麻省理工大学CDOIQ研讨会于本周在马萨诸塞州的剑桥市召开,在这个研讨会上,你可以十分有把握地表示医疗和金融领域已经拥抱了大数据革命。在这些领域中采用分析模型的好处正在变得越来越明显。不过,当你听到有一个正在想方设法地希望通过大数据获取业务优势的公共部门的名字的时候,可能还是会感到十分惊讶,因为这个部门的名字是:美国国防部。
Mort Anvari在美国陆军经济与成本分析中心(Cost and Economics)的Deputy Assistant Secretary办公室负责程序和战略,他负责监督旨在推动美国军队成本文化和成本管理的命令的下达和执行。
Anvari解释说,“在私有领域中,这比较容易,因为每个人都有成本意识。” Anvari表示,“在政府部门里,特别是在战争期间,唯一的使命是推动一切。我们绝大部分官员只关心他们需要多少钱,以及如何花掉这些钱。” Anvari承认他的使命也包含让这些指挥官认同成本文化,这一点是非常难做到的。“我们必须从人民的角度来看待这个问题。要说服领导层,让他们相信关心成本并不会破坏我们国家的形象。”对于成本意识最大的争议在于这样做会让我们的现役军人受到不必要的伤害。
在文化冲突中幸存
Anvari认为,要教育指挥官和其他官员们,让他们明白特别关注成本和士兵的安全这两者之间并不矛盾,在这方面已经取得了初步的成功。他表示,“你可以有成本意识。你可以利用你手头的资源做更多的事。你可以更有效地利用你的资源,同时也能够关心你的士兵的安全,也能够关心你的士兵。”
对于预算超过1000万美元的项目,会自动进行成本/效益分析。Anvari负责监督军队中超过2000名分析人员,这些分析人员负责完成每个项目的验证和分析。在了解了这个流程之后。指挥官们通常会觉得提交审查资料是额外的负担。“在和领导层以及指挥官们对话的过程中,我们会问‘你需要什么信息?’然后对方会回答。根据对方的回答,我们制订组织的数据需求。”
和私有领域面临的挑战非常类似,军队所需要克服的困难之一是说服那些拥有数据的组织同其他机构共享这一资产。Anvari 表示,“将A机构的数据需求告诉B机构,告诉B机构,你需要为别人而不是你自己提供数据。” Anvari 表示,“这是一个非常大的文化冲击。”
然而,Anvari解释说军队的资金结构就像是一棵倒立的树,这就让大家理解了所有的资金都是自上而下拨发的,最后到达军队这棵树上的所有的枝干。“我们称之为资金中心。他们拥有所有的钱。成本中心是那些负责花钱的部门。既可以是这个部门,也可以是那个部门。这真的非常像是信息的神经网络。”
和私有领域的企业不同,军队已经意识到必须简化自身的预算和分配流程,这是由于他们必须接受国会的严格监督。因为所有的资金都是纳税人的钱,公民也可以通过根据《美国信息自由法案》了解预算的编制过程。
如上所述,对于超过1000万美元的项目,会自动地进行成本-效益分析。然而,Anvari注意到在这个门槛之下的一些由较小的机构进行的项目也自我监控得非常好,因为这些机构中的指挥官们希望表明他们有能力批判性地适应新的成本分析文化,并且希望他们能够在未来得到提升,有机会领导更大的项目。
Anvari表示,根据军队领导层早期的反应,“问责制很难推行”。他表示,“无论这个过程被怎样地正常化,都是如此。”不过,Anvari的工作是寻求结果。他总结道,“成本管理已经站稳了脚跟,并且开始发挥作用了。”
好文章,需要你的鼓励
ServiceNow宣布将以超过10亿美元收购身份安全平台Veza,这是该公司2025年一系列AI和数据重点收购的最新举措。此次收购正值企业加速部署AI代理之际,而如何管理这些非人类身份的访问权限和输出已成为普遍难题。该交易将为ServiceNow的AI控制塔提供关键的身份治理能力,帮助企业建立统一的控制平面来定义上下文相关的权限、监控代理行为并大规模执行最小权限访问策略。
达尔豪斯大学研究团队系统性批判了当前AI多智能体模拟的静态框架局限,提出以"动态场景演化、智能体-环境共同演化、生成式智能体架构"为核心的开放式模拟范式。该研究突破传统任务导向模式,强调AI智能体应具备自主探索、社会学习和环境重塑能力,为政策制定、教育创新和社会治理提供前所未有的模拟工具。
在生成式AI热潮中,只有英伟达和台积电真正赚到钱,其他AI产业链公司要么亏损要么利润被稀释。博通虽然在数据中心网络领域有不错的利润率,但为了不被AI浪潮抛弃,也选择进入AI业务。博通拥有730亿美元的AI积压订单,但被迫成为AI系统集成商,进一步稀释利润。第四季度博通收入180亿美元,同比增长28.2%,AI芯片收入达65亿美元。
HSE大学研究团队开发出革命性的AI图像生成加速技术——广义对抗求解器(GAS),能将传统需要几十个计算步骤的图像生成过程压缩至4-6步,速度提升十倍而质量几乎不变。该技术通过重新设计求解器架构和引入对抗性训练,在多个数据集上验证了显著的性能提升,为AI图像生成技术的普及应用奠定了重要基础。