至顶网软件频道消息:根据IDC全球半年度人工智能系统支出指南预测,2019年全球人工智能(AI)系统支出将达到358亿美元,比2018年增加44.0%。随着各行业大力投资采用AI软件功能的项目,人工智能系统支出到2022年将翻一番达到792亿美元,2018年到2020年预测期内的复合年增长率(CAGR)为38.0%。
零售业领跑全球人工智能系统支出,该行业中的企业今年将投资59亿美元用于自动化客户服务代理、专业购物顾问、产品推荐等解决方案。银行业是支出第二大的行业,将投资56亿美元用于支持AI的解决方案,包括自动化威胁情报和预防系统,以及欺诈分析和调查系统。离散制造、医疗和流程制造也成为今年AI系统支出的前五大行业。在2018年到2022年预测期间,人工智能系统支出增长最快的行业分别是联邦/中央政府(44.3%)、个人和消费者服务(43.3%)、教育(42.9%)。
IDC客户洞察与分析研究经理Marianne Daquila表示:“现在,可以看到每个行业在全球人工智能系统上都有重要支出,因为人工智能项目将持续优化运营、改善客户体验、创造新的产品和服务。具体的使用实例可以说明这一点,例如智能过程自动化、专业购物顾问和产品推荐,以及药物研究和发现,这些方面的增长都超过了38%的平均年复合增长率。人工智能相关技术的持续发展,将推动未来十年中人工智能支出的同比双位数增长。”
今年投资最多的人工智能用例是自动化客户服务代理(全球45亿美元)、销售流程推荐和自动化(27亿美元)、自动化威胁情报和预防系统(27亿美元)。其他这五个用例在2019年的支出水平也将超过20亿美元:自动化预防性维护、诊断和治疗系统、欺诈分析和调查、智能流程自动化、计划顾问和推荐系统。
软件将成为2019年人工智能系统支出的最大领域,其中近135亿美元是投资给了人工智能应用和人工智能软件平台。人工智能应用将成为人工智能支出增长最快的一类,五年复合年增长率为47.3%。由于企业在持续构建支持人工智能系统所需的基础设施,因此今年硬件支出将达到127亿美元,其中服务器硬件占据主导。此外,企业还将投资于IT服务,以帮助开发和实施人工智能系统和业务服务,例如与这些系统相关的咨询和横向业务流程外包。到预测期结束时,人工智能相关的服务支出几乎和硬件支出持平。
IDC认知/人工智能系统研究主管David Schubmehl表示:“IDC看到,人工智能软件平台和人工智能应用的支出在持续增长,用例的类型和种类也在不断扩大。虽然企业组织在部署人工智能解决方案的过程中仍然面对人员配备、数据等问题,但他们发现,通过降低成本、提高收入并提供更好、更快速的信息访问,他们可以帮助显着提高企业的底线并改善决策。”
从地区来看,2019年美国将占到人工智能系统总支出的近三分之二,其中零售业和银行业领跑。西欧将成为人工智能系统支出的第二大区域,以银行业、零售业和离散制造业为主导。五年预测期内人工智能系统支出增幅最高的地区是日本(复合年增长率为58.9%)和亚太地区(不包括日本和中国)(复合年增长率为51.4%)。中国在整个预测中也将实现强劲的支出增长,复合年增长率为49.6%。
“在欧洲,人工智能是一个很重要的话题,未来还将如此。人工智能的采用和支出都在快速增长。欧洲企业已经在实践人工智能了,从探索阶段进入实施阶段。在竞争激烈的环境中,人工智能是一项改写游戏规则的技术,特别是在零售业和金融业等面向客户的行业中,人工智能有能力通过虚拟助理、产品推荐、视觉搜索等将客户体验提升到新的水平。许多欧洲零售商如丝芙兰、ASOS、Zara,以及NatWest和汇丰银行等银行企业已经体验到人工智能的优势,包括增加门店访问量、增加收入、降低成本、创造更加愉快、更个性化的客户旅程。与流程自动化相关的行业特定用例正在进入主流,重点将转向用于个性化或预测目的的下一代人工智能,”IDC欧洲客户洞察与分析高级研究分析师Andrea Minonne这样表示。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。