。这幅曲线图来源于 Graph DBMS increased their popularity by 500% within the last 2 years

下面的列表表示的是目前比较流行的基于图存储的数据库排名。从这个排名中可以看出neo4j在整个图存储领域里占据着NO.1的地位，而且在RDF领域里Jena还是目前为止最为流行的存储框架。这部分数据来源于 DB-Engines Ranking

当然，如果需要设计的知识图谱非常简单，而且查询也不会涉及到1度以上的关联查询，我们也可以选择用关系型数据存储格式来保存知识图谱。但对那些稍微复杂的关系网络（现实生活中的实体和关系普遍都比较复杂），知识图谱的优点还是非常明显的。首先，在关联查询的效率上会比传统的存储方式有显著的提高。当我们涉及到2,3度的关联查询，基于知识图谱的查询效率会高出几千倍甚至几百万倍。其次，基于图的存储在设计上会非常灵活，一般只需要局部的改动即可。比如我们有一个新的数据源，我们只需要在已有的图谱上插入就可以。于此相反，关系型存储方式灵活性方面比较差，它所有的Schema都是提前定义好的，如果后续要改变，它的代价是非常高的。最后，把实体和关系存储在图数据结构是一种符合整个故事逻辑的最好的方式。

4.应用

在本文中，我们主要讨论知识图谱在互联网金融行业中的应用。当然，很多应用场景和想法都可以延伸到其他的各行各业。这里提到的应用场景只是冰山一角，在很多其他的应用上，知识图谱仍然可以发挥它潜在的价值，我们在后续的文章中会继续讨论。

反欺诈

反欺诈是风控中非常重要的一道环节。基于大数据的反欺诈的难点在于如何把不同来源的数据（结构化，非结构）整合在一起，并构建反欺诈引擎，从而有效地识别出欺诈案件（比如身份造假，团体欺诈，代办包装等）。而且不少欺诈案件会涉及到复杂的关系网络，这也给欺诈审核带来了新的挑战。知识图谱，作为关系的直接表示方式，可以很好地解决这两个问题。首先，知识图谱提供非常便捷的方式来添加新的数据源，这一点在前面提到过。其次，知识图谱本身就是用来表示关系的，这种直观的表示方法可以帮助我们更有效地分析复杂关系中存在的特定的潜在风险。

反欺诈的核心是人，首先需要把与借款人相关的所有的数据源打通，并构建包含多数据源的知识图谱，从而整合成为一台机器可以理解的结构化的知识。在这里，我们不仅可以整合借款人的基本信息（比如申请时填写的信息），还可以把借款人的消费记录、行为记录、网上的浏览记录等整合到整个知识图谱里，从而进行分析和预测。这里的一个难点是很多的数据都是从网络上获取的非结构化数据，需要利用机器学习、自然语言处理技术把这些数据变成结构化的数据。

不一致性验证

不一致性验证可以用来判断一个借款人的欺诈风险，这个跟交叉验证类似。比如借款人张三和借款人李四填写的是同一个公司电话，但张三填写的公司和李四填写的公司完全不一样，这就成了一个风险点，需要审核人员格外的注意。

再比如，借款人说跟张三是朋友关系，跟李四是父子关系。当我们试图把借款人的信息添加到知识图谱里的时候，“一致性验证”引擎会触发。引擎首先会去读取张三和李四的关系，从而去验证这个“三角关系”是否正确。很显然，朋友的朋友不是父子关系，所以存在着明显的不一致性。

不一致性验证涉及到知识的推理。通俗地讲，知识的推理可以理解成“链接预测”，也就是从已有的关系图谱里推导出新的关系或链接。比如在上面的例子，假设张三和李四是朋友关系，而且张三和借款人也是朋友关系，那我们可以推理出借款人和李四也是朋友关系。

