随着人工智能继续被企业采用,将人工智能转化为商业价值的尝试正在迅速地捕捉高管们的注意力。像Google、微软、苹果和Facebook这样的企业巨头正在攫取AI创业公司来推动人工智能战略和举措,并且还聘请AI大师来领导人工智能研究。
SearchCIO询问研究分析师和技术专家是否是企业扩大高管班子以腾出“首席AI官员”角色的时候,以刺激开发有效的人工智能战略。专家就企业如何确定是否需要雇用首席AI官员提供了咨询意见,以及如何有效地帮助企业在不同职能部门采用并应用人工智能。他们警告说,尽管企业在寻找首席执行官时有具体的特征要求,但是为角色寻找合适的人才仍然可能是一个挑战。
Gartner研究总监Chirag Dekate
如果您看看企业如何努力实施AI,您将看到一个非常混合的方法。在某些情况下,拥有一名首席AI执行官可能是合适的,但在其他情况下,企业可能希望采取更加分散的方式。
确定企业是否需要集中功能的一个经验法则是确定其核心业务模式是否可能需要进行根本性的改变。如果答案是“是”,那么可能需要一名首席AI执行官。拥有核心集中功能的关键优势是拥有领导者,从而能确保企业内不同功能的人工智能运用。
另一方面,如果该企业正在使用高级分析或人工智能来增强其现有的产品和功能,那么拥有更有机的东西将会带来更丰富的成果。 这个角色的理想候选人需要有广泛的知识。首先,他们需要了解AI,AI基础设施的能力,不同的机制以及如何在企业环境中应用其中的一些机制。
第二,他们需要了解企业正在努力实现的目标。零售巨头可能会采用与Google或Facebook等超大型玩家完全不同的方式应用AI。成功的首席AI执行官也应该能够跨职能团队工作,更重要的是,应该知道如何构建成功的方案,并将其传达给CEO级别的领导。
IEEE高级会员Karen Lawson
根据规模和业务,许多机构需要考虑一名首席AI官员的角色。虽然全职职位可能是杀鸡用牛刀,但是对企业在广泛的人工智能领域中的机会有深刻的知识和热情的高级领导者的作用仍然至关重要。
这个角色提供了战略性的,甚至在许多情况下,通过实际的人工智能方法来探索和转变企业的战术,指导和支持。这个角色也将成为实际的传播者,可以通过人工智能或人工智能增强来帮助实现真正业务成果的人员和工具。这个角色重要的是指导AI的适当和合理的期望,并推动适当的应用程序,以显示业务价值。
简化复杂主题和影响他人的能力对于该角色来说也是至关重要的,因为在战略方向上可能会有混乱的方法、供应商产品和内部紧张压力。这个角色需要为所选择的人工智能战略提供一个明确的,可行的前进途径,这种战略允许灵活性,但重点在于实际的交付。
Constellation Research副总裁兼首席分析师Alan Lepofsky
AI是企业需要接受教育的新兴技术,企业意识到其好处和挑战是绝对重要的。如果你现在不在乎AI,那么你已经落后一年了。AI并非需要专门的职位,它需要的是来自每个现有角色的理解,即AI对企业意味着什么的理解。
人力资源部负责人需要了解他们如何通过将人工智能纳入招聘实践来更好地将候选人与工作相匹配。营销主管需要了解他们将如何开展更有针对性的广告系列,创造更多的个性化体验。客户支持主管需要了解如何更快地解决问题。
AI通过两种方式进入公司,目前落脚在CIO角色要了解企业想选择什么样的平台。第一,他们需要了解他们现有的供应商如何通过使用AI来增强他们的工具和应用程序。第二,企业需要开始关注什么样的AI功能,他们可以添加到正在内置的自定义应用程序。
IPsoft首席认知官Edwin Van Bommel
毫无疑问,人工智能对于任何公司的数字战略都起着关键作用,而首席执行官将成为一个重要的领导者。随着人工智能嵌入到操作的所有方面,当前分散在整个企业中的高管的关键业务决策将被整合到跨越所有流程的连接的智能系统中。
虽然首席AI执行官需要深入鉴别AI的真正能力,并了解如何最好地操纵这项技术,但是领导者将会是拥有如何应用AI创造商业价值的愿景的人。
他们需要拥有AI如何影响核心业务杠杆的洞察力。 那些最成功的人就是那些准备好激进地重新思考围绕AI新功能的商业机会的人,而不是试图将AI融入旧世界的模式的人。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
北航团队开发的GeoSVR技术突破了传统3D重建方法的局限,采用稀疏体素表示和体素不确定性评估,无需依赖初始点云即可实现高精度表面重建。该方法通过智能的深度约束和体素协同优化策略,在DTU等标准数据集上取得了最佳性能,为VR/AR、文物保护、影视制作等领域提供了新的技术选择。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
Google DeepMind团队发布了EmbeddingGemma,这是一个仅有3.08亿参数的轻量级文本理解模型,却能达到7亿参数模型的性能水平。该模型在权威的多语言文本嵌入基准测试中排名第一,支持250多种语言,特别适合移动设备部署。研究团队通过创新的编码器-解码器初始化、三重损失函数训练和模型融合技术,实现了性能与效率的完美平衡,为AI技术普及化开辟了新路径。