至顶网CIO与CTO频道 06月01日 编译:
笔者的一位朋友上周分享了一张有趣的图片。标题是“谁在领导贵公司的数字化转型?” 标题下有三个选项:
A、首席执行官(CEO) B、首席信息官(CIO) C、COVID-19
图片中圈起来的是C。即是说对于企业而言,新冠危机开始之后企业才成了虚拟企业,由于需要真人互动的收入流关闭,有些企业才开始做出此类改变。绞架幽默说明企业在这方面做得太少、太迟。
新冠全球流行,我们无法面对面地亲自做生意或在业务环境里做很多事情,其结果是风险资本家和企业加大了对数字业务趋势的投资。但其实到到目前为止,对于许多经受了这场新冠风暴袭击的公司而言,应该选B。
设想一下,如果这次的新冠大流行发生在十年前企业会是什么样子。那时候不是每个人都可以用视频会议,许多企业没试过使用在家工作的方案,当时的基础架构都是硬邦邦的铁金属,再加上固定成本和长期的摊销时间表。那时候要向虚拟工作转变就要困难得多,而且当时的许多企业也没有像现在这样可以用许多杠杆来降低成本。其结果是,失去的工作岗位比现在面临失去的工作岗位更多。从许多方面来看,上一次经济危机令一众公司将重点关注放在变化上,所以我们现在看到许多公司能够更加抗压。
有人将2008年的经济大衰退与目前的危机进行比较,两者之间存在着明显的差异。Nicholas Carr在2003年在著名的《哈佛商业评论》上发表了题为 “IT无关紧要”后,五年间一些人相信文章的观点成立。许多企业都同意Carr的看法,而且还根据这种观点将公司的IT运营主要部分进行外包。2008年大衰退发生后,各公司挥刀砍掉IT部门,裁掉整个团队。他们没有意识到业务在改变,他们砍掉的正是自己兵器库里最有力的战略武器。
后来云计算、数据分析、人工智能和机器学习四大趋势及其他IT科技大行其道,各个公司利用这些科技可以灵活地在自己的基础架构和数据上利用“即服务”技术挖掘公司拥有的最宝贵的数据资产做出各种更好的决策。是谁在领导这种转型?通常是具有远见的CIO。
快进到当下,一众公司现在可以降低某些科技产品的成本,而且不用削减更有价值的资产:人。即便是必须裁员,用的也是手术刀而不是大刀。(笔者说的当然不是那些受到严重伤害的行业,例如酒店、航空和餐饮业,这些行业里用手术刀行不通。)此外,这些公司现在可以利用收集到的有关客户、收入和业务运营的数据进行更好微调及评估公司业务的健康状况。这些公司也投资购入了各种各样的安全工具,安全工具可以在日益复杂和威胁增加的情况下(大家都在家里工作,大多数人不是在办公室工作)保护公司。因此公司抗压性和灵活性都增加了,二者在疫情期间显得更为关键。
还有,那些早先转型的公司从困境里抽身的速度也快些,真正开始复苏时这些公司恢复得也快些。那些在危机之前在转型上落在后面的公司应该加倍努力。值得庆幸的是,笔者与约50位CIO的交谈过,从而得知自隔离开始以来数字转型工作在许多企业里在一定程度上仍然得到资助。还是挺暖心的。
斯坦福大学经济学家Paul Romer在2004年11月曾说过,“危机被浪费掉是一件可怕的事情。” 他指的是当时美国面对(现在当然仍要面对)来自其他国家教育水平迅速提高的竞争。他的话今天更加恰当。请注意啦,要利用这次机会在那些能够定义可以在未来胜出的业务的科技上投资。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。