“理性的人让自己适应世界,非理性的人坚持改变世界,让世界适应自己。因此,所有进步都取决于非理性的人。”萧伯纳的这句名言在人工智能(AI)飞速发展的今天似乎更具启示意义。当AI浪潮席卷而来,企业如何才能不被时代抛弃,真正享受到技术进步带来的红利?某跨国制造业企业数字化总监王益民的观点或许能给我们带来一些启发。
AI落地:企业应用的“最后一公里”困局
近年来,人工智能尤其是生成式人工智能(AIGC)成为了炙手可热的话题。从机器视觉识别到自然语言处理,AI技术的应用范围不断扩大,为各行各业带来了巨大的想象空间。然而,在企业应用领域AI落地却面临着“最后一公里”的难题。
王益民指出,尽管AI技术已经发展多年,但在制造业中,除了机器视觉识别和质量控制等少数领域外,大部分AI应用场景和投资回报率并不高。企业在寻找合适的AI应用场景上依然困难重重。
这一现象背后的原因是什么?无论CIO也好还是企业的业务负责人也好,思考的关键是如何才能找到AI应用的“突破口”。王益民认为:“找到合适的场景,即找到AI这把‘锤子’可以敲入的‘钉子’”。
王益民着重指出,“寻找‘钉子’要从业务需求的具体场景出发,以ROI为导向。”
然而如何才能找到AI应用的“钉子”?
王益民表示,企业需要从以下几个方面着手:“首先,要以业务场景需求为导向。AI不是为了应用而应用,而是要解决实际的业务问题。企业应该从自身业务需求出发,寻找那些可以通过AI技术提升效率、降低成本、优化流程的场景。”
“其次,要以ROI为导向,企业在选择AI应用场景时,要关注投资回报率。选择那些能够带来显著效益的场景,这才能真正体现AI技术的价值。”
“在AI推进中要从小处着手,逐步推广。AI应用可以先从一些小型的、容易实现的场景入手,逐步积累经验,然后再推广到更广泛的领域。”
“打破经验主义,拥抱创新。AI时代,企业需要打破传统的经验主义思维,原有的经验、甚至原有的大型供应商由于其规模、风险偏好会变得保守、难以调整方向,反而一些新兴的、敢于创新的小型供应商更具活力与创新精神,企业应与这样的供应商一起积极拥抱创新、共同成长,才能找到AI应用的新思路。”
AI应用的“成功案例”与未来展望
王益民以本企业为例,分享了一些AI应用的成功案例,他指出:“在人力资源场景,通过AI进行简历筛选和打分,可以大幅提升招聘效率,从而节省人力成本。在公司法务方面:利用AI进行合同审核,可以降低对外部律师事务所的依赖,大幅节省了企业的法律费用。AI客服的应用也更加普及,企业的400客服通过AI客服机器人可以替代部分人工,实现7*24小时在线服务,大幅提升客户满意度和响应速度。企业知识管理的潜能巨大,AI可以帮助企业进行知识检索、文档分析等大量繁琐的的文档工作,提高知识管的理效率。”
这些案例表明,AI技术已经可以为企业带来实实在在的效益。随着技术的进步和应用的深入,AI将为企业带来更多可能性。
当然,AI的应用也并非一帆风顺。AI结果的准确性、数据安全、算法偏见、伦理风险等问题都需要企业认真面对和解决。王益民强调:“AI的准确性方面是大家普遍遇到的难题,正所谓‘垃圾进、垃圾出’,在这方面的工作企业没有可以取巧的地方,只能认真积累,提升数据治理水平,不断优化数据的准确性逐步减少模型幻觉。”
抓住AI机遇,迎接智能未来
人工智能时代已经到来,企业需要积极拥抱AI,寻找应用场景,才能在未来的竞争中立于不败之地。
正如王益民所说,AI就像一把“锤子”,企业需要找到合适的“钉子”才能真正发挥AI的价值。在AI应用的道路上,企业需要保持理性也要敢于创新,才能真正抓住AI机遇,迎接智能未来。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。