至顶网CIO与应用频道 08月08日 北京消息:你是否曾将应用了人工智能技术的“杀手级应用”投入大规模生产中?
实际上,这种情况较为少见。去年,全世界3182名首席信息官(CIO)中,仅有4%表示他们已将人工智能相关的应用投入生产中,或是在未来12个月内有此计划。首席信息官不一定了解企业中正在进行的每一个项目,但基本上这个数字的误差不会超过它的两倍。也许,8%的企业都已将这样的应用投入生产中,但8%这个数字很可能是对实际情况的一种高估。
为什么会出现这种情况?
今年6月27日,Gartner发布了一项人工智能技术成熟程度的研究,为企业架构师和科技创新者提供相关见解。该研究的重点在于人工智能技术的成熟程度,而不在于人工智能领域企业的发展状况。
从表面上看,人工智能领域在过去十年中取得了突破性的进展。不断有新的、宝贵的机会涌现出来。在这十年中,在与人工智能有关的研究、会议、研究生项目、初创公司、风险资金、公司中的并购(M&A)活动、人工智能相关的工作发布、专利申请上,我们都取得了很大的进步。
但我们看到的只是其中的一部分,还须考虑的是:
让我们把目光聚焦在“杀手级应用”的“真空”状态上。
我们向IT领导者或企业管理者询问了人工智能应用的问题,并向他们征求文字或口头回答,回答通常会分为以下四类:
第一, 决策支持/扩大化——帮助人们变得更加聪明
第二, 虚拟代理——熟悉用户的文字或发言
第三, 决策自动化——任务自动化或优化
第四, 智能产品——嵌入式的人工智能
这几类(先不说第二项)和老式汽车的市场非常相似——老式汽车的想法在十九世纪已经出现,在二十世纪早期出现了对应的产品。人们在熟悉的环境下可以更好地发挥想象。
因此,我们有例如:
客户对虚拟代理存在着普遍的兴趣。事实上,表示在人工智能技术上进行了投资的客户中,有三分之二提到了“面向用户”(通常与聊天有关)的项目。但是除非缩窄这些项目的定义,这些项目要达成一定规模的难度非常大。除了几家大型科技公司外,没有哪家公司具备开发出一个可以回答所有人所有问题的全能聊天机器人的能力,洞察引擎(Insights Engine)在这方面比聊天机器人做得更好。而从目前的情况来看,这些大公司的产品也并不是那么完美。谷歌的Duplex、亚马逊的Alexa Challenge中的对话可能是目前最为智能的,但企业是否会对这些项目大规模投资仍然悬而未决。
未来是难以预见的。除了聊天机器人之外,其余项目都仅是在“老式汽车”上的改进。那些能够让企业开创使用人工智能技术的新商业计划的巨大突破在哪里呢?
然而,行业、厂商、分析人员、咨询顾问乃至全世界范围内的企业,都并不了解这些巨大突破会是什么。
这其中一部分的问题是,人工智能最适合解决的问题,可能已超出那些想找到新的“杀手级商业应用”的人的能力和经验认知。
回到商用计算机的早期年代(二十世纪中期),企业购买计算机,运行人们已在纸上处理了数个世纪的问题。当人们知道如何在纸上进行记账,那么将相同的逻辑应用到计算机上就相对容易了。
在如今这个人工智能技术应用开始生产的早期时代,我们无意中失去了知道我们应该如何处理一些事情的能力。研究笔记中写道:
“我们现在能够用深度神经网络(DNN)为基础的系统对照片做面部识别。人类(我们灵长类动物的祖先)已经有至少五千万年的面部识别经验,但总的来说,我们并没有一套有效、系统的方法来进行面部识别。
我们只是运用人类的本能(不像科技开发者那样),用我们神经系统中不同的、与生俱来的学习回路来进行面部识别。其中具体的过程是模糊的。一个十五个月大的孩子是如何分辨出他父亲和母亲的图片的?我们并不了解。日常的人类经验不足以让我们建立一套实现脸部识别的技术。”
我们在缺乏这样的见解的同时,也缺乏实际经验以驱动对相关应用的创造或开发。拟人法可能会让我们误入歧途。
这些局限之外,我们仍要相信:
等待能够带动重大商业投资的“杀手级应用”被发现的过程中,我们将继续以实际的、策略性的方式进行小型投资,为业务带来实际价值。
好文章,需要你的鼓励
三星与AI搜索引擎Perplexity合作,将其应用引入智能电视。2025年三星电视用户可立即使用,2024和2023年款设备将通过系统更新获得支持。用户可通过打字或语音提问,Perplexity还为用户提供12个月免费Pro订阅。尽管面临版权争议,这一合作仍引发关注。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
苹果M5 MacBook Pro评测显示这是一次相对较小的升级。最大变化是M5芯片,CPU性能比M4提升约9%,多核性能比M4 MacBook Air快19%,GPU性能提升37%。功耗可能有所增加但电池续航保持24小时。评测者认为该产品不适合M4用户升级,但对使用older型号用户仍是强有力选择。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。