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
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。