
要说到数据分析什么最重要这个话题的话,很容易引发热力的讨论。但是对于道富银行前高级副总裁、数据治理负责人David Blaszkowsky看来,最重要的事情很容易被日常生活中的琐事冲淡并忽略:你企业机构内的数据文化。你可以灌输和试图强制执行数据收集相关的很多规则,但如果你的企业机构没有一种真正相信数据重要性的文化,那么最终会以失败而告终。
这意味着企业机构需要真正了解他们在数据方面的目标和任务是什么。"如果从一开始你就考虑数据应该是什么、应该意味着什么、你希望如何使用数据、收集和维护数据的方式会带来怎样的影响等等一系列问题的话,那么事情就会容易很多了,"Blaszkowsky这样表示。你可以有很多精良的分析系统,但是归根结底是数据本身以及你打算如何利用这些数据。今年在美国麻省理工学院举行的首席数据官CDO论坛上,Blaszkowsky接受采访时这样说。
利用分析找出风险
当被问及如何预测未来的金融灾难时,Blaszkowsky强调说,你无法有把握地预测这种事,但是你可以在风险因素出现的时候发现它。
"首先,找出能够识别风险的分析类型,然后对进行这些分析所需数据进行标准化,"他说。但是,在灾难过后有效清理是一个随着时间推移要学习的事情。Blaszkowsky的策略是一种为灾难做准备的好方法,此外还要部署好系统以防不幸的事情发生。
MIT CDOIQ研讨会的演变
作为参加多多届麻省理工学院CDOIQ研讨会的人,Blaszkowsky看着这个活动不断壮大,人们提出的问题也从"我们如何找到数据?"延伸到更实际的案例。
他每年都参加这个会议的另一个原因就是他希望与公共的、私人的以及学术部门之间分享信息和最佳实践,"这种分享成果是惊人的,"他补充说。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。