组团欺诈

相比虚假身份的识别，组团欺诈的挖掘难度更大。这种组织在非常复杂的关系网络里隐藏着，不容易被发现。当我们只有把其中隐含的关系网络梳理清楚，才有可能去分析并发现其中潜在的风险。知识图谱，作为天然的关系网络的分析工具，可以帮助我们更容易地去识别这种潜在的风险。举一个简单的例子，有些组团欺诈的成员会用虚假的身份去申请贷款，但部分信息是共享的。下面的图大概说明了这种情形。从图中可以看出张三、李四和王五之间没有直接的关系，但通过关系网络我们很容易看出这三者之间都共享着某一部分信息，这就让我们马上联想到欺诈风险。虽然组团欺诈的形式众多，但有一点值得肯定的是知识图谱一定会比其他任何的工具提供更佳便捷的分析手段。

异常分析（Anomaly Detection）

异常分析是数据挖掘研究领域里比较重要的课题。我们可以把它简单理解成从给定的数据中找出“异常”点。在我们的应用中，这些”异常“点可能会关联到欺诈。既然知识图谱可以看做是一个图（Graph），知识图谱的异常分析也大都是基于图的结构。由于知识图谱里的实体类型、关系类型不同，异常分析也需要把这些额外的信息考虑进去。大多数基于图的异常分析的计算量比较大，可以选择做离线计算。在我们的应用框架中，可以把异常分析分为两大类：静态分析和动态分析，后面会逐一讲到。

-静态分析

所谓的静态分析指的是，给定一个图形结构和某个时间点，从中去发现一些异常点（比如有异常的子图）。下图中我们可以很清楚地看到其中五个点的相互紧密度非常强，可能是一个欺诈组织。所以针对这些异常的结构，我们可以做出进一步的分析。

-动态分析

所谓的动态分析指的是分析其结构随时间变化的趋势。我们的假设是，在短时间内知识图谱结构的变化不会太大，如果它的变化很大，就说明可能存在异常，需要进一步的关注。分析结构随时间的变化会涉及到时序分析技术和图相似性计算技术。有兴趣的读者可以去参考这方面的资料【2】。

失联客户管理

除了贷前的风险控制，知识图谱也可以在贷后发挥其强大的作用。比如在贷后失联客户管理的问题上，知识图谱可以帮助我们挖掘出更多潜在的新的联系人，从而提高催收的成功率。

现实中，不少借款人在借款成功后出现不还款现象，而且玩“捉迷藏”，联系不上本人。即便试图去联系借款人曾经提供过的其他联系人，但还是没有办法联系到本人。这就进入了所谓的“失联”状态，使得催收人员也无从下手。那接下来的问题是，在失联的情况下，我们有没有办法去挖掘跟借款人有关系的新的联系人？而且这部分人群并没有以关联联系人的身份出现在我们的知识图谱里。如果我们能够挖掘出更多潜在的新的联系人，就会大大地提高催收成功率。举个例子，在下面的关系图中，借款人跟李四有直接的关系，但我们却联系不上李四。那有没有可能通过2度关系的分析，预测并判断哪些李四的联系人可能会认识借款人。这就涉及到图谱结构的分析。

智能搜索及可视化展示

基于知识图谱，我们也可以提供智能搜索和数据可视化的服务。智能搜索的功能类似于知识图谱在Google, Baidu上的应用。也就是说，对于每一个搜索的关键词，我们可以通过知识图谱来返回更丰富，更全面的信息。比如搜索一个人的身份证号，我们的智能搜索引擎可以返回与这个人相关的所有历史借款记录、联系人信息、行为特征和每一个实体的标签（比如黑名单，同业等）。另外，可视化的好处不言而喻，通过可视化把复杂的信息以非常直观的方式呈现出来，使得我们对隐藏信息的来龙去脉一目了然。

精准营销

“A knowledge graph allows you to take core information about your customer—their name, where they reside, how to contact them—and relate it to who else they know, how they interact on the web, and more”-- Michele Goetz, a Principal Analyst at Forrester Research

