人工智能(AI)是正在改变很多行业的游戏规则。据统计,人工智能有望为2030年的全球经济贡献高达15.7万亿美元,比中国和印度目前的产出之和还要多。其中的6.6万亿美元可能来自生产力的提高,9.1万亿美元则可能来自消费方面的影响。
而Pricewaterhouse Cooper(PwC,普华永道)的第三份年度人工智能预测报告则强调,在准备大规模人工智能项目时,应聚焦基础知识的重要性。
PwC报告分析了美国调查问卷的一千多名受访者(200名首席执行官)并提出一个重要的问题:业界的公司在使用人工智能方面进展如何?根据调查问卷的结果,人工智能的使用量增加,变革势头正在形成。数据显示:
1. 7% 的受访者目前未使用人工智能,但正在研究和准备
2. 14%的受访者已经测试过一些概念验证,但效果有限
3. 21%的受访者做过一些好的概念证明并正在寻求扩大规模
4.25%的受访者拥有完全由人工智能实现的流程并且得到广泛采用
5.33%的受访者已经开始实施有限的人工智能用例
这些都是良好的增长迹象,也表明业界对人工智能的信心正在增长,同时越来越多的美国公司也正在加大人工智能投资。52%的PwC受访者在COVID-19危机后加快了他们实施AI方法的速度。这些公司提到,他们的首要变化是聚焦在人工智能新应用方面(40%),以及增加人工智能投资(也是40%)。另外,有86%的受访者表示,人工智能将在2021年成为自己公司的“主流技术”。
报告提到,人工智能给企业带来的主要好处包括了:1)创造更好的客户体验;2) 改善决策;3) 创新产品和服务;4) 实现成本节约;5)更有效地运作并提高生产力。
该项研究还强调指出,要实现这些好处并不容易,原因是成本节约的优势,也就是勉强做到收支平衡。报告还强调提出:“对于一项可能是公司未来基础的投资来说,能做到收支平衡未必是件坏事。但更聪明的投资也是可能的,以期能在现在和未来很长一段时间内获得更好的回报。”
此外,该报告还定位了最终将促成转型的五个优先事项。
首先,聚焦日常人工智能。这是非常关键的信息,因为人工智能不是一场简单的马拉松长跑,而是一个长期的投资战略,每一步都会产生重大影响。
报告指出,生产力的逐步提高可以通过内部流程的自动化实现,生产力的提高也将有助于高效运作并为未来打下基础。另外其他四项如下:
1.通过用户主导方法实现技能提升以及培训,同时,务必为自己的团队提供机会和奖励,并将这些新的学习成果应用到实际能力中;
2.主动承担责任,避免低估人工智能的真正风险和挑战;
3.在所有业务中整合人工智能,务必将人工智能在所有职能和业务部门与数据和其他技术一起使用;
4.重新设计人工智能友好的商业模式。要找方法整合和衡量人工智能的认知资产,结合现有的人力和物理资产达到提供价值的目的。
人工智能必须开始跨越整个组织,这是一项紧急重点工作。当务之急是要确保自己的公司已经可以有效地共享数据,确保拥有所需的主题专业知识以及确保可以启用跨团队和职能部门的治理和人工智能模型,因为打破职能部门的操作孤岛是人工智能成功的关键。
根据笔者的经验,建立组织转型能力是推进人工智能的关键成功一个重要因素。这就是为什么我一直强调,董事会成员和首席执行官必须加快他们对人工智能知识的了解,并确保他们的领导团队可以建立新的技能,以期可以有效地领导人工智能的发展。
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。