采购Copilot许可,只能算是在办公场景下有策略地安全运用AI技术的一小步。
相信很多朋友对《蜘蛛侠》电影中“能力越大,责任越大”的经典台词印象深刻。企业领导者同样如此,在围绕AI技术开展的规划和筹备当中,这应当成为一条重要的指导性原则。
2024年初,微软发布了AI助手Copilot for Microsoft 365,广泛面向不同规模组织开放使用。这对企业用户而言无疑是一个巨大的机会,有望把握AI带来的强大生产力提升。
但合规性、数据隐私与工作中断等显著风险也随之而来。为了确保能成功采用AI技术并降低与之相关的风险,企业经营者必须主动出击,认真谨慎地谋篇布局。
微软Copilot能够完成一系列令人印象深刻的任务,包括即时总结大量内容,检索并整理多个文件中的信息,分析数据,以及起草电子邮件、文章和演示文稿。
早期采用者达成的实效也证明,该工具确实能在办公场景下发挥积极作用。根据微软介绍,70%的用户发现Copilot提高了自己的工作效率,57%的用户认为Copilot强化了自己的创造力,68%的用户则表示Copilot改善了自己的工作质量。
换句话说,Copilot拥有改变工作方式的巨大潜力。能够为AI技术应用做好准备的组织将快速推动生产力提升,将其他竞争对手甩在身后。而且这种领先效应就如同复利计算,能够持续自我放大。Copilot与其他同类AI工具将在使用过程中学习和改进,因此当下的投资不仅能够带来短期收益,更将随时间推移而持续扩大回报。
有些朋友可能还在怀疑Copilot及其他AI工具在办公场景下的普及程度,那我们不妨用一组数据进行比对:互联网经过七年时间才积累下1亿用户。而为了达成同一规模里程碑,Facebook花了四年半,ChatGPT则仅仅用了两个月。AI技术的浪潮即将到来,这股浪潮已经到来,而且疾如闪电、根本不可阻挡。
采购Copilot许可,只能算是在办公场景下有策略地安全运用AI技术的一小步。在员工们实际使用Copilot之前,组织需要首先完成以下四个AI就绪预热步骤:
1. 对领导层开展AI与Copilot相关教育。成功的Microsoft 365 Copilot就绪之旅,其第一步应该是获得领导层的全面支持。高管团队需要了解AI的总体功能与Copilot的具体特性,确定其在整个组织内的实际用例,以及哪些职能角色将从AI助理中受益最多。
2. 对Copilot技术就绪情况进行评估。这也是企业在部署AI时面临的一大关键障碍。数据必须位于正确的位置,以便Copilot能够灵活访问并据此提供有价值建议。同时,组织还须确保Copilot只能访问到必要数据,例如用户不得通过Copilot接触到员工工资或监管机构所控制的信息。
简而言之,围绕数据保留下数据共享建立起适当的访问控制与策略才是重中之重。微软也确实提供一款名叫Microsoft Purview的工具,用于帮助组织管理、保护和治理数据,但众多组织还希望求助于值得信赖的第三方以协助解决AI筹备带来的一系列高风险因素。
3. 制定Copilot采用规划。即使是以往生产力最高的组织也能从Copilot中获取受益,但我们不可能直接打开这款工具,就指望着获得惊人的赋能成效。领导者和员工必须重新评估自己的工作流程,确保这款工具能够在哪些方面更好地提高生产力。比如哪些日常任务在占用大量时间,Copilot又能如何介入以帮助减轻工作量、让员工专注于处理价值回报更高的任务?
此外,为了确保Copilot的广泛普及,领导者还必须组织关于Copilot及其功能特性的内部培训。培训课程应包含提示词工程——毕竟输入Copilot的提示词质量,将直接决定该工具输出结果的质量。微软Copilot Lab就是一款很棒的工具,能够针对多种特定场景提供提示词工程指导和建议。
4. 围绕Copilot制定短期与长期发展目标。组织应该明确自己希望通过Copilot实现哪些目标。举例来说,在企业内部提高生产力、减少非必要会议、加快销售线索的响应以及推动各部门间的顺畅协作等。请注意区分短期目标与长期目标,之后利用Copilot仪表板跟踪该工具对于生产力的实际影响。这套仪表板能提供多种实用指标,例如活跃用户数量、他们正在使用哪些Copilot功能、具体节约了多少时间等。
现在正是行动起来,为Copilot全面普及做好准备的最佳时机。在未来一、两年内,率先采用Copilot的组织将迎来令人印象深刻的生产力提升。更重要的是,Copilot工具将在整个过程中不断改进,发展成越来越强大的生产加速助推器。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。