至顶网软件频道消息:全球会计行业都对共享分布式分类账这一概念抱有浓厚兴趣。不信?在世界各地拥有7000多家会员的美国会计协会(会计学术领域的主要组织)就是最好的证据。
迈阿密大学农学院院长Marc Rubin
一百多年以来,美国会计协会的成员们一直负责培训下一代会计师。而如今,他们开始考虑如何确保成员了解区块链技术。我最近与俄亥俄州迈阿密大学牛津分校农学院院长兼美国会计协会现任主席Marc Rubin进行了交流,他表示他意识到向学生教育会计知识这项工作在方式上发生的转变不。他认为,如今他们不该再继续关注内容,而应强调那些能够延长学生们财会工作寿命的技术——其中自然包括区块链技术。
Rubin指出,“我们的学生将做出数据驱动型决策,用以推动新的商业模式。”他同时表示,美国会计协会致力于建立起更繁荣的全球社会服务体系,而会计师将在其中确保组织内部与外部的决策者拥有最佳财务(及其它)数据,最终通过合理的资源分配决策实现这一目标。
随着全球金融体系在共享分布式分类账基础之上的重新构思,美国会计协会所做的工作亦成为深刻影响到企业投资以及资源分配的、更为宏观的整体性运动的组成部分。其中会计师们负责收集并组织经济学意义上的工具与规则,而这也正是区块链发挥作用的领域所在。区块链技术有望以近实时方式为决策者们提供更清晰且更完整的数据,从而改善资源分配并提升投资回报等等。由于信息记录在区块链当中(且不可改变),因此其几乎具备自我审计特性。
从传统意义上讲,会计师主要关注组织内的日记账分录与分类账,同时跟进组织内的信息如何流经这些分类账。他们会考虑确保信息完整性所需要的控制措施。区块链上的共享分类账将帮助组织以及授课机构实现新的查询能力。
在区块链的世界中,会计师们将重新审视久经考验的原有会计流程。他们将重新考量审计方式,重新考量如何对记录至区块链内的数据加以证明,同时重新评估如何验证决策者所依赖的财务(及其它)数据的完整性。会计师们还将进一步扩大传统意义层面的会计信息范围,以及身为会计师所应肩负的对应职能的涵盖范围。
Rubin承认目前尚处于区块链技术发展的早期阶段,因此讨论特定的区块链成果还为时过早。然而,区块链技术的出现确实给会计专业领域引入无数问题,且有必要在课堂与高校中进行探讨。
为了着手解决这些问题,美国会计协会于今年9月主办了一次关于区块链技术新兴问题的论坛。教授们带着关于区块链技术的知识参加此次会议,并坚信其会给整个会计行业带来颠覆。学者们渴望学习关于区块链技术的各类关键性概念,同时了解如何更好地将分布式分类账融入现有课程。事实上,一部分教授已经开始在课堂上进行教学。
为了利用该论坛带来的推动作用,美国会计协会计划在2019年夏季举办为期四天的密集研讨会,其中包括对区块链技术的讨论流程。此次研讨会将为与会教授们提供学习区块链技术的空间,同时针对区块甸技术与会计流程间的交集进行同行评审——包括分布式分类账的审计方式等。Dean Rubin建议对人们查看及使用区块链信息的具体方式进行行为研究,并强调称有必要关注区块链中所记录信息在可靠性方面是否优于传统会计方法所得出的数据。
美国会计协议所关注的并不仅仅是区块链技术。今年早些时候,会计区块链联盟(简称ABC)正式启动,旨在教育各组织关于数字资产与分布式分类账技术的会计问题。此外,在全球拥有超过60万会员的国际注册专业会计师协会(简称AICPA)还将为会计及金融专业人士提供区块链基础认证课程。
关于区块链技术的这一早期推动工作已经开始在会计学术界引发争议,并发展出两个态度截然不同的阵营。其一的支持者认为区块链技术将帮助企业获得丰富的交易数据(立足分布式分类账之内),并可用于汇总借方与贷方的信息; 但另一方的支持者则认为财务报表的内容源自交易细节,而非简单将财务数据汇总至日记账分录中。在下一篇文章中,我将对两大阵营做出深入研究,以便更全面地解释这两种观点流派及其对会计专业乃至每一位从业者的意义所在。
Dean Rubin无法预测会计师们将来会以怎样的方式使用区块链技术,但他明确表示,“我们需要以开放的思维面对这一切,并不断考虑这些技术将给会计行业乃至整个世界带来哪些深远影响。”
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。