Uber在过去五年里花了25亿美元,但现在离自动驾驶汽车的交付仍很遥远。
今年全球公司在人工智能系统(AI)上的支出将超500亿美元,是个创纪录的投资,但绝大多数公司可能不会从中获得太多回报。
《麻省理工学院Sloan管理评论》及波士顿咨询集团(英文缩写为BCG)最近对3,000多位公司经理的人工智能支出进行了一项调查并发布报告称,到目前为止,只有10%的公司从人工智能投资获得重大财务收益。
这项研究的负责人BCG北美人工智能业务联席主管Shervin Khodabandeh表示,人工智能技术的收益并未跟上采用步伐。Khodabandeh称,“我们见到更多的人工智能活动,更多的活动也意味着在技术和数据科学的投资更多。但其影响力并没有真正改变。”
该研究报告里的结果应该会引起有些企业的担心,这些企业在AI项目不断以惊人的速度投入资金,希望能将人工智能工具用于各种领域,例如管理合同、家庭助理和自动驾驶汽车。IDC数据显示,今年全球人工智能系统的投资预计将超过500亿美元。IDC还预测,到2024年,人工智能系统投资额将达到1100亿美元。
尽管投入了数十亿美元,失败的AI项目却成了不断增加的因素。例如,IBM的Watson技术吸引了不少风险投资,一个肿瘤学项目就募得6200万美元,但项目的系统在癌症治疗上却因提出不当的建议曾被嘲讽。IBM后来降低了旗下Watson技术的优先级。亚马逊AI也由于出现歧视女性的偏见而搁置了AI招聘工具。一些较小的企业发现,构建人工智能技术比表面上看起来要更难一些,一些应该由AI驱动的虚拟助手和会议调度程序最终要依赖幕后的人工操作。
Khodabandeh表示,公司要交付达到预期结果的AI项目碰到困难,因为他们在科技和数据科学家方面的花费太多,但却没有在业务流程上做出改动致使业务从AI中受益。Khodabandeh这一结论与6月份发表的《哈佛商业评论》报告相仿。
再来看看以打车为服务的Uber公司。Uber工程师上个月得出结论,旗下的自动驾驶汽车行驶不出半英里就会遇到问题。根据The Information网站一份报告(https://www.theinformation.com/articles/infighting-busywork-missed-warnings-how-uber-wasted-2-5-billion-on-self-driving-cars)的资料,该项目的人工智能“连搞定简单的路线和简单的操作都吃力得紧”。根据一份内部备忘录资料,失败的部分原因:内部各种想法在如何实施人工智能技术方面没法达成一致。
不过由于AI在节省和改善大规模业务上存在的潜力,一众公司也不太可能很快停止对该技术的投资。BCG和麻省理工学院的研究人员发现,57%的公司表示已部署或试用了自己的AI项目,高于2018年的44%。
Khodabandeh表示,要想从这些项目获得回报,更多的AI采用者需要重新考虑如何在自己的业务中整合人工智能技术。他表示,“显然有很多炒作。有些炒作来自数据。”
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。