新冠疫情疫情的肆虐给我们熟悉的生活方式带来彻底颠覆,而新兴技术的采用,又成为其中最为直接的体现。
尽管社交隔离、封城、勤洗手以及佩戴口罩等简单的传统方法仍然更加有效,但我们的现代社会明显希望拿出更为现代的解决方案。
因此,疫情成为技术应用的强大加速器——Zoom视频会议、电商配送变得更加普遍,并吸引到很多原本从来不使用这些服务的新客户。
但是,这些解决方案虽然搞定了不少迫切需求,但其本身却未必做好了万全准备。未来的道路上,我们又将面对哪些挑战、又该如何应对?
习惯的转变
随着人们居家时间的延长,对支持及咨询服务的需求也开始快速上升。语音平台Kore.ai首席执行官兼创始人Raj Koneru表示,“通话量激增了30%到40%,如此沉重的负担只能由那些同样被迫待在家中的远程接线员们承受。”
呼叫中心无疑是受影响最严重的领域。疫情爆发之后,现场工作人员的数量急剧缩减,不少公司甚至迫于预算压力而大幅裁员。但与此同时,客户的呼叫数量开始激增,需要更多服务资源。为此,企业开始将目光转向人工智能。
虚拟助手(或AI驱动型代理)开始接听电话并替代人类接线员。尽管在智能程度上还无法与人类员工相比肩,但它们确实可以处理大部分简单且常见的呼叫工作,保证人类接线员腾出更多精力处理真正复杂的任务。
这对接线员们来说也是件好事,他们的工作压力得以减轻,同时也较少受到情绪激动的客户们的骚扰。Koneru解释道,“通过转移掉不必要的呼叫,快速回答基础问题并为员工提供正确的知识与技能培训,AI解决方案极大改善了原本工作内容单调、繁琐且效率低下等难题。”
基于AI技术的内容审核则是另一类重要应用方向。尽管技术本身还没有彻底成熟,但随着运营人员被迫待在家中,大型科技企业只能快速上马AI方案以应对最低限度的审核需求。事实上,内容审核也是机器人最理想的应用场景之一,能够把饱受枯燥工作内容折腾的审核员们解放出来。
另外,医院、旅馆及饭店中的机器人使用量也在提升。机器人服务员的出现,创造出更安全的环境并强化了物理隔离效果。
此外,技术也在对抗冠状病毒、发现病毒疫苗方面贡献着力量,为我们带来与行动轨迹相关的跟踪类移动应用,甚至开始在医学研究中发挥重要作用。
但问题同样不少
在享受技术收益的同时,我们也需要付出一定代价。举例来说,如果不是为了应对疫情爆发这一特殊状况,能够跟踪用户行动轨迹的应用将由于严重侵犯隐私而永远不会出现在我们的手机当中。
另一个例子是Zoom:该产品此前从未经过如此大规模的测试,因此很快成为黑客们的攻击目标。好在该公司快速采取措施,旨在提高所有用户的安全性与隐私性。
更重要的是,技术方案的不断上线消灭了大量工作岗位。被迫长期待在家中本来就给民众的心理健康造成严重影响,再加上失业率提升的冲击,情况恐怕只会进一步恶化。
拿出负责人的解决方案
没错,那些有可能威胁人类生命安全、或者损害心理健康的工作岗位,确实应该更多交给AI技术处理。此外,我们也无法苛责企业对AI技术的全面推动,毕竟谁在这场竞争中落后,谁就会被市场所无情淘汰。
但我们也需要认识到,一家企业克敌制胜的法宝在于员工,而非单纯的技术。与提升员工的生产效率相比,从节约工时中获得的收益其实相当有限。另外,增加工作时间也并不一定能带来更好的结果。
相比之下,有研究表明,员工完全可以用更短的工作时间带来更高的生产效率。微软公司曾尝试过组织每周四天工作制,并最终将其定为正式制度——员工们不仅满意度更高,而且生产率也提高了40%。
这是一场质量远比数量更重要的比拼。就目前的情况看,“快速行动、不断试错”理念所带来的新问题,远比其解决掉的旧问题更多。企业必须立足长远,在照顾好自身业务的同时,重视员工的实际感受。Raj Koneru坦言,“必须承认,一部分工作岗位肯定会被AI技术全面取代。在我们看来,企业应该努力提升员工技能,而不是总想着将其取代。最重要的是从员工队伍中发现隐藏的人才,并思考如何通过培养他们增加业务价值。”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。