一个聪明的企业可以比它的竞争对手以更为有效的方式去挖掘其潜在的客户。在互联网时代，营销手段多种多样，但不管有多少种方式，都离不开一个核心-分析用户和理解用户。知识图谱可以结合多种数据源去分析实体之间的关系，从而对用户的行为有更好的理解。比如一个公司的市场经理用知识图谱来分析用户之间的关系，去发现一个组织的共同喜好，从而可以有针对性的对某一类人群制定营销策略。只有我们能更好的、更深入的（Deep understanding）理解用户的需求，我们才能更好地去做营销。

5.挑战

知识图谱在工业界还没有形成大规模的应用。即便有部分企业试图往这个方向发展，但很多仍处于调研阶段。主要的原因是很多企业对知识图谱并不了解，或者理解不深。但有一点可以肯定的是，知识图谱在未来几年内必将成为工业界的热门工具，这也是从目前的趋势中很容易预测到的。当然，知识图谱毕竟是一个比较新的工具，所以在实际应用中一定会涉及到或多或少的挑战。

数据的噪声

首先，数据中存在着很多的噪声。即便是已经存在库里的数据，我们也不能保证它有100%的准确性。在这里主要从两个方面说起。第一，目前积累的数据本身有错误，所以这部分错误数据需要纠正。最简单的纠正办法就是做离线的不一致性验证，这点在前面提过。第二，数据的冗余。比如借款人张三填写公司名字为”普惠“，借款人李四填写的名字为”普惠金融“，借款人王五则填写成”普惠金融信息服务有限公司“。虽然这三个人都隶属于一家公司，但由于他们填写的名字不同，计算机则会认为他们三个是来自不同的公司。那接下来的问题是，怎么从海量的数据中找出这些存在歧义的名字并将它们合并成一个名字？这就涉及到自然语言处理中的”消歧分析”技术。

非结构化数据处理能力

在大数据时代，很多数据都是未经处理过的非结构化数据，比如文本、图片、音频、视频等。特别在互联网金融行业里，我们往往会面对大量的文本数据。怎么从这些非结构化数据里提取出有价值的信息是一件非常有挑战性的任务，这对掌握的机器学习，数据挖掘，自然语言处理能力提出了更高的门槛。

知识推理

推理能力是人类智能的重要特征，使得我们可以从已有的知识中发现隐含的知识，一般的推理往往需要一些规则的支持【3】。例如“朋友”的“朋友”，可以推理出“朋友”关系，“父亲”的“父亲”可以推理出“祖父”的关系。再比如张三的朋友很多也是李四的朋友，那我们可以推测张三和李四也很有可能是朋友关系。当然，这里会涉及到概率的问题。当信息量特别多的时候，怎么把这些信息（side information）有效地与推理算法结合在一起才是最关键的。常用的推理算法包括基于逻辑（Logic）的推理和基于分布式表示方法（Distributed Representation）的推理。随着深度学习在人工智能领域的地位变得越来越重要，基于分布式表示方法的推理也成为目前研究的热点。如果有兴趣可以参考一下这方面目前的工作进展【4,5,6,7】。

大数据、小样本、构建有效的生态闭环是关键

虽然现在能获取的数据量非常庞大，我们仍然面临着小样本问题，也就是样本数量少。假设我们需要搭建一个基于机器学习的反欺诈评分系统，我们首先需要一些欺诈样本。但实际上，我们能拿到的欺诈样本数量不多，即便有几百万个贷款申请，最后被我们标记为欺诈的样本很可能也就几万个而已。这对机器学习的建模提出了更高的挑战。每一个欺诈样本我们都是以很高昂的“代价”得到的。随着时间的推移，我们必然会收集到更多的样本，但样本的增长空间还是有局限的。这有区别于传统的机器学习系统，比如图像识别，不难拿到好几十万甚至几百万的样本。

在这种小样本条件下，构建有效的生态闭环尤其的重要。所谓的生态闭环，指的是构建有效的自反馈系统使其能够实时地反馈给我们的模型，并使得模型不断地自优化从而提升准确率。为了搭建这种自学习系统，我们不仅要完善已有的数据流系统，而且要深入到各个业务线，并对相应的流程进行优化。这也是整个反欺诈环节必要的过程，我们要知道整个过程都充满着博弈。所以我们需要不断地通过反馈信号来调整我们的策略。

6.结语

知识图谱在学术界和工业界受到越来越多的关注。除了本文中所提到的应用，知识图谱还可以应用在权限管理，人力资源管理等不同的领域。在后续的文章中会详细地讲到这方面的应用。

参考文献

【1】De Abreu, D., Flores, A., Palma, G., Pestana, V., Pinero, J., Queipo, J.,...& Vidal, M. E.(2013). Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data. In COLD.

