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
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。