在最近的可持续发展人工智能(AI for Sustainability)活动中,微软在其可持续发展云(Cloud for Sustainability)中引入了新的数据和人工智能解决方案。这些新产品将帮助企业从可持续发展承诺过渡到切实的可持续发展行动。
新的数据和人工智能解决方案
微软可持续发展云(Microsoft Cloud for Sustainability)是微软的云解决方案,帮助企业实现环境责任和可持续性。这是一个综合平台,弥合了可持续发展承诺和实际行动之间的差距。
微软正在扩展该解决方案的功能,以帮助企业加速其可持续发展工作。包括提供一系列新的数据和人工智能解决方案,微软希望这些解决方案能够帮助企业改变实现和管理可持续发展目标的方式。
微软可持续发展云的新数据和AI更新包括:
微软可持续云平台中的这些新功能应该可以减轻企业负担,帮助他们实现在可持续发展之旅上取得切实进展的希望。它们在决策和报告方面提供了更高的效率和准确性,并支持以可持续发展为重点的新业务模式和增长机会。
分析师观点
微软的方法结合了数据集成和高级AI功能,解决了许多企业可持续发展计划中的一个关键问题:缺乏将大量环境数据转化为可操作的见解和连贯战略的能力。这使企业能够从简单的可持续发展承诺过渡到切实可行的行动。
Microsoft Fabric是一个全面的分析SaaS平台,为微软的新功能奠定了基础。它允许企业统一不同的数据流,包括以前无法访问的ESG数据。这种统一对于企业至关重要,这样他们才能将可持续性纳入其核心战略而不是将其作为次要问题。通过在统一平台中提供AI驱动的分析和见解,微软为企业提供了工具,帮助他们做出明智决策,并将可持续性深度嵌入其运营结构中。
在Microsoft Sustainability Manager中集成Copilot等AI功能让它更上一层楼。它承诺让企业能够更直观有效地与可持续发展数据进行交互,以此加快决策流程。此功能简化了可持续发展报告和合规工作,减轻了运营负担,并为战略计划腾出了资源。
微软对ESG价值链解决方案的关注具有战略意义。由于认识到企业对环境的很大一部分影响在于其供应链,微软可持续发展云提供了一种超越公司直接运营范围的整体性方法。
在帮助企业应对可持续发展复杂性方面,微软并非独行。Salesforce在这个领域有Net Zero Cloud,而SAP则广泛提供了各种可持续发展管理工具。IBM的Environmental Intelligence Suite是另一个强大的解决方案,深度集成了环境绩效元素。任何寻找解决方案的企业都有不少令人信服的选择。
微软对可持续发展云平台的更新是一项经过深思熟虑的战略,该战略将微软定位成重要参与者,帮助企业驾驭复杂的可持续发展环境。通过提供强大的、数据驱动的、人工智能增强的工具集,微软不仅仅是在销售产品;而是在为企业提供了一条切实可行的途径,实现他们的可持续发展目标。
微软可持续发展云的更新解决方案将引起全球企业的良好回应,尤其对于那些努力应对环境合规压力并力求满足具备可持续发展意识的市场日益增长的期望的企业来说更是如此——这几乎是每一家企业的处境。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。