【2】User Behavior Tutorial

【3】刘知远知识图谱——机器大脑中的知识库第二章知识图谱——机器大脑中的知识库

【4】Nickel, M., Murphy, K., Tresp, V.,& Gabrilovich, E. A Review of Relational Machine Learning for Knowledge Graphs.

【5】Socher, R., Chen, D., Manning, C. D.,& Ng, A.(2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in Neural Information Processing Systems(pp. 926-934).

【6】Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J.,& Yakhnenko, O.(2013). Translating embeddings for modeling multi-relational data. In Advances in Neural Information Processing Systems(pp. 2787-2795).

【7】Jenatton, R., Roux, N. L., Bordes, A.,& Obozinski, G. R.(2012). A latent factor model for highly multi-relational data. In Advances in Neural Information Processing Systems(pp. 3167-3175).

三、ibm的情况***从一开始到现在全部的情况

你这个问题还真剌手啊，

IBM前三十年的历史就是IT业前三十年的历史。这是我最初接触计算机的时候听说的一句话，一直以来，对IBM都是心存崇敬，这是一个很奇特也很强大强大的公司，从螺丝钉键盘鼠标到CPU硬盘内存到大型机巨型机，它都可以制造，从软件到硬件到服务，它都可以提供，这在IT历史上，是否绝后我不敢说，空前应该是没什么问题了。

IBM是全球IT第一巨头，在过去半个多世纪中遥遥领先，与第二名拉开极大的距离，人称“蓝色巨人”。长久以来，IBM就是计算机的代名词。IBM无论在美国国内，还是在世界上，都取得了极大的成功，有着极其深远的影响。这家1914年创立的公司，目前拥有全球雇员30万多人，业务遍及160多个国家和地区。2000年，IBM公司的全球营业收入达到八百八十多亿美元。

因此，IBM的历史就是一部计算机的历史。美国《时代周刊》称：“IBM的企业精神是人类有史以来无人堪与匹敌的……没有任何企业会像IBM公司这样给世界产业和人类生活方式带来和将要带来如此巨大的影响。”就连比尔·盖茨也不得不承认：“IBM才是计算机行业的真正霸主，毕竟是它一手栽培了我。”

缔造蓝色巨人的沃森父子

返回顶端

1888年，第一台刻度盘记录器（dial recorder）诞生。是由Alexander Dey博士发明的，Dey所在的公司后来（1907年）被IBM前身中的一家公司收购。

1896年， Herman Hollerith在华盛顿特区组建制表机器公司（Tabulating Machine Company），这是世界上第一家电子制表与财务审计机器公司。

1901年，George W. Fairchild成立国际时间记录公司（Inter-national Time Recording Company），该公司是邦迪制造公司、威拉德与弗里克制造公司和标准时间印章公司三家公司的销售公司，同时还生产卡片记录器。

1905年，制表机器公司在新泽西实现合并。除了拥有并控制Hollerith Tabulating专利和系统外，制表机器公司还是审计机器公司（Auditing Machine Company）的大股东，现在该公司作为一个部门运作。

1906年，第一台可以自动供纸的制表机问世，该机每分钟可处理150个卡片。

1906年，国际时间记录公司在伯明翰建立了第二个工厂后，又在纽约州Endicott建设了一坐现代化的，用水泥加固的工厂，该工厂所在地是现在的IBM公司工厂的原址。

