此次衰退比我们之前经历过的任何一次都更严重也更突然。尽管我们都希望风波能够快点过去,但暂时来看似乎不太可能。一旦转变为长期、深层衰退,那么几乎所有企业的CEO与董事会都将面临巨大的压力。
假如这场衰退的持续时间真的超过我们的想象,而且其中必然有一些公司成为赢家、一些遭遇失败,那么AI技术将在对抗当中扮演怎样的角色?企业高管什么会在这时考虑借助AI的力量?当下又为什么是投资的最佳时间点?
理由很简单,AI相较于其他任何类型的技术都更有份量也更具变革性,它的根本优势就是能够在实践中不断自主学习、自我改善。笔者认为,如果企业能够将AI解决方案与正确的商机匹配起来,必将成为这场经济衰退中的赢家之一。
总体而言,AI在降低成本、优化财务能力以及寻找新的收入来源等方面都将带来极具意义的影响。下面让我们逐条进行剖析。
降低成本
举例来说,部分医疗保健供应机构可以将AI引入注册系统,借此改善患者病史信息的完整性与可用性等。以自动化方式处理这部分工作不仅能够提高人类员工的工作效率,同时也将大大减少错误。以往,人为错误通常要求员工重新审核,并由此带来极高的时间与精力成本。
而在AI取代客户服务等部分工作岗位之后,企业更可以节约下大量成本。AI聊天机器人不仅能够24/7全天候工作,价格也比普通员工更便宜,更能够显著提高客户满意度。
此外,AI还能带来良好的预测性维护效果,从另一个侧面实现成本节约。在AI普及之前,我们通常会在设备维护中使用平均故障时间来分析何时应该更换特定组件。但在IA技术的帮助下,特定设备的运行状况将由机器自动上报,帮助我们快速确定可能即将失效的组件,并批量替换掉这些对应组件。
优化财务能力
在这场大衰退当中,不同职能岗位扮演的角色也将表现出巨大区别。设想一下,如果我们可以使用AI技术实时预测需求、库存管理与应收账款,也就意味着能够针对瞬息万变的环境做出快速反应。以此为基础,我们可以预测应该将资金分配到哪里,而不只是僵化遵循已有的历史数据。
如果零售商因疫情流行而被迫暂时关停一部分门店,该怎么办?如果没有AI,我们恐怕只能根据各家门店的原有绩效指标与人口统计分析进行判断。
但在AI的支持下,我们可以在闭店决策中引入更多智能化元素。例如,埃森哲建立的AI解决方案就可以预测特定商店关停给该地区客户带来的实际影响。那些顾客会前往位置更便利的竞争对手处、转而采取线上购物的新方式,还是说出于对您品牌的忠诚度而暂时不买东西?
此外,AI技术还能够创建起更强大的预测模型,帮助大家在关店决策中提高对结论的信心;能够帮助我们管理坏账处理决策。回顾2018年,我们发现,坏账导致相当一部分企业的利润率损失达5%。而在经济衰退期间,随着客户延迟付款或倒闭,坏账自然会进一步增加。
同时,AI技术还可以评估所有相关客户数据,包括其信用等级、行业类型、付款历史、债务负担、雇用与解雇行为以及地理位置等多种数据点,确定对方企业不按时支付账单的可能性。凭借这些信息,基于AI的系统能够为客户提供关于付款条件的实时建议。
寻找新的收入来源
另一方面,AI还能对消费者的预期行为者建模,实现更好的促销效果(例如及时发布泳池玩具、高端电脑显示器等产品的折扣信息)。
结合促销的历史结果,AI技术能够添加新的变量以模拟买家行为,例如当地隔离环境、零售店位置、学校是否关闭、政府机构的管控政策、COVID-19疫情爆发的可能性等等。
AI甚至能够从某个地理区域内的成功促销案例中收集数据,进行相似性建模,并根据另一位置的实时结果提供促销建议。
除了促销之外,AI技术还有助于提升企业市场份额。各家食品商一直在用自家产品争夺消费者口袋里的零钱,并构成极为激烈的市场竞争态势。每家厂商都希望消费者购买自己的薯条,为了赢得买家的青睐,他们开始提供越来越多的口味与分量选择——但要想实现真正的创新,他们更需要AI技术。
AI能够浏览庞大的数据仓库并识别出人类无法感知的模式。AI可以查看人口统计信息,包括本地消费者的偏好、年龄、种族、性别、收入状况等重要因素,据此决定在本地力推哪些具体食品口味。
举例来说,AI模型就发现,得克萨斯州弗里斯科市这个人口不足20万的小镇上生活着众多印第安人。AI也发现印第安人喜欢咖喱味的食物,因此建议在这里销售以往仅在印度推出的咖喱味零售,并因此受到当地居民的热烈欢迎。
这只是AI发现微型市场的一个案例,而真正重要的是,我们所服务的整体市场中,到底涵盖着多少个这样的微型市场?
结合本文提出的案例,可以看到AI算法的智能化水平每一天都在提升。如果我们仍然依赖人类处理那些AI可以做得更好的工作,那么面对竞争对手不断自我增强的AI工具,我们将永远无法缩小差距。
最后,面对这场突如其来的经济衰退,请大家拿出对待“生死之战”的态度。获胜者离不开AI的加持,而仍然拒绝AI技术的企业将输在起跑线上。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。