
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
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。