1907年，国际时间记录公司收购戴伊时间记录器公司(即1883年成立的戴伊专利权公司)，该公司生产刻度盘、卡片和工时记录器。国际时间记录公司的所有业务都转移到了约州的Endicott。

1908年，制造刻度盘记录器的锡拉丘兹时间记录公司（Syracuse Time Recording Company）被国际时间记录公司收购。

1911年，Charles R. Flint筹划了国际时间记录公司、计算尺公司和制表机器公司三家公司的合并，成立了计算-制表-记录公司（Computing-Tabulating-Recording Company，即C-T-R公司）。George Fairchild成为公司的董事会董事长。(C-T-R公司后来在1924年改名为国际商用机器公司，即IBM)

1914年，Thomas J. Watson, Sr.加盟C-T-R公司，成为公司的总经理。此时，C-T-R在美国通过销售、服务与出租等方式获得在总收入达到了400万美元。每一百股C-T-R公司的股票价值不足3000美元。年底公司有770位持股人，员工达到了1，346名。

1914年，财务处理机器的应用开始普及开来。财务处理产品包括机械化的键盘穿孔机、手工操作的复穿孔机、垂直分拣机和制表机等。这些产品的客户包括铁路、化工公司、公用事业公司和人寿保险公司等。

1915年，T. J. Watson, Sr.当选C-T-R公司总裁兼总经理。第一次销售大会召开，后来形成百分百俱乐部大会（One Hundred Percent Club Convention）。销售力量进行了重组并得到了加强。

1915年，著名的“Think”标志，老沃森提出的口号，开始在公司内部使用。

1916年，C-T-R公司的总收入达到了600万美元，净收益为100万美元。员工达到2,529名。同时，公司向销售人员培训计划迈出了第一步。

1917年，C-T-R公司以国际商用机器有限责任公司（International Business Machines Co., Limited，IBM）的名字进入加拿大市场。

1919年，C-T-R公司进入欧洲市场。公司内部刊报The T. M. Business Record第一期发行。

同年，推出电子同步计时钟系统。

1920年，研制成功时钟签名记录器（Lock Autograph Recorder）并推向市场。1921年，制表机器公司获得皮尔斯财务处理机器公司（Pierce Accounting Machine Company）和芝加哥票券印刷公司（Ticketograph Company of Chicago）的专利与设备。

1924年，计算-制表-记录公司（即C-T-R公司）改名为国际商用机器公司（IBM公司）。四分之一世纪俱乐部（Quarter Century Club）成立，该俱乐部只承认那些为公司工作25年以上的员工。IBM公司公司内部刊物《商用机器》（Business Machines）第一期发行。

1933年，IBM公司校舍与工程实验室大楼（IBM Schoolhouse and Engineering Laboratory Building）在纽约州的恩迪科特（Endicott）落成。

1935年，面向员工和客户的杂志《思索》（Think）第一期发行。IBM公司在纽约州恩迪科特举办了第一届服务性行业女性系统训练班。

1940年，由于二战业已爆发，IBM大量生产军需品，生产线日益扩大。

战争年代里，IBM迈出了跨入计算领域的第一步，1944年，IBM公司向哈佛大学赠送其首台大型计算机--自动顺序控制计算机，也被称为Mark I。

1951年，IBM开始决定开发商用电脑，聘请冯·诺依曼担任公司的科学顾问，1952年12月研制出IBM第一台存储程序计算机，也是通常意义上的电脑，它叫IBM 701。这是IT历史上一个重要的里程碑。

1952年，小沃森出任CEO，IBM新一代领导集体诞生。

1964年4月7日，IBM主席Tom Watson, Jr.亲自发布System 360。

1969年，在小沃森的改革下，IBM公司采纳新的营销政策，对大部分系统工程活动、将来的计算机程序和客户培训课程分别进行收费。同年，政府在提出诉讼，控告IBM公司“企图垄断，并且已经垄断了...用于一般目的的数字计算机”。政府起诉，IBM公司在1967年控制了市场的76%。此外，政府还声称，IBM用了许多办法来阻止其他公司的竞争，包括价格限制，即降低价格以阻止进入该行业，以及引起减少其他公司产品吸引力的新产品。 IBM以顽强而有力的方式对政府的诉讼案（及许多私人诉讼案）进行了抗争。案件持续了13年。

