虽然生成式人工智能目前已成为科技市场的焦点,但沉浸式技术的独特优势不容忽视。中国政府最近发布的《元宇宙产业创新发展三年行动计划(2023 - 2025年)》更加印证了这一点。这一举措使中国成为沉浸式应用领域的全球领导者,对多个行业产生影响。
本战略计划的核心是集成人工智能和增强现实(AR)/虚拟现实(VR)等尖端技术,通过沉浸式工业解决方案赋能智能制造。然而,该计划的目标不仅限于工业应用,还设想了面向消费者、公共服务,特别是数字办公场所的变革性沉浸式数字解决方案(使用场景示例见表1)。
表1:《中国行动计划》列出的使用场景
AR/VR和数字人等沉浸式技术与数字办公场所的联系将日益紧密。这些技术不仅将重新定义一线员工的运营方式、提高生产力,同时为扩大企业人才库提供了机会,以提升品牌影响力和社会参与度。
中国的首席信息官(CIO)和IT领导者必须迎接挑战,对这一新兴格局进行了解和把握,从而引导企业机构在未来以崭新的方式将沉浸式技术融入数字和物理领域。
加强员工联系,丰富企业文化
如今,新兴的元宇宙技术可以将用户带入一个身临其境的虚拟世界。这个世界可以是通过桌面客户端、移动应用或网络浏览器访问的3D模拟,也可以是通过VR头戴设备或其他头戴式显示器(HMD)实现的完全沉浸式体验。这个虚拟世界里并不局限于简单的封装软件对象或映射物理对象外观的模型,而是可以通过空间计算,利用物理世界或物理对象的实时数据重建数字对象,从而精准地模拟其动作和响应。
这为企业提供了新的机遇,让企业可以通过沉浸式的办公场所、会议和活动,与潜在以及现有的客户、员工以及民众进行协作、连接和互动。通过这种方式,元宇宙和沉浸式技术可以帮助企业机构培育强大的企业文化。
中国企业的元宇宙项目仍在早期阶段、仍有增长空间,但这足以表明利用沉浸式技术培育强大企业文化的重要性,而中国政府在生活工作等各个领域推广沉浸式数字体验的计划也对此做出了设想。
构建增强型互联员工队伍
元宇宙的概念不仅仅是一个脱离现实的虚拟世界,相反,它代表了数字空间和物理空间相融合的重大演变,创造了一种“虚实”体验。这一转型将对数字办公场所和工业运营产生深远影响,也是中国元宇宙行动计划的核心重点。
中国对“工业元宇宙”的重视,突显了其致力于在虚拟和现实双方面提升一线员工生产力和效率的决心。工业元宇宙通过集成AI、物联网和AR/VR技术,实现工业环境的数字孪生,对复杂系统进行实时监控并与之交互。工业元宇宙利用物联网衍生的数据和广泛的5G网络基础设施,提供了实时、低延迟的混合体验环境。
工业元宇宙和沉浸式技术的概念与增强型互联员工队伍(ACWF)的概念十分契合,Gartner也将其列为2024年十大战略技术趋势之一。ACWF着眼于将智能设备、平台、应用和服务集成至统一的策略中,以增强员工能力。AR和VR等沉浸式技术对实现这种融合发挥着关键作用,有助于增强员工的日常工作能力,实现物理空间和数字空间的无缝融合。
提高员工队伍多元化和包容性
随着虚拟增强现实设备的快速发展,沉浸式技术对企业工作场所产生了巨大影响,尤其是在多元、公平和包容(DEI)和企业社会责任(CSR)方面。这些尖端技术为残障人士创造了更多机会,提高了包容性,体现了企业机构对创新和促进社会进步的承诺。
这种承诺可以吸引全球顶尖人才,提升企业机构在包容性和社会责任方面的声誉,突显其作为全球舞台创新领导者的角色。从本质上讲,这既是一个伦理选择,也是在国际商业中取得长期跨文化成功的战略途径。
随着沉浸式技术转型格局的逐渐清晰,将DEI和CSR集成到企业运营中会成为一种具有前瞻性的核心方法,有望为所有利益相关者带来更光明、更普惠的未来。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。