至顶网CIO与应用频道 02月06日 编译:每个行业、每个专业和每家公司都有自己的发展和运作规则和准则。伴随着这些准则,“神话”也出现了,项目管理职业也不例外。这里是最常见的10个项目管理神话。认识到这些项目管理的神话,并努力克服这些神话带来的挑战,对于确保项目是基于最佳实践而不是错误理念进行规划、执行和完成来说是至关重要的。
1、项目中的一切都是可以修复的
项目管理专业人士是领导团队成功执行项目、降低风险、与利益相关者合作、解决冲突和其他一系列事情的专家,但他们不是魔术师。项目经理无法解决所有问题,特别是在问题长时间没有得到解决的情况下。对于项目经理、利益相关方和赞助商来说,认识到并接受是时候结束任务或者项目,而不是投入更多资源来尝试修复失败的项目,这一点非常重要。
2、客户总是知道他们想要什么
假设利益相关者知道他们需要什么,这一点很常见。然而,他们往往不了解他们希望达到的什么目标,到底想要什么,他们的愿望清单是否可行,愿望清单的各个部分是如何相互矛盾的。项目经理及其团队可以帮助精简利益相关方的愿望清单,来确定符合利益相关方战略目标的项目目标。如果不聚焦利益相关者的实际预期需求,项目可能很容易会错过这一点。
3、以前的项目模板是未来成功的秘诀
无论以前的项目是如何计划和执行的,将相同的方法、技术、工具、协作风格或方法应用于类似的项目并不能保证一定会成功。还有许多其他的内部或外部因素可能会改变项目的结果,如时间、流程、人力、技术、文化或其他差异。看起来细微的变化可能带来巨大的差距。每个项目都应该分别计划和执行。是的,以前的项目的某些方面可以适用,但只有在适当的时候才适用。
4、所有项目经理都可以成功地执行任何项目
虽然大多数项目管理专业人员(PMP)都接受了相同的培训,并且需要达到相同的教育和经验要求,但他们并不完全相同。无论两个项目管理专业人员有多么相似,每个人都有不同的属性标签。他们的经验、愿景、领导力和协作风格方法、项目或行业参与度,以及从中得到的经验教训,这些因素将决定他们能提供什么能力,以及他们如何处理任何给定的项目。
5、新的项目经理不如资深经理那么高效
每个项目经理都应该以他们的教育培训、经验和项目管理方法进行评估。但是经验并不能保证一定会成功,缺乏经验也不一定会失败。有些项目需要经验丰富的项目经理,有些项目需要一个新的视角,可以从一个新的有利位置评估这个项目。经验丰富的项目经理、利益相关者或赞助商可能很难接受来自经验不足的项目经理的新方法,而这个新方法有时可能为项目的成功创造机会。
6、项目经理可以解决任何冲突
许多项目经理擅长解决冲突,但这并不意味着他们可以解决每一个冲突。项目经理往往必须联系赞助商来协助解决涉及团队成员、利益相关者和/或项目经理本身的冲突。在这些情况下,就需要外部帮助或调解。解决冲突需要各方愿意解决问题,如果各方都不愿意这样做,项目经理根本无法创造奇迹。
7、范围变化表明一个项目正在陷入困境
范围变更是项目中经常发生的事情,并不一定表示出现了问题或项目失败。事实上,根据行业、项目的性质、项目的复杂性或其他因素,范围的变化可能是预期会发生或必定会发生的事情。当范围变化频繁发生或者意外发生的时候,以及在范围变化后项目未来方向仍然不确定时,就会引发人们的担忧。
8、项目经理是团队中的顶尖专家
这是一个常见的误解,有时是利益相关者、赞助商、团队、供应商或项目经理本身。项目经理在项目整个生命周期中扮演指导角色,利用公司其他领域的专家知识来帮助执行项目。
9、如果一个项目能保持在预算之内就一定会成功
不管你信不信,很多项目都是在预算内按时完成的,但完全没有实现可交付的成果。虽然预算、及时交付和质量是项目管理的基石,但还有很多其他的考虑因素。最终的可交付成果、项目执行的方式、利益相关者的满意度、团队的协同作用以及其他因素,在项目成败中扮演着重要的角色。最终利益相关者决定项目是否成功。
10、项目签收时就算项目完成了
当利益相关者接受可交付成果并签署时,项目组成员可能认为这个项目完成了。事实上,没有花时间复盘所学到的经验(在任何项目中都会吸取教训),一个项目并不算是真正的完成。团队成员可能认为盘点经验教训是重复性的、浪费时间的——特别是当他们只想继续新项目时,但是这个部分对于帮助团队不要犯同样的错误至关重要。在这个部分,所有的团队成员都应该在场,以减少错误,为未来的利益相关者创造更多的价值。
好文章,需要你的鼓励
香港中文大学与华为诺亚方舟实验室合作开发了PreMoe框架,解决了大型混合专家模型(MoE)在内存受限设备上的部署难题。研究团队发现MoE模型中的专家表现出明显的任务专业化特征,据此提出了概率专家精简(PEP)和任务自适应专家检索(TAER)两大核心技术。实验证明,DeepSeek-R1 671B模型在精简50%专家后仍保持97.2%的MATH500准确率,内存需求降至688GB;而更激进的精简方案(减少87.5%专家)也能保持72.0%的准确率。该方法适用于多种MoE架构,为强大AI系统的广泛部署铺平了道路。
SCIENCEBOARD是一项开创性研究,旨在评估多模态自主智能体在真实科学工作流中的表现。研究团队构建了一个包含169个高质量任务的基准测试,涵盖生物化学、天文学等六个科学领域,并开发了一个真实环境让智能体通过CLI或GUI接口与科学软件交互。实验评估表明,即使是最先进的模型在这些复杂科学任务上的成功率也仅为15%,远低于人类表现,揭示了当前技术的局限性并为未来科学智能体的发展提供了宝贵见解。
帝国理工学院的研究团队开发了AlphaMed,这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型,无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响,研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩,甚至超越了更大的封闭源模型,同时展现出自发的步骤推理能力,为医疗AI发展提供了更加开放、高效的新路径。
Alita是一种新型通用AI代理系统,采用极简设计理念,以"最小预定义,最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita,只配备一个核心能力和少量通用模块,能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示,Alita在GAIA基准测试上达到87.27%的通过率,超越包括OpenAI Deep Research在内的复杂系统,证明简约设计可带来卓越性能。