7月21-24日由MathWorks主办,汇集全球范围内领先企业的工程师、研究员和科学家的2020 MATLAB EXPO中国用户大会在线上召开。MathWorks公司首席战略师Jim Tung先生在发表“一切转型始于数据和模型”主题演讲后接受记者采访。(以下为采访内容节选)
Jim Tung,迈斯沃克软件(MathWorks)首席战略师
在问到数字化转型的实用性时,Jim Tung这样向我们进行了解释:关于实用性重要的一点,是需要带着对事件可行性有清晰的了解来做计划和执行。
一方面数字化转型能够对你的企业带来焕然一新的改变。但是很多企业尝试过后发现数字化转型并不容易。但当你实际地进行数字化转型,意味着你需要很好地规划对于人员和他们的技能做哪些投资,这非常必要。你也需要清楚怎样去投资工具,并且教会技术人员去使用这些工具,使他们拥有必要的技能。同时,多久可以实现投资和培训的目标,企业也需要心中有数。实用的数字化转型可以真正地推动企业向着目标前进,并且支持企业实现目标。所以要进行实用的数字化转型,你必须清楚地知道现实是怎么样的。
数字化转型正进入快速发展的新阶段,但是很多公司不知道如何进行转型的第一步。MathWorks如何帮助企业进行第一步转型?
Jim Tung:如果想迈出第一步,就要选择正确的转型方向。这点并非MathWorks专注的领域,因为我们并非帮助企业确立未来发展方向的商业咨询公司。所以我们需要客户先定义自己的愿景。
但当客户描述他们的愿景时,我们可以从技术方面去帮助客户实现愿景。在很多的案例中,客户公司就有不同技术人员有初步的技能可以帮助公司开始转型,包括模型设计、数据分析、仿真的能力。我们可以帮助客户使他们初步的技能变得成熟,并且提升这些方面的技能。
我们并没有一个固定的数字化转型解决方案,因为每个企业都有自己数字化转型的任务和目标。但我们提供解决问题的能力和经验,能帮助他们成功向前推进整个的转型。
在大数据的领域,企业会面对很多种数据类型,MathWorks有没有看到这方面未来发展的趋势?
Jim Tung:当企业想要享受系统化使用数据的益处时,面临的一个挑战就是数据的类型。因为你要整合来自于不同传感器的数据,比如说图片、计算机视觉、语音。你也需要引入一些其他类型的数据,比如说生产制造过程中的数据。除此之外,还需要包括来自其他系统的其他类型的数据。我们的工具或者我们整个平台是可以在一个环境中处理所有这些数据的,因此我们的客户可以获取整合这些数据之后的价值。它同时意味着这些工具和平台可以支持不同的IT系统和技术。客户还可以应用MATLAB强大的分析能力来分析这些不同组合形式的数据。
数据化转型不仅是关于技术,还需要结合不同产业的生态,MATLAB如何在这种形势下发挥其优势?
Jim Tung:MathWorks在很多不同领域都有丰富的经验。每个行业都有其特有的特点和传统的方法。MathWorks也跟一些软件公司进行合作,去开发一些信息系统或者是一些软件系统,例如在金融领域。最重要的一个方面是MathWorks有广泛的跨领域经验,与不同类型的企业互动并支持其发展。我们也有跟生态系统合作的经验,做一些嵌入式设备或嵌入式芯片上的应用开发,并且有更多基于软件的生态系统经验。
当我们和不同的企业和生态进行合作时,我们会面临一个挑战,就是让各自产业或领域的专家,和软件开发方面的专家进行合作。这就是为什么MATLAB和Simulink可以作为两种方法或者文化的桥梁,做一个很好的衔接。所以这也是我们认为Gartner将MathWorks评为数据科学和机器学习平台魔力象限的领导者的原因。技术领域、模型领域、软件领域,我们都可以将它们进行有机的结合,去解决真实世界的问题。
数字化转型从想法到初步实施成型要多久?有MathWorks的帮助,企业在生产周期上可以节约多少时间?
Jim Tung:在整个系统当中应用模型的时候,不同类型的数字化转型就成为了可能。所以能够在系统设计、开发模型的时候,以及做模型验证的时候,帮助提高效率。有些公司的一些技术团队拥有这些技能,但是在一个很小的领域或方面去应用它。通过更多的开发过程来扩展模型的使用可以逐步和实际地完成。我们客户的反馈是,他们在应用了这个模型后,取得了很高的KPI增长。
在MathWorks的官网上,展示了来自这些客户体验的用户案例。一般情况下,整个模型设计能够帮他们节省大概40%到50%的开发时间。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。