人类能够和人工智能支持的机器能够友好相处吗?当涉及到人工智能和机器学习时,人们普遍担心的是它会把工作带走。
然而,两位埃森哲(Accenture)的思想领袖对此却有着不同的看法,他们描绘了人工智能和机器学习推动的商业世界一个不那么反乌托邦的未来。也就是说,人工智能和机器学习系统和人类配合实际上可能会让工作变得更有趣、更有意义也更好玩。
让人工智能以这种方式工作的组织将领导他们所在的行业。然而,让人工智能以新奇而令人惊叹的方式工作需要非常强大的想象力。在他们最新的著作《人+机器》(《Human + Machine》)中,Paul Daugherty和H. James Wilson表示,随着人类和智能机器之间的合作日益密切,工作流程变得更加流畅并更具适应性,使员工和公司可以随时进行更改——甚至是完全重新想象它们。
Daugherty和Wilson研究了1500个组织的实践和方法,发现要想借助人工智能成功,需要的不仅仅是技术实力,还需要与之匹敌的想象力。
大胆地想象出新的流程。两位作者表示:“在试图重新想象一个流程的时候,人们会很自然地受到以前做这件事的方式的束缚,因此很难想象出事情本身应该的样子。”他们认为:“为了避免这种情况,他们应该始终牢记传统业务流程与新的、人工智能的方法之间的差异。我们的研究表明结果不再是线性的,而是指数性的。变化不再是偶尔为之,也不再是人类主导的;它是自适应的,根据人类和机器的实时输入进行调整。角色不仅仅限于只是人类或者只是机器;还必须包含中间缺失部分的协作工作。”
想象和实验。Daugherty和Wilson指出:“在科学领域,一个不支持假想的实验并不被称之为失败。它被称为数据。”这也是设计新的商业流程时应该采用的思维模式。他们表示:“标准业务流程的时代已经结束了;企业不能再致力于复制行业领导者的最佳流程。”他们认为:“这就是为什么实验非常重要的原因所在。但是,这些需要因地制宜的流程需要管理者和领导者在整体上更加理解他们的员工和文化,这样他们才能知道应该在何时,以什么方式进行实验。”
想象一种人与机器配合的混合文化。两位作者指出,信任是混合文化中的关键。“你如何培养一种信任文化,甚至将其延伸到机器人同事身上?一种方法是对人工智能进行测试并训练它。为了产生对人工智能系统的信任,领导者们应该允许那些与系统一起工作的人和结果利益相关,并且对系统内部工作产生紧迫感。在理想情况下,人工智能系统通常应该被设计为能够为它们的决策提供解释,并帮助人们保持一定的决策自主性。开发基本上基于信任的流程需要时间和实验,但案例研究表明,如果各方都得到信任——人类、机器、人类和机器一起工作——那么结果可能会对每个人都更好。”
想象一个数据供应链。“只有分析师和数据科学家从分析工具中受益吗?你的目标应该是用这种方式获得见解,让任何人,特别是不那么有技术的商业用户能够利用数据想要告诉他们的故事。将数据想象为一个端到端的供应链……这是一种全新的看待数据的方式,不将其看成是一个管理企业各处散落的数据的静态过程,而是将其看成是一个在全企业范围内捕获、清洗、整合、策划和存储信息的动态活动。”
编译:科技行者>
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。