在七十年代看起来是沃森家族对IBM的领导的结束，1971年，Thomas J. Watson, Jr.退休，成为执行委员会的主席。Frank T. Cary于1973年接任CEO。

在卡里的领导下，IBM在人们日常生活中扮演着越来越重要的角色。1971年，IBM公司生产的计算机引导"阿波罗14号"和"阿波罗15号"宇宙飞船成功登月。

1981年，John R.Opel出任CEO，开创了IBM历史新纪元，由于IBM—PC，IBM商标开始进入家庭、学校、中小企业。Intel和微软的霸业在此萌芽。

1985年，John F. Akers接任CEO。IBM投资的科研项目催生了四位诺贝尔奖获得者。

1993年，IBM的年收入下降到627.1亿美元，较1992年下降2.8%。纯收入下降到负81亿美元，较上一年下降了63.1%。公司机构重组花费了89亿美元（税前）用以提高公司生产效率和减少资源浪费。

1993年，Louis V. Gerstner, Jr出任CEO。

进入21世纪之后，IBM的领导层又发生了一次变化，Samuel J. Palmisano于2000年做了IBM的总裁，两年后，接任CEO。

返回顶端

算盘

1774年，Hahn计算器

1857年，Hill计数器

1890年人口普查使用的制表机

1930年，IBM550

工业刻度盘

IBM5140

s360

World Clock Globe Atlas

卢波特计算器

马卓计算器

计数器原型

Midget Brunsviga

Peerless计算器

SAGE

SSEC控制桌面

Layton改进的计数器

Thacher圆柱计算尺

TIM计算器不断完善中...

返回顶端

托马斯·沃森父子：全球最大IT公司IBM创造者、前CEO

父子俩成就了全球IT业第一巨头IBM，人称“蓝色巨人”。长久以来，IBM就是计算机的代名词。IBM的历史就是一部计算机的历史。老沃森是20世纪前半叶伟大的企业家之一。而小沃森任职期间，IBM为股东创造的财富超过了商业史上任何一家公司，《财富》杂志因此在1987年宣布他“或许是当代最伟大的资本家”。

托马斯·约翰·沃森（老沃森）简介

Thomas J. Watson，托马斯·约翰·沃森，IBM（国际商用机器公司）创始人。1874年2月17日出生于美国纽约。毕业于美国埃尔米拉商业学校。1896年进入美国“全国收款机公司”担任推销员，1914年进入计算制表记录公司（CTR）任公司经理。1924年改计算制表记录公司（CTR）为IBM公司，成为IBM的创始人。1956年去世。

老沃森是20世纪前半叶伟大的企业家之一。作为一名销售天才，他说服商家们放弃分类帐簿，而使用穿孔卡这种原始的会计机器来计帐。他使 IBM闻名遐迩。他给世界留下了一句箴言——“思考”。但是，把 IBM推进计算机行业的，是他的长子小沃森。1956年取代父亲成为首席执行官后，他领导公司度过了一个前所未有的长期的、惊人的迅猛增长时期。他塑造的 IBM是美国战后繁荣时期最脍炙人口的成功故事——每当人们谈到美国公司和“组织人”的话题的时候，他们的脑海里就会涌现出这家公司。到 1971年小沃森离开 IBM的时候，公司已经彻底击败了通用电气公司（General Electric）、美国无线电公司（RCA）和斯佩里－通用自动计算机公司（Sperry-Univac）这些计算机行业的竞争对手。无论是规模还是地位，它都超过了这些曾一度主宰美国商界的老牌大公司。在他任职期间，IBM为股东创造的财富超过了商业史上任何一家公司——这一成就一直延续到 90年代的牛市，《财富》杂志因此在 1987年宣布沃森“或许是当代最伟大的资本家”。

