至顶网CIO与CTO频道 01月21日 北京消息(文/王聪彬):“2019年可能会是过去十年里最差的一年,但却是未来十年里最好的一年。” 美团创始人兼CEO王兴的这句话在2019年是否应验了?现在才要开始验证。
2019年我们已经面对了太多的不确定性带来的挑战,中美关系的变化,全球格局的动荡,数字技术嵌入各个行业带来的波动等,而2020年又将是一个转折之年。
据悉,到2022年,全球数字经济占比达60%,中国数字经济占比达65%,数字化将为经济贡献巨大价值。今天的数字化变化在中国的发展速度和影响,已经比全球其他任何地区可能都要快。
数字化在2020年开始也要从消费端走到产业端,产业互联网正在蓬勃发展,数字化技术正与产业价值快速融合,金融、教育、医疗、媒体,一些行业改变的方向已经越来越清晰。
据IDC预测,到2023年全球用于实现业务实践、产品和组织数字化转型(DX)的技术和服务的支出预计将达到2.3万亿美元,在2019年到2023年预测期内数字化转型支出将实现稳步增长,五年复合年增长率达到17.1%。
离散制造和流程制造在预测期内的数字化转型支出最高,占全球总体的近30%,包括自动操作、机器人制造等。零售业是数字化转型支出第三大行业,以全渠道商务平台和全渠道订单调度为主。专业服务和运输业紧随零售之后,分别在智能建筑能源管理和货运管理上投入。
企业主要的数字化转型支出优先考虑智能制造和数字供应链优化,这也和中国的行业分布情况相吻合。
同时企业数字化转型正在经历从基于传统IT架构的信息化管理(数字化转型1.0),迈向基于云架构的智能化运营(数字化转型2.0)。我们看到,以云计算、大数据、人工智能、物联网等为代表的新兴技术日趋走向成熟。各种技术的融合也日益加深,如何将这些技术与生产场景相结合成为正在进行数字化转型的企业重要关注点。
混合云和多云是这一年有关云计算提及最多的一个词,多云是由多个云供应商提供的多个云服务组成,既可以是私有云和公有云,也可以是多个公有云,所以在管理上就需要提供一致性、治理和自动化。随着云的环境正变得日益复杂,很多企业需要寻求IT服务商的帮助进行设计、构建、部署云服务,这也让云MSP(Cloud Managed Service Provider)服务市场逐渐走向成熟。
在云计算之上,大数据、人工智能已经成为不可分割的存在,尤其是人工智能可以渗透到每一个数字化战略和应用中。
至顶网近期也对人工智能应用进行了一次调研,调查显示还有48.3%的企业处于观望,将近一半比例,这显然不太符合市场的预期,当然一些技术成熟度高的企业早已在生产环境中使用人工智能,甚至在规划大规模的推广。同时企业也需要明确人工智能项目未来的趋势,不只是被用于降低成本,而是协助人做更高价值的商业价值开发和辅助。
最后也用北大国家发院教授陈春花的话作为总结,2020年,在致力于用长期主义引领企业发展的基础上,企业需要学会掌握四个并存:挖掘确定性与探索可能性并存、构建不可替代性与获得协同共生价值并存、拓展原有核心业务增长与超越原有核心业务新价值增长并存、创新顾客价值与承担社会责任并存。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。