过去20年,互联网可以说是改变社会、商业最重要的技术及应用。从近代史角度来看,也许只有电的发明及应用可以与之媲美。
随着移动终端的多样化,智能终端的普及以及拥有了后台云计算及大数据的能力,互联网还将创造从改变消费者个体的行为到改变各个行业、政府乃至社会的新时代,我们称之为“产业互联网时代”,用互联网名词来说即“从小C时代到大B时代”。
产业互联网时代的到来,意味着各行业如制造、医疗、农业、交通、运输、教育都将在未来20年被互联网化。产业互联网化体现为互联网的技术、商业模式、组织方法将成为各个行业的标准配置。三项关键技术与应用为产业互联网时代的到来创造了变革的基础。一是无所不在的终端,包括手机及其各种信息传感设备(如智能眼镜、腕表等)的普及;二是空前强大的后台云计算能力,包括计算与存储能力,从G到P及至E级的跨越;三是不断升级的宽带网络。
这三项技术的成熟让每个行业都具备了收集、传输及处理大数据的能力。如果说18世纪工业革命的生产资料是以物理的矿产、化学元素为对象的话,产业互联网时代的生产资料就是大数据。新的计算及计算技术与应用正在将过去以“流程”为核心带向以“大数据”为核心,大数据及大数据处理的能力会成为每个企业、每个行业的“新大脑”。
但是,产业互联网化的前景依然面临着技术及观念的挑战。
互联网技术的创始者们,从未想到他们在上世纪60年代写的程序、设定的标准是为这么大规模的、这么关键的社会应用所做的准备。互联网技术的核心是TCP/IP网络传输协议,这种协议的基本假设是“觅错和纠错”,它对传输时速、质量的要求是人们称之为“Best Effort”的网络,即尽最大努力的技术,而不是“Mission Critical”,即有时间、质量要求的网络协议。
在所有的关键产业都以互联技术为基础时,这种网络技术基础必须要有高可靠性、适时性及安全性的要求。回顾电应用的历史,也曾用了五六十年左右的时间,完成了从直流电到交流电,从小规模应用到成为社会核心基础设施的一部分。互联网从消费者到产业化应用,可能也需要这种技术演进和优化变革的过程。
观念挑战可能更大。我们的思想观念大都还停留在工业化时代,产业互联网化对应的是企业传统技术构架,商业模式及组织方式的变革。各个行业的信息化负责人(CIO)会成为产业互联网化的阻碍者。用个极端的例子,在电网普及时代,每个企业就没有自己的发电机了。所以现在的各企业的CIO、首席信息官必须变为首席互联网官。包括信息技术的提供者,设备、软件及服务商也要被产业互联网化时代所挑战,最明显的就是消费互联网时代巨头Nokia的例子。骨牌效应才刚刚开始。
观念之外的挑战,来源于企业的最高领导者及社会、政府各个方面。“安全威胁及不可靠”可能是最多涉及的问题。观念方面更大的挑战可能是对社会法律、规则制定的要求。产业互联网时代的企业物质资产逐渐被“大数据”资产所取代。它的所有权的划定、交易定价等也才刚刚开始。
产业互联网对打造中国经济升级意义更为重大。中国在几乎所有传统行业中均是后来者,今天又面临着诸如产能过剩、耗能过大、服务业水平不高,服务成本却居高不下等挑战,用产业互联网实现升级,可能是最好的应对方式。
同时,这会带动中国信息技术的创新。前述互联网技术面临的各种问题正是信息企业技术创新的机会。从芯片到系统软件,从商业模式到组织形态的创新,为未来中国诞生影响世界的技术企业提供了前所未有的需要和可能。
在以“大数据”为核心的时代,中国优秀的数理化教育及人才数量也意味着全球得天独厚的人力资源。在未来产业互联网时代,中国应有可能成为世界“数据工厂”的中心。
今天这些技术名称,IP、4G、大数据、云计算,在未来20年将会像电、汽车、抗菌素等工业革命重大发明一样,不仅作为工具,而是成为塑造企业、社会、国家最重要的力量。产业互联网就是这些力量的呈现。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。