喜力啤酒的秘密配方中如今迎来了新的成分,而且比啤酒花更受瞩目,这就是生成式AI。这家来自荷兰的酿酒公司以其标志性的绿色酒瓶与旗下300多个全球啤酒与果酒品牌而闻名。如今他们正利用AI科技之力颠覆原有运营方式,以期在竞争激烈的饮品市场中保持领先地位。
最近,我们有幸与喜力啤酒全球消费者与市场洞察总监Tony Costella进行了交流,他在对话中分享了公司关于应用生成式AI技术的精彩见解。从增强消费者认知到促进创新、再到简化内部业务流程,喜力啤酒的AI战略凭借其实力给整个啤酒行业带来了令人耳目一新的AI应用新思路。
喜力啤酒对于生成式AI最重要的应用之一就是知识管理。对于长期积累下的数十万份包含有价值消费者洞察、市场数据与品牌信息的文件,如何高效访问并利用这笔资源财富一直是喜力啤酒面对的现实挑战。
Costella解释道,“我们与合作伙伴共同开发出一套引擎,可以使用自然语言提出问题。以业务问题为例,该引擎不仅能够给出切实回复,还会提及支撑结论的信息来自哪里。”
这套由Stravito公司提供支持的AI知识管理系统,被喜力啤酒亲切地称为“Kim”(知识与洞察管理),它正在彻底改变喜力员工访问和使用信息的方式。如今,员工们不必筛选无数文件,而可以使用自然语言提出问题,快速得到简洁且具备良好关联性的答案,从而节约时间并改善整个决策流程。
喜力啤酒还在其创新过程中使用生成式AI。这项技术正帮助该公司开发新产品并改进现有产品概念。Costella分享了一条有趣的观点:“我们对创新概念进行了一系列平行实验,将这些由我们营销人员提出的点子跟生成式AI交付的创新概念进行比较。与此同时,加入比较的还有营销人员与生成式AI共同配合提出的产品宣传概念。”
那么结果如何?人类与AI之间的协同成果获得了更高评价。这种混合方法使得喜力啤酒能够将其营销团队的创意天赋与AI的强大数据处理能力相结合,进而提出更具吸引力且符合市场需求的产品概念。
与任何强大的技术一样,负责任的使用方式同样至关重要。喜力啤酒在AI科技的实施方面采取了谨慎且渐进的态度。Costella强调称,“目前市场上还没有任何产品是直接由AI生成的。”该公司也在认真考量道德影响,特别是可能在广告和内容创作等领域产生的后果。
喜力啤酒还积极参与全行业的讨论,希望为AI的道德使用制定准则。通过与世界广告联合会等机构合作,该公司正帮助饮料乃至更广泛的消费品领域塑造负责任的AI实践
展望未来,喜力啤酒设想未来AI助手将成为公司内各类职能岗位中不可或缺的组成部分。Costella描绘了一幅品牌经理搭配AI助手的画面,后者将帮助其完成从数据分析到战略规划的各种日常任务。
Costella解释道,“大家可以想象,公司内的品牌经理或者创新经理都拥有自己的Kim助手。它们始终相伴左右,以聊天机器人的形式存在,以供大家与之交谈并随时获取协助。”
这一愿景也与增强智能的概念高度统一,即由AI工具处理耗时的任务,保证人类能够专注于那些更具创造性和战略性的工作——在这些领域,人类的聪明才智仍然稳压机器一头。
虽然生成式AI有着巨大的理论上限和应用潜力,但喜力啤酒也意识到了该技术当前的局限性。Costella指出,虽然这项技术擅长处理非结构化文本数据,但在处理结构化程度更高的数字数据方面仍然举步维艰。该公司正在努力弥合这一差距,以建立更加全面的AI解决方案。
另外一大挑战,就在于如何解决AI模型中的潜在偏见。喜力啤酒正通过员工培训以及对用于训练AI系统的数据集进行精心筛选等方式,尝试攻克这道难题。
喜力啤酒对于生成式AI的态度,也体现出传统行业正如何运用前沿科技推动创新并提高效率。通过认真权衡技术进步与道德考量,喜力啤酒正为消费品行业对于AI方案的负责任应用树立起标杆。
随着AI技术的不断发展,喜力啤酒显然做好了乘上数字化转型东风的准备。从增强消费者洞察力到精简运营、再到促进创新,生成式AI正成为喜力啤酒实现未来成功的旅途中不可或缺的重要因素。
用Costella的话来说,其目标是将AI科技用于“一切耗时且重要,但又可以由机器完成的工作”,以便释放人类员工的精力以专注于“思考、梦想和创作,这些才是奇迹发生的地方”。
随着喜力啤酒不断将传统与创新相融合,酿造行业的未来也必将如同过去高度依赖大麦和啤酒花一样,与比特和字节牢牢绑定在一起。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。