英国各大都会区市长一致认为数字化转型的决策应该在本地做出,但在将创意转化为现实所需的时间和资金等方面仍存在认知不足。
这些地区在替换传统系统方面面临着与过去十年银行类似的挑战,但却缺乏相应的技能和财务资源。
根据 IT 服务公司 CGI 对 12 份市长竞选纲领的研究显示,这些代表着约半数英国人口的地区领导人一致认为,数字化转型决策需要在本地做出。
深度参与英国公共部门的 CGI 英国和澳大利亚区总裁 Tara McGeehan 表示:"这些地区离白厅很远,因此从优先级和对地区实际情况的整体了解来看,让更关注垂直领域的市长做决策,比所有决策都由伦敦做出要更合理。"
CGI 研究了大曼彻斯特、利物浦城市区、剑桥郡和彼得伯勒、东密德兰、大伦敦、东北部、南约克郡、蒂斯谷、英格兰西部、西密德兰、约克和北约克郡以及西约克郡等都会区领导人的竞选纲领。
她说:"我们现在有很多有趣的市长,我认为他们的共同点是有机会更好地倾听当地民众的声音,并可能带来改变 - 技术在其中扮演重要角色。他们都在不同程度上认识到了这一点。"
但 McGeehan 质疑是否对所需的技能、投资和工作时间有"同等程度的理解"。
IT 机房的遗留问题
McGeehan 表示,理解数字化转型地方服务所需的成本和时间的挑战因"房间里的大象"而加深,这里指的是地方政府使用的许多 IT 系统"非常非常陈旧"。
她说:"现有的传统 IT 环境不适合数字化",并补充说有些地方政府推出的数字服务实际上只是"在现有服务外面包了一层数字外壳"。
McGeehan 说:"根据我的经验,获取新的 IT 系统需要很长时间,因此你会一直使用并榨干现有资产的价值。许多现有系统都不太适应光明的数字化未来。也许议会想在上面加一层皮就称之为数字化,但实际并非如此。"
多年来,银行在克服传统系统对数字化造成的障碍时采取了类似的方法。金融科技和大量投资帮助他们克服了这一问题,但地方政府缺乏大银行那样的技能和资源。
她补充说,由于传统系统的限制,这些地区无法应用任何人工智能原则或进行任何形式的数字化转型,因为他们仍在使用在多个不同系统之间传输数据的老方法。
CGI 的研究还显示,对数据保护缺乏认识,只有一半的大都市区竞选纲领提到了数据主权问题。
McGeehan 说:"这是一个难以理解和真正思考的话题。它关系到你的数据存储位置,不让数据离岸,因为数据可能在其他地方被滥用。它涉及网络安全和保护你的资产,这些都是抽象的概念。"
数字贫困
与银行服务数字化一样,地方政府在带动其客户(即公民)方面也面临挑战。McGeehan 表示,既要确保市长具备实施数字项目所需的技能,同时还要确保社区具备使用新数字服务的技能,这是一个双重挑战。
她说:"例如,在我当地火车站的停车场,你只能通过应用程序预订车票才能停车。这实际上排除了许多不太了解这类技术的老年人。"
银行曾面临让老年人使用其在线银行和移动平台的挑战。直到新冠疫情迫使人们上网,老年群体使用移动银行才真正开始普及。
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。