至顶网CIO与应用频道 11月08日 北京消息:预测很难,特别是对未来进行预测,但是我们可以肯定,“AI Washing”将在2019年继续兴盛,蓬勃发展。这就是市场研究公司Forrester所说的人工智能炒作和喧嚣,人工智能包含了一系列有望“改变世界”的技术。
在其2019年的预测中,Forrester尝试用一定的现实来缓和“人工智能使用方面的非理性繁荣”,期待观察企业在今天是如何实现自动化工作,并尝试在数据分析和决策中添加智能的——人工智能和人类智能。以下是我对Forrester今天发布的两份报告——《预测2019:人工智能》(Predictions 2019: Artificial Intelligence)和《预测2019:自动化》(Predictions 2019: Automation)——所做的摘要。
关键是数据,傻瓜:大多数公司都会发现,要实现他们对人工智能的期望——无论夸大与否 ——他们必须投资创建“一个值得使用人工智能的数据环境。”在采用人工智能的公司中,有60%的决策者都表示数据质量是一个挑战,或者是非常严峻的挑战——这是他们在尝试使用人工智能功能时遇到的最大的挑战。
自动化和智能的融合是一个新生事物:超过40%的企业将会通过把人工智能与机器人过程自动化(RPA)相结合,创造出最先进的数字化工作者。RPA市场到2019年将达到17亿美元,在2021年将达到29亿美元。到2019年底,由于认知系统、RPA和各种聊天机器人技术的成功结合,自动化将消除20%的服务台的互动。
没有人才就一无所获:三分之二的人工智能决策者在寻找和获取人工智能人才方面苦苦挣扎,而83%的人在如何保住这些人才方面苦苦挣扎。解决方案可能至少部分地存在于问题本身,而且听起来有点矛盾:公司应该使用人工智能来寻找稀缺的人工智能方面的人才。
让人类重新回归:10%的企业在实施人工智能应用程序时,将需要添加知识工程——人类的智慧和专业知识——以“提取推理规则并进行编码,并通过他们的专业员工和客户构建知识图。”
人类会重塑自我:约有十分之一的创业企业在创立的时候使用的数字化员工就要比人类员工多。美国有10%的就业岗位将要因为自动化消失——但是将会有大约相当于目前就业岗位3%的新岗位被创造出来。自动化将有助于改善员工体验,因为人类不用在操心那些死板重复的任务了。
在可解释的人工智能中寻求信任:对透明且易于理解的模型的需求将会增加。45%的人工智能决策者们表示,信任人工智能系统是一个挑战,或者是非常严峻的挑战。
集中化,混乱:40%的企业将拥有自动化中心。变更管理、不可预测能力、控制、审计和安全问题将在2019全年引发企业治理问题。作为应对,企业将投资在统一框架基础上设计的中央协调——自动化中心。
关于预测,可以确定的另一点是,有些预测不会实现,而其他一些趋势会突然横空出世。我询问了Forrester的分析师们:对于2018年,你的预测中有哪些事情并没有发生,而又有哪些你没有预料到的事情发生了?
人工智能方面的Michele Goetz:
没有发生的事情:我曾经预测企业会认识到人工智能是一种获得更好业务成果的方式,而不是将人工智能视为自己的分析项目。相反,很多企业倾向于在数据科学实验室中继续测试和试验机器学习。即使大多数公司都到了人工智能旅程的第二年和第三年,情况也是如此。因此,人工智能仍然被认为是分析工具,是IT的事,而不是业务加速器或一种创新。
让我感到惊讶的事:企业在人工智能方面通过行业联盟进行合作,通过同现有服务供应商合作伙伴的合作,增强人工智能的功能和能力。所以,即便他们事自己或者通过他们的技术供应商,使用现成的解决方案构建人工智能功能,他们还是觉得与了解他们业务的分析服务供应商和系统集成商相比,联盟是拥有更多人工智能专业知识的地方。
自动化方面的JP Gownder:
令我惊讶的是UiPath等机器人过程自动化公司的高估值,该公司在C轮融资中筹集了2.25亿美元,估值高达30亿美元。我的同事Craig Le Clair在RPA及其快速增长轨迹方面一直处于领先地位。但市场对UiPath及其竞争对手的估值增长速度甚至超出了我的预期。
另一方面,我曾预测企业将在运营和面向客户的场景中更广泛地采用物理机器人技术。但这里存在着许多障碍:企业发现很难在运营和IT之间进行协调。让这些机器人在现场工作的相关工程问题也非常突出。太多的机器人仍然需要你将工作空间改造为结构化或者半结构化的空间,而可以穿越非结构化空间的机器人最为经济。而且我们缺少用物理机器人轻松构建系统的平台——我预计这个问题会在2019年得到缓解。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。