领先的企业正在竞相实施人工智能以提高自身的竞争力,这使得人工智能的采用率相比20多年前的互联网时代增长地更为迅猛。
如果人工智能一度被视为提升行业和经济生产力的方式,那么现在那些最成功的企业领导者们思考的是这项决策性技术如何让他们从运营工作中解放出来,专注于战略和人才。
这也是对七个欧洲国家和美国的800名企业领导者进行的一项新调查所得出的结论。日前,微软联合圣加仑大学、Altimeter Group进行的这项调查,集中研究了人工智能与领导者之间的关系。
调研显示,几乎所有实现了两位数有机增长率的高增长型公司(93%)都希望在未来一到三年内投资人工智能,其中有超过一半(53%)的企业计划在今年就投资人工智能。
“这种巨大的紧迫感是我没有想到的。企业高管们认为,这是有市场潜力的,这是一场竞赛,“圣加仑大学领导力教授Heike Bruch博士谈到调查结果时这样表示,“人工智能可以媲美互联网时代,甚至速度更快,因为在过去二十年中,人工智能的创新和技术的速度一直在加速。我们在所有行业、所有业务领域都看到了相同的结果。”
相比之下,有64%的低增长型企业(增长率在个位数的企业)正在推迟未来三到五年的关键决策,这将会给他们保持竞争力带来显著的影响。
看来,正如技术导致全球财富不平等加剧一样,人工智能也将加深成功企业与不成功企业之间的鸿沟。
“过去二十年中,所有企业都变成了技术型企业,如果他们想要为客户提供服务的话,”微软人工智能总经理David Carmona这样说。“在接下来的一年里,每个成功的企业都将变成人工智能企业,其技能、文化和结构都会发生变化。”
人工智能被视为一种提高企业生产力的方式,特别是对运营团队来说,例如利用聊天机器人过滤客户给到呼叫中心,或者帮助银行检测欺诈行为。但该调查重点关注了人工智能给企业C级高管带来的好处和机会。
Altimeter Group人工智能分析师Susan Etlinger在接受采访时表示:“我们看到,企业高管对于战略、决策和规划也非常关注。”
经理们忙得团团转,这导致了Bruch所说的“加速陷阱”——有50%的企业处于过热模式——他们正在全速运转以做出正确的选择。
结果表明,决策性技术将把企业领导者们从现有的运营工作中释放出来,花更多的时间在激励团队、提出新的想法、发现新的市场机会上。
Bruch说:“高管们打算借助人工智能让他们释放出来,花精力在领导力上——也就是花时间来激励员工,把时间用在真正以人为中心的工作上。”
“领导者们希望专注于未来,但他们不想单枪匹马。”Etlinger补充道。
如果你感觉在这方面落后了,可以看看一下几个小提示:
提示1:你不需要成为数据科学家
“你只需要了解有哪些机会,以及人工智能可以为你的企业做些什么。”微软EMEA总裁Michel van der Bel这样写道。
提示2:让高管层的人来负责实施AI,而不要让专家来负责
“人工智能不再是未来,而是眼下一件很实际的事情。”Carmona补充说。
提示3:反思你自己的角色,以及AI对你自身工作的影响
提示4:让人们积极地参与企业文化变革中,而不仅仅是一项自上而下的变革
提示5:开始制定一个广泛的策略让整个公司接纳人工智能,不要让它成为孤立项目或者孵化项目
“让你的技术部门和业务部门之间展开合作。”Carmona说。
提示6:在投资人工智能之前,企业文化转型是必不可少的第一要素
提示7:确保你的数据井然有序,准备好接受数据驱动的决策
提示8:注意公司目前存在的偏见,例如包容性、透明度和隐私,注意引入人工智能的时候可能也存在这些问题
“那些正处于高增长期、更积极实施人工智能的企业领导者们,更有可能把人工智能道德和责任视为领导力的必备要素。”Etlinger说。
提示9:从小处着手,在反馈中学习并建立信心
“如果你不快速行动,你就会落后于竞争对手,”Carmona补充说。
好文章,需要你的鼓励
来自耶路撒冷希伯来大学的研究团队开发了WHISTRESS,一种创新的无需对齐的句子重音检测方法,能够识别说话者在语音中强调的关键词语。研究者基于Whisper模型增加了重音检测组件,并创建了TINYSTRESS-15K合成数据集用于训练。实验表明,WHISTRESS在多个基准测试中表现优异,甚至展示了强大的零样本泛化能力。这项技术使语音识别系统不仅能理解"说了什么",还能捕捉"如何说"的细微差别,为人机交互带来更自然的体验。
这项研究提出了"力量提示"方法,使视频生成模型能够响应物理力控制信号。研究团队来自布朗大学和谷歌DeepMind,他们通过设计两种力提示——局部点力和全局风力,让模型生成符合物理规律的视频。惊人的是,尽管仅使用约15,000个合成训练样本,模型展现出卓越的泛化能力,能够处理不同材质、几何形状和环境下的力学交互。研究还发现模型具有初步的质量理解能力,相同力量对不同质量物体产生不同影响。这一突破为交互式视频生成和直观世界模型提供了新方向。
北京交通大学与西蒙弗雷泽大学联合研发的混合神经-MPM方法实现了实时交互式流体模拟。该方法巧妙结合神经物理学与传统数值求解器,在低时空分辨率下运行神经网络并设置保障机制自动切换到MPM,显著降低计算延迟同时保持高保真度。团队还设计了基于扩散模型的控制器,支持用户通过简单草图直观控制流体行为,为游戏、VR和设计领域提供了实用解决方案。
这项研究介绍了EgoZero,一种创新的机器人学习系统,能够仅通过Project Aria智能眼镜捕获的人类示范数据,训练出零样本迁移的机器人操作策略。研究团队提出了一种形态无关的状态-动作表示方法,使用点集来统一人类和机器人数据,并开发了从原始视觉输入中提取准确3D表示的技术。在没有任何机器人训练数据的情况下,EgoZero在7种真实世界操作任务上实现了70%的成功率,展示了强大的泛化能力,为解决机器人学习中的数据瓶颈问题提供了新思路。