IBM 的一项研究发现,大多数保险行业的领导者都认为,生成式人工智能对于跟上竞争对手步伐至关重要。然而,只有四分之一的客户愿意使用这项技术。
这项研究基于对 1000 名保险行业高管和 4700 名保险客户的调查。虽然受访的CEO对生成式人工智能是风险还是机会的意见不一,但 77% 的受访者表示,生成式人工智能对于竞争是必要的。
客户的反应却并不热烈,只有 26% 的受访者表示他们相信人工智能能够提供准确可靠的建议。
毫不奇怪,IBM(拥有一系列人工智能产品而且非常乐意向客户销售这些人工智能产品)认为,解决方案包括实施一种受到严格管理且符合道德标准的人工智能,以应对信任问题,并“利用人工智能连接底层风险数据,解决保险公司和金融服务提供商长期存在的技术债务问题”。
或者,俗称蓝色巨人的 IBM 应该简单地听听客户的意见。根据 IBM 自己的数据,只有 29% 的客户对生成式人工智能代理提供的服务感到满意。
根据这项研究,预计在2023年至2025年间,生成式人工智能的投资将增长超过300%,企业将从技术试点转向实施。包括微软在内的IBM的竞争对手已经对这一发展下注颇丰,尽管分析师和交易员暗示人工智能泡沫有可能在不久的将来破裂。
Salesforce 的另一项研究显示,对数据和安全的担忧使得企业有些束手束脚,只有 11% 的受访首席信息官表示已经全面实施了人工智能技术。
即使实施了一些人工智能项目,这些项目的回报也可能远远低于过度兴奋的高管们的期望。这完全取决于人工智能技术的使用方式。例如,一些大型企业出于安全和管理方面的考虑,已经暂缓了微软 Copilot 等产品的使用,并不是因为 Copilot 本身的问题,而是企业意识到在允许 Copilot 爬取企业数据之前需要正确配置访问权限。
IBM 的调查结果和得出的结论表明,人工智能行业有些不接地气,令人担忧。客户不想与生成式人工智能代理打交道。那么,与其试图用更多的人工智能来解决问题这个问题,倒不如考虑一下生成式人工智能适合哪些场合不适合哪些场合。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。