至顶网CIO与应用频道 09月14日 北京消息:近日,全球软件设计与定制领袖企业ThoughtWorks发布全新管理电子书《EDGE-精益企业的投资管理指南》(以下简称EDGE),旨在指导企业建立起成效导向的投资管理模型,寻求将企业投资组合做到价值最大化,通过改变投资组合来实施新的战略,减少转型的风险,实现企业的可持续发展。
“EDGE”一词来源于复杂性理论中所描述的“混沌边缘”(the Edge of Chaos)概念。创新理论认为,“混沌边缘”是创新最好的土壤。此管理宝典书名“EDGE”,意指ThoughtWorks期望通过该指南,可以指导企业基于组织愿景和目标,有效地分配和监控投资组合,从而为企业的规模化创新构建最佳环境。
据悉,此次推出的EDGE理论和模型是ThoughtWorks团队基于其深刻的市场商业环境洞见和丰富的企业咨询服务经验所总结得出而成的。
技术爆炸创造了不断增长的市场机会,然而传统的企业投资管理方式却难以跟上这样的增长速度。大规模的企业想做组织级创新,不单单是技术部门采纳敏捷/精益,而是企业各个职能部门的卷入,从扩大(Scale Up)变为扩广(Scale Out)。在这种Scale Out过程中,出现了种种僵化应用的问题,错把工作输出当最后的结果,造成了新型大企业病:“我们一直在做精益,人人都在忙,每天有做不完的事情,每件事情都有输出,来再多的人还是这样忙碌,但却看不到转化出来的经济收益。”
EDGE的提出正是为了应对这些挑战,它基于精益的本质“价值驱动,结果导向”,是一个“价值驱动”的投资决策系统。EDGE寻求将企业投资组合做到价值最大化,通过改变投资资金的组合来实施新的战略,从而提供规模化创新的土壤,降低企业整体转型的风险。
据EDGE电子书阐释,EDGE以价值为中心,通过对想要实现的商业成效进行增量注资,来替代传统上对于项目集/项目的预先投资。EDGE的首要核心原则是基于成效的愿景和战略制定,通过精益价值树(Lean Value Tree, LVT)建立起组织级对愿景(Vision)和目标(Goal)的分解机制,并充分认识到每个投注(Bet)的不确定性,通过尽量小的尝试举措(Thin Slice,Initiative)来不断调整投资组合,建立一份反馈闭环,保证对外界变化的快速响应。EDGE的其他核心和原则包括基于价值的投资优先级排序、轻量的规划和组织治理、适应性和学习型的文化、自主的团队、跨职能和协作地制定决策等。
区别与传统的投资管理方法,EDGE的基本原则:
并对如何在实践这些原则提供了具体的指导,包括如何建立“价值实现办公室”,如何进行投资组合的制定和周期性审核,以及如何进行关键的沟通、评审、决策活动如何进行,还有如何建立和管理端到端交付业务价值的产品团队等。
“越来越多的企业管理者意识到,传统方法让他们产生了一种精确规划的错觉,只有依赖准确的数据才能成功,但事实上在大多数复杂场景下,这是非常不可能发生的。”ThoughtWorks资深专家、EDGE理论创始人Jim Highsmith分享道,“针对大型项目和组织的规模化敏捷和精益方法比我们所预期的更为复杂。传统方法也许仅仅在交付层面才出现敏捷、精益团队,但在更广的层面,则是僵化的层级结构和过度的流程控制。我们相信ThoughtWorks最有能力通过建立精益企业,系统阐述一套投资组合和项目集管理的新方法,来改变局面,助力企业成功。”
“令我惊讶的是,在使用精益投资组合管理的第一周之后,我们可以做到这么有成效。 在这么短的时间内,我们有一个小的实验和结果组合来帮助我们做出商业决策。” Chris, New Internationalist的数字化负责人这样感慨。所有转型中的企业,如果想要采纳精益的原则,帮助组织进行基于价值的投资决策,不妨来深入了解下EDGE。
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。