小托马斯·约翰·沃森简介

Thomas J. Watson Jr，小托马斯·约翰·沃森，IBM（国际商用机器公司）的开拓者。1914年生于美国俄亥俄州的代顿市。1937年毕业于美国布朗大学。毕业后进入IBM公司，二战时（1942年）到美国空军服役，1946年重返IBM，1952年担任IBM总裁。1956年担任IBM董事长，1971年因病辞去董事长职务。

小沃森出生于1914年，小汤姆的名字终生都跟随着他，即使他变成了年近80岁的老头，仍然被叫做小汤姆。1937年，小沃森前往IBM销售学校。这是IBM的灵魂，因为这里生产公司的销售和管理人才。1941年11月，战争气息渐浓，小沃森赶回纽约，向他几年前认识的女友求婚，在基地匆匆举行了婚礼。不过汤姆在战争期间，多半是替一位空军将军开飞机。开始靠着观察和模仿，学会如何管理人。这段经历，使他摆脱了父亲的阴影，有了自信心。1949年小沃森当了IBM执行副总裁，老沃森对新兴的电子技术商业化不感兴趣。小沃森成为IBM第二号人物后，当即对研究机构进行革新。在公司发展方向上实施了带根本性的改革， IBM开始跨越传统。1950年5月，任命麦克道尔为实验室负责人，并让他在全球各地大量招聘电子技术方面的人才。而“国防计算机”的研制正是小沃森率领IBM进入电子技术的一次冒险，是公司发展方向的彻底革命。

50年代初期，雷明顿－兰德公司将一台Univac电脑售给华盛顿的统计局，引起轰动。而统计局自19世纪80年代起就一直是IBM打孔机的忠实用户。小沃森闻之大惊。立即召开紧急会议，下令用最快的速度将Univac赶出IBM的领地。1951年，IBM开始决定开发商用电脑，聘请冯·诺依曼担任公司的科学顾问，1952年12月研制出IBM第一台存储程序计算机，也是通常意义上的电脑，它叫IBM 701。1956年5月，老沃森正式将IBM的权力之柄移交给小沃森。父与子握手的镜子出现在《纽约时报》上，代表着两个时代的过渡。这时IBM已是美国排名第37位的大公司。1961年，在父亲去世5周年纪念日上，小沃森看着桌上的公司发行股票总额对妻子奥利夫说：“我又独自经营了IBM公司一年。”这一年，公司年收入达20亿美元之巨。股票价值比5年前增了4倍。1965年，数百台360型电脑出厂交付使用，到1966年底，已有8000台电脑出厂，使IBM年收入超过40亿美元，税前存利润高达10亿美元。一场历时5年的“赌注”50亿美元的超级冒险终于见出了分晓。小托马斯?沃森和IBM成了史无前例的大赢家。

1993年12月31日，小沃森因中风并发症去世，享年79岁。他最具价值的遗产可以归结为几个字：“IBM就是服务”。

IBM PC之父：埃斯特利奇

当年，IBM曾是点燃PC熊熊大火的主力军，手持火种的就是埃斯特利奇。他在IBM这个十分“有序”的环境中，总是显得格格不入，但恰是这种个性让他有机会成就了一番事业，把小小的PC一举推向计算机产业中最核心的产品。尽管大功告成后，反而给他招来许多麻烦，并且，他的生命结束于不幸的飞行事故,但打开昨天的篇章，历史永远会承认一个真正有贡献的人。

如果说个人电脑之火是由苹果引燃的，那么IBM的介入，才真正将这场大火燃遍全球，且越燃越烈，将小小PC一举推向计算机产业最核心的产品，统帅起整个产业，热度持续近20年。而缔造IBMPC的就是IBM历史上最富个人魅力的唐·埃斯特利奇。

埃斯特利奇一生都在逃避官僚体系，但他发现自己最终又被网在其中。经历调职纷扰后，埃斯特利奇终于带着太太，去度承诺已久的假期，好让所有的烦恼消去。 1985年8月2日，两人乘坐的191班机试图在暴风雨中降落到达拉斯机场。离地面只有700英尺时，飞机失控，埃斯特利奇和太太玛丽不幸丧生。一代英才就此陨落。

