Frost & Sullivan于2020年9月28日发布的最新报告《由COVID-19引起的产业重塑》,确定了新冠疫情冲击之下全球形成的九大趋势。分析报告指出,疫情防范工作将加速AI解决方案的部署与AI创新,同时也将使AI与机器学习类工具成为跨关键业务项目加速实现全面数字化转型的重要基础。
但麦肯锡Digital方面则有着不同的见解,他们认为COVID-19的突然来袭,反而让人们看到了人工智能(AI)与分析技术的致命软肋。
尽管COVID-19疫情确实让不少尚未实现数字化运营的企业主动尝试AI与分析类应用,但麦肯锡分析公司高级合伙人Tamim Saleh表示,分析技术的预测能力正在失效。
Saleh表示,“虽然分析技术确实帮助不少企业渡过了危机,但其自身也显示出易犯错误的风险。作为一种依靠过往模式及行为细节预测未来趋势、进而指导企业政策的技术,COVID-19的出现无疑给分析带来了不少的冲击,这波全方位改变我们生活与工作方式的疫情显然超出了分析技术的理解范围。”
没有大流行手册
Saleh还指出,“由于使用的数据收集自疫情爆发之前,因此相当一部分预测模型都失去了判断能力——或者说因为COVID-19而崩溃了。”
Saleh认为,这是因为此类模型已经无法继续反映我们当前生活的世界。“跟我们这些没有新冠生存手册来指导疫情下生活细节的普通民众一样,分析技术也找不到合适的数据来预测接下来会发生什么。”
根据Saleh的观点,零售业就是其中的一个典型例子。
“在零售行业,分析模型主要关注实际客流量。但在疫情爆发后,客流量瞬间归零。而零售商们并没有做好准备,至少没有做好把销售全部转往线上的准备。我们的研究表明,约有60%的数字渠道新用户决定在当下乃至疫情结束后一直使用线上业务,这代表着消费者行为开始发生根本性转变。如此一来,当实体店重新营业时,原本用于预测、预算与收入的算法必然已经过时。”
Saleh还提到,“为了再次获得更准确的预测结果,唯一的解决方案就是重新设计与我们当前所在的世界真正相关的模型。”
业务新常态:务实才是真
Saleh指出,“如今,企业比以往任何时候都更需要务实的求存精神。在新的常态之下,充斥着海量未知因素,因此人的决策能力将又一次成为决定企业命运的关键。换言之,由于当前大多数模型都无法获得有助于预测未来事件的完美数据或历史关联,必须转而依靠人来做出判断。”
Saleh认为,企业需要遵循二八原则,意味着彻底改变整个分析方法体系。
“现在最重要的工作不是重新建立以分析与数据为基础的团队和项目,而应该重新确立人类判断力的重要地位。2020年初,预测模型与AI判断方案已经足够复杂,能够为众多企业提供帮助。但面对前所未有的特殊形势,人的因素在各个方面都变得越来越关键。”
立足长远,颠覆分析
在Saleh看来,包括模型复杂度以及特征权衡等多种方式,都有望给AI及分析技术带来全面颠覆。
“模型的复杂度越高,其透明度就越低,我们将很难确定其是否拥有良好的预测能力。以剧院为例,虽然我们能够掌握大量与票务预订、演出价格等相关的数据,但却绝不可能推断出其在四年之后的运作方式。”
“但问题总有两面性,分析模型本身也分为不同类别。如果您的AI及分析模型主要用于生产质量控制,那么COVID-19对其几乎不会造成任何影响。”
相比之下,对于在易受人类行为影响的行业(例如零售业)中使用的AI与分析模型,COVID-19的出现显然改变了其应用场景。
“这是因为疫情流行终将在诸多方面影响到我们的生活,包括我们希望购买哪些商品、能花多少钱以及如何对广告信息做出反应。因此,任何依赖于行为分析的模型都将很快过时。要真正跟上时代的脚步,我们需要更加务实的精神。”
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。