至顶网软件频道消息:人工智能(AI)正在不断发展成熟,从中获益的一个群体越来越清晰:知识工作者。这些工作者既需要经验又能够收集和分析决策和行动所需数据,他们正在获得能够大幅提升其表现的工具。
人工智能涵盖了从机器人和物联网、到机器学习和自然语言处理的所有内容,这是一个全自动化、端到端分析和决策制定的世界;人工智能将人类从日常任务中解放出来,进一步增强了人类的聪明才智。
但实际来说,今天主要关注的是为知识工作者提供让他们更快、更有效地完成工作所需的信息和工具。这一点得到了Forbes Insights调查结果的印证,调查发现,有79%的高管认为,人工智能已经在推动知识型员工在工作流程和工具方面的变革性改进。
有关赋能知识工作者的例子,让我们来听听运输和物流巨头Werner Enterprises公司首席执行官Derek Leathers的看法。“我们的物流小组负责处理各种复杂但重复性的任务,这些任务需要大量输入数据才能做出最佳选择。”例如,选择最好的运输商意味着要梳理数千种可能的后选择、路线和时间表。“通常情况下,可能需要四到五分钟才能得出结论,”Leathers说。但是,最近他们采用了基于人工智能的工具,“几秒钟内,我们就可以把选择范围缩小到两三个运输商,然后让人类直觉做出最佳决策。”
精力应该集中在哪些方面?
Forbes Insights研究表明,提高知识型员工绩效的方法基本上围绕着这三个关键领域:
1、消除重复性任务:在做出决策时,知识工作者必须经常引用一系列数据源,这些数据源可能分散在企业组织外的各种电子表格或数据库中。编辑此类信息通常是重复的或机械的,因此非常适合采用机器人过程自动化(RPA)等工具。
Julie Leese是加拿大运输部的首席数字官,是加拿大铁路、海运、空运和陆运业务和政策的主要监督员。Leese解释说,RPA让企业组织可以自动执行基础任务,尤其是那些由明确的业务规则管理的任务。Leese说,这样的“机器人”比人类更有效率,能够更快、更连续地处理更多数据。
2、简化决策:机器——人工智能——非常善于编制数据。但就目前而言,Cadence Design Systems公司IT副总裁Tarak Ray表示,人类仍需要做出最终决定。他举例说,一台机器可以被训练识别出花朵,但“如果你要求机器画一幅画的画,或者说出哪一朵花最漂亮,机器就不知道了”。即便如此,机器还是能够收集和执行基本的、大量重复性的分析,帮助提高人类做出重要决策的速度和效率。
3、提供新的洞察:人工智能最强大的能力之一,是能够以显著提高理解力的方式向决策者提供信息。一家大型商业房地产、零售和娱乐集团的首席技术官解释说:“数据可视化本身就可以带来一些有趣的发现。”他们使用Power BI(商业智能)这种基于云的业务分析软件,为知识工作者和决策者的大约680个正在进行中的、涉及人工智能的报告提供支持。这位CTO表示,这些报告非常强大,“今天,没有人会在还没有看看Power BI仪表板之前就做出决定”。
Forbes Insights调查显示,知识工作者扮演者很多角色,实际上,各种各样的职能部门都在积极寻求人工智能能力。目前,IT部门仍然是人工智能最活跃的用户(52%的受访者),远远超过其他业务如运营(39%)、营销(33%)、销售或物流(32%)。
但调查显示,在接下来的18个月中,IT与其他业务职能之间差距在不断缩小。IT仍然保持领先地位,毕竟,这是一种了解技术、操作数据、明确业务规则的职能。调查预测,绝大多数知识型员工将在未来18个月内积极参与人工智能项目。人工智能确实对知识型员工产生了转型影响,而且还将持续下去。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。