最新研究显示,多数美国企业对生成式AI抱有期望,期望通过它提升业务效率。然而,企业领导者面临理解上的偏差、缺乏明确的战略规划和专业人才,难以充分实现和衡量该技术的价值。
研究由SAS和科尔曼·帕克斯公司合作进行,调查了300位决策者,探讨了他们的投资重点和组织挑战。发现仅10%的企业符合法规要求。研究结果将在2024年晚些时候公布,详细内容见《揭秘生成式AI的潜力与挑战:如何实现竞争优势》。
主要挑战包括:
●治理框架缺失:93%的企业尚未建立全面的生成式AI治理框架,面临合规风险。
●AI集成问题:企业在将生成式AI融入现有系统时遇到兼容性问题。
●人才短缺:企业难以招聘到具备AI技能的人才,现有员工也缺乏必要的技能。
●成本预测:大语言模型的成本高昂,包括Token成本和其他长期、复杂的成本。
SAS AI战略顾问Marinela Profi建议,企业应制定阶段性战略,重视大语言模型的整合、治理和可解释性。通过可持续和可扩展的方式应用生成式AI,以满足实际需求并保持业务相关性和韧性。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。