此后，IBMPC再也不能展现雄风，再也不会有最早的PC、XT机、AT机那样具有视野宽广和卓尔不群的产品。盖茨称，埃斯特利奇是他在IBM公司中惟一可以推心置腹的人。虽然两人时有激烈分歧，但埃斯特利奇是少有的可让他折服的对手。当时IBM的董事长埃克斯在致哀悼时说，埃斯特利奇本有可能最后成为IBM的董事长，但对逝去的人来说，这些话毫无意义。（来自博客中国，阅读全文）

路易斯·郭士纳：IBM主席兼CEO

郭士纳，Louis V. Gerstner, Jr.，曾任IBM主席兼首席执行官，出生地：纽约长岛，毕业学校：哈佛大学MBA。

1993年4月1日，愚人节。郭士纳从埃克斯手中接过IBM权力之柄，担任董事长兼CEO。在纽约希尔顿饭店的新闻发布会上，人们对这位美国最大的RJR食品烟草公司老板充满了好奇，让一位外行来执掌全球最大的计算机公司，这事还发生在极为官僚和保守的IBM内，实在是不可思议。郭士纳贯穿整个发布会的主题就是：“我是新来的，别问我问题在哪或有什么解答，我不知道”。但是他说自己学习速度快，而且有勇气采取严厉措施。显然，这种场合他要为前任留下一点脸面。但是他已明白无误地发出了改变IBM的信号：与众不同地穿着蓝色衬衫。

郭士纳似乎生来就缺技术基因，他先在达特默斯大学攻读工程学位。但很快移情别恋，到哈佛大学攻读MBA。1962年，MBA到手后，郭士纳加入麦金西管理咨询公司，成为炙手可热的一号人物，他以善于迅速吸收大量信息，立即归纳企业问题著称。28岁时郭士纳就成为合伙人，时间短得接近创纪录，是公司有史以来最年轻的合伙人。三十三岁他就出任总监，继而开始就任多家大公司的总裁。1970年，麦金西派他前往运通公司（American Express）从事咨询工作，结果他加入了这家公司。1985年郭士纳升任总裁，他以引进外人担任高职著称，全然无视公司晋升规则和层级制度。同时他也以积极运用消费者导向，推行单一品牌名称而闻名，是替运通建立“美国运通信用卡”名号的功臣之一。这位出了名的虔诚教徒，住进旅馆后的第一件事就是找最近的天主教堂。不过运通员工印象最深的还是他那常用的威吓管理方法。尽管他办公室门紧闭，但他的吼声还是穿透出来：“这是我听过最蠢的事情！你这个白痴！滚出去”！一秒钟后，会有一位满面通红的员工溜出来。他曾被外界视为公司董事长詹姆斯·罗宾逊三世的当然继承人。4年后这个希望破灭。他又成为食品和烟草巨子雷诺公司(RJR Nabisco)总裁，直到IBM用高薪将其挖走。

事实证明郭士纳物有所值。

IBM历史上的CEO及任期姓名（英文）任期

第一任 Thomas J. Watson 1914- 1956

第二任 Thomas J. Watson Jr. 1956- 1971

第三任 T. Vincent Learson 1956- 1971

第四任 Frank T. Cary 1973- 1981

第五任 John R. Opel 1981-1985

第六任 John F. Akers 1985- 1993

第七任 Louis V. Gerstner, Jr. 1993- 2002

第八任 Palmisano, Samuel J. 2002至今

返回顶端

IBM，即International Bussiness Machine Corporation，国际商业机器公司，成立于1914年，截止2002年底拥有雇员315889人，总资产965亿美元，是全球最大的IT公司。

最近四年收入状况

1999年：833.34亿美元

2000年：850.89亿美元

2001年：830.67亿美元

2002年：811.86亿美元

纳斯达克股票代码：IBM