许多首席信息官向同行学习更多的人工智能知识,但只有少数人认为其他首席信息官比他们懂得更多。这个问题也许只有自我教育才能解决。
在企业内部部署人工智能的压力下,大多数首席信息官担心他们对这项瞬息万变的技术缺乏必要的了解。
在 Salesforce的调查中,平均每五位首席信息官中就有三位以上的受访者表示,他们希望自己对人工智能的了解远远超过了他们的实际水平,这可能会导致大规模、代价高昂的部署失误。
尽管四分之三的首席信息官在寻求人工智能专业知识时会向同行寻求指导,但只有9%的人认为他们的首席信息官同行比他们更了解人工智能。不过,其他首席信息官仍然是获取更多人工智能信息的首选,其次是分析师报告、IT供应商、会议和IT媒体。
Salesforce的首席信息官Juan Perez鼓励首席信息官们向同行学习。
他表示:“人工智能将首席信息官推上了风口浪尖,这是前所未有的。”“首席信息官们知道人工智能的重要性,但他们面临着快速交付人工智能解决方案的巨大压力。这种压力以及人工智能的快速发展,让许多领导者竞相追赶。”
Perez建议寻找人工智能合作伙伴。他补充道:“找到合适的合作伙伴意味着首席信息官们不必在公司内部建立专业技能,也不必浪费时间和资源去DIY他们的人工智能。”
数字化转型公司Euristiq的首席技术官Pavlo Tkhir表示,然而当企业其他领导者经常将首席信息官和其他IT领导当成解决人工智能问题的“得力助手”时,缺乏人工智能专业知识就成了一个问题。
他表示:“说到人工智能,需要一定程度的理解,尤其是在高管团队中。”“但重要的是要明白,人工智能是一个极其广泛的领域,指望非专业人士能够同时了解机器学习、计算机视觉和道德考量,实在是荒谬之极。”
Tkhir表示,如果企业在没有必要的人工智能专业知识的情况下就贸然推进,就会遇到很多问题,包括代价高昂的人工智能错误和声誉受损。他补充表示:“你可能会面临团队内部的信任问题,因为员工会开始怀疑自己的上级,也会对自己的角色和权限感到困惑。”
Tkhir呼吁企业投资人工智能培训。他认为首席信息官可以帮助确定自己和员工所需的培训,但企业应该承担培训费用。他表示,在员工完成培训之前,企业在启动项目时应咨询外部人工智能专家。
陡峭的学习曲线
人工智能和云计算供应商 InFlux Technologies 的首席信息官 Valter Silva 补充表示,许多首席信息官和其他IT领导需要自己寻求培训。他表示,人工智能的发展如此之快,“总会有一个学习曲线”。
Silva鼓励其他IT领导人在面临来自上层的压力时,寻找微型课程和其他培训机会,以便从人工智能项目中获得成果。他说:“把重点放在能够提高业务和效率的领域。”“然后像对待任何其他项目一样,确定自己的个人计划范围。”
不过,Silva认为,随着人工智能与更多 IT 系统的整合,首席信息官的教育至关重要。
他表示:“整合和提高技能的要求确实需要规划。”“我相信,如果你不利用它来增强每个业务流程,你就会被甩在后面。”
电子邮件认证服务提供商 Valimail 的首席技术官Seth Blank表示,问题的一个重要原因是,生成式人工智能太新了,几乎不存在专业知识。
他表示:“这项技术太新了,而且还在不断发展。”“作为技术领导者和业界一员,我们仍然在探索人工智能的最佳效能,了解它在哪些方面能发挥最大作用,哪些方面会有不足,并确定适当的治理模式和适合自主运行的领域。”
他补充表示,这项技术发展迅速,这意味着今天的专业知识明天可能就不适用了。Blank表示:“当我与同行和其他组织交流时,他们的团队都在使用人工智能,但没有人的经验会超过一两年。”
尝试新事物
然而,Blank表示,缺乏深厚的专业知识并不能阻止企业尝试人工智能。他建议首席信息官们采取战略性方法,专注于那些能对企业产生最大影响的人工智能项目。Valimail公司本身已经启动了几个人工智能项目,这些项目虽然是渐进式的,但都取得了可喜的进展。
他表示:“重点不应该是确定当今对人工智能实施战略的共识,而是进行战略性的组织投资,了解人工智能在哪些方面可以为企业带来最大价值,同时保持安全和良好的防护措施,并保持创新。”
他补充表示,对人工智能进行试验是有价值的,因为首席信息官和其他IT领导者可以通过有限数量的概念验证项目来积累专业知识。
Blank表示:“我能否拿出5%的预算,在不同团队的5到10个不同项目中进行部署,以积累一些专业知识,建立一些直觉,并了解它在哪些方面会发挥作用?”“你必须进行创新,而创新的方式并不是一开始就取得成功。而是要精打细算,经历一些失败,这样才能让另一些尝试成功。”
好文章,需要你的鼓励
Anthropic发布了面向成本敏感用户的Claude Haiku 4.5大语言模型,定价为每百万输入令牌1美元,输出令牌5美元,比旗舰版Sonnet 4.5便宜三倍。该模型采用混合推理架构,可根据需求调整计算资源,支持多模态输入最多20万令牌。在八项基准测试中,性能仅比Sonnet 4.5低不到10%,但在编程和数学任务上超越了前代Sonnet 4。模型响应速度比Sonnet 4快两倍以上,适用于客服聊天机器人等低延迟应用场景。
上海AI实验室联合多家顶尖机构开发出全球首个科学推理大模型SciReasoner,该模型在2060亿科学数据上训练,支持103个科学任务,能够像科学家一样进行逻辑推理并展示思考过程。它实现了化学、生物学、材料科学等多领域知识整合,在分子设计、性质预测、文献分析等方面表现出色,为科学研究提供了强大的AI助手工具。
英国初创公司Nscale将为微软建设四个AI数据中心,总计部署约20万个GPU,合同价值高达240亿美元。首个数据中心将于明年在葡萄牙开建,配备1.26万个GPU。德州数据中心规模最大,将部署10.4万个GPU,容量从240兆瓦扩展至1.2吉瓦。所有设施将采用英伟达最新Blackwell Ultra显卡。
南洋理工大学研究团队开发出SHINE方法,这是一种无需额外训练就能实现高质量图像合成的新技术。该方法通过巧妙引导现有AI模型的潜能,能够在复杂光影条件下完美合成图像,包括准确的阴影生成和水面倒影效果。研究团队还创建了ComplexCompo基准测试集,验证了SHINE在各种挑战性场景中的卓越性能,为图像编辑技术的发展开辟了新方向。