至顶网软件频道消息:来自世界经济论坛最近的一份报告预测,到2020年智能自动化可能会取代发达国家的500万个就业岗位。因此你可能会认为,最近日本银行业宣布未来十年内银行业将进行裁员——三家主要的银行集团总共30000个岗位——会引发社会担忧。然而,笔者在最近一次去东京的旅行中,从其中一家银行的一位高级管理人员那里听说,自动化在应对随着国家老龄化而劳动力减少方面至关重要,而忙碌的机器人对于日本来说,是一个总比没有人能工作要好的替代方案。
尽管日本长期存在工作流失的问题,但认为智能自动化将不可避免地导致金融服务业就业机会减少的观点是错误的。事实上,埃森哲最近的研究表明,对于那些采用智能自动化的公司来说,到2022年收入可能增长32%,但关键性就业也可能增长9%。
正如每一次工业革命那样,就业增长也与就业的变革和演变息息相关。重要的是,许多工作的性质将反映出人与机器之间新的伙伴关系。人类被要求训练、监控和维护自动化技术,而智能自动化将会放大和改善人类的技能和判断力。当然,银行业也有一些领域将会出现机器完全取代人类的情况,但这通常是那些繁琐且重复性的工作。还有很多工作是需要创造力、同理心和判断力的,在这方面机器在可预见未来内扮演的角色仍然有限。最终,如果我们能更好地理解和界定人与机器之间的共生关系而不是破坏性关系的话,我们不仅能够创造更多的就业机会,而且还能在金融服务行业中创造更多有趣的、更高附加值的就业岗位。
埃森哲最近一份2018年北美银行业务运营调查发现,这一变革已经开始,很多公司利用数据和人工智能来改善各种流程,从客户服务到员工培训。北美银行中,有22%的银行已经在使用人工智能、机器学习和自然语言处理,另有55%的银行打算在明年开始这么做。有近五分之一的银行已经在使用机器人过程自动化技术,另有63%的银行计划在未来一年内这样做。这项研究还表明,很多北美银行理解人与机器的共生本质,54%的银行表示人机协作对实现其战略目标来说至关重要。
埃森哲金融服务全球人才与组织负责人Andrew Wolfe表示,银行、保险公司和其他公司面临的挑战是“让员工进入一个全新的世界,在这个全新的世界中,人类的智慧与智能技术相结合,以释放新的增长形式。”我们很容易指责由于自动化程度的提高而导致就业流失,还有许多人正在通过使用技术来提高他们的生产力和改善提供给客户的服务。例如,在过去几年中,我们看到了财富管理机器人顾问的激增。在某些情况下,这些机器人向经常无力支付传统财务计划相关费用的消费者提供自动化建议。但在其他情况下,人工智能现在并不是要替代财务顾问,而是让这些顾问的工作更有成效。像AdvisorEngine这样的金融科技公司,他们支持资产分配流程,让顾问有更多时间专注于为客户提供个性化建议,并做人类最擅长的事情——建立关系。正如一位资深财富管理经理所说的:“一台机器可以将大量遗产投入正确的投资组合,但它不会问你父母为了积累这些财富都做了些什么、以及如何表达他们的同情。”
AI还有助于降低风险和合规成本。人工智能和自然语言处理可用于自动反洗钱,了解你的客户(KYC)报告,并为监管压力测试收集数据。据International Banker称,使用人工智能完成这些任务可以为银行降低高达30%的合规成本,节省数十亿美元。这种自动化还可以省去了数全名风险和合规人员坐在大仓库一样的房间里完成那些重复的、平凡的工作,释放出更多时间去做更多有价值的工作。
即使是让机器人承担面向客户的角色,人类也仍然需要对其进行大量培训和维护,因为即使是针对人类行为细微差别的最佳对策也是如此。例如,机器人很难识别出诸如讽刺之类的情绪,而像Alexa这样的平台可能能够根据需求伪造幽默感,但它们还不能应对所有人类情感。所以,机器人就像一个傀儡,需要人类来牵动它身上的线,学习驾驭复杂的、微妙的、往往是文化特定的人类交互场景。
同样,人们需要能够对自动化决策做出解释,确保银行不会与监管机构发生冲突:机器可以根据其编程因素来决定某人是否应该获得信用卡或汽车贷款,但也需要有流程来确保这些决定没有因为种族或地理位置而有差异性。正如American Banker所指出的:“人工智能尚未证明它在避免与信贷决策相关的安全性、健全性和消费者保护漏洞方面比人类更胜一筹。事实上,人类仍然要参会这个过程中的关键步骤。”
自从1968年电影《2001太空漫游》(2001: A Space Odyssey)中计算机HAL变成了邪恶的杀人机器,人们开始担忧人类某天也可能会被机器取代。而在银行业发生的也许是进化、而非革命,机器承担着最适合它们的任务,而人类则专注于他们最擅长的事情。不过,也会有大量的活动将人类与机器相结合,这让那些在这个新世界中奋斗的银行脱颖而出。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。