随着科技的不断进步,我们正处于通用人工智能(AGI)到来的前夕。在这个关键的转折点上,如何应对行业内卷加剧的挑战,实现企业的降本增效和应用现代化,成为了业界共同关注的话题。
近日,T3出行VP/CTO李京峰在应用现代化产业联盟“大咖说”直播间中,分享了T3出行在这一领域的深刻见解以及在AI时代的实践经验。
拥抱AI和应用现代化,T3出行企业降本增效明显
随着互联网红利的消退和AGI技术红利尚未完全到来,企业的核心问题已从增长转向如何降本增效。李京峰指出,现阶段,AI和应用现代化能力在企业降本增效方面发挥着显著的作用。
随着技术的不断进步,AI已经能够渗透到企业的各个层面,从生产、管理到销售等各个环节,都可以实现智能化、自动化的操作,从而大大提升企业的运营效率。同时,应用现代化能力的提升也有助于企业更好地适应市场变化,满足客户需求,实现业务的快速响应和灵活调整。他认为,企业应充分利用这些技术,包括云计算、运筹优化、深度学习和大语言模型等,以支持企业的降本增效需求。通过构建智能化的生产系统、管理系统和决策系统,企业可以实现对资源的优化配置和高效利用,从而降低成本、提高效益。
T3出行作为全国排名第二的网约车平台,积极应对通用人工智能时代,正积极融合AI技术以提升运营效率和市场竞争力。李京峰介绍说,通过结合人与机器优势,T3出行实现了资源的精准配置与优化,提升车辆运营效率,并确保系统稳定,在资源效率上有显著提升。在人员效率上,T3出行利用智能预判、数字化流程、大模型调优和引入机器辅助等策略,提升了业务人员、研发人员和日常办公人员的工作效率。在业务层面,T3出行通过供需预测、全局最优调度系统和自研算法,降低司机空驶时间,提升司乘体验与安全性。
T3出行成功将AI能力应用于实际业务中,提升了整体运营效率和市场竞争力,为迎接AGI时代的到来打下了坚实基础。在华为云的支持下,T3出行去年全年平均可以达到99.99%的系统稳定性,毫秒级的订单响应,进一步提升了服务效率。
生成式人工智能落地需逐步推进,创造条件,解决困难
生成式人工智能的落地应用并不是一蹴而就的,需要有一定的顺序和策略。在落地过程中还可能遇到重重的困难和挑战。
对于如何推进生成式人工智能的落地,李京峰认为,这需要根据企业的实际情况和业务需求来确定。他建议企业应先从一些关键业务场景入手,如客户服务、数据分析等,逐步引入生成式人工智能技术,通过实践不断积累经验并优化模型。同时,企业还应注重与业务部门的紧密合作,确保技术的落地能够真正为业务带来价值。在落地策略上,李京峰建议企业采取分阶段实施的方式,逐步推进生成式人工智能技术的应用,并根据实际效果进行调整和优化。
李京峰也坦诚地指出了生成式人工智能在落地过程中可能遇到的困难。首先,技术本身的成熟度和稳定性是一个重要问题。尽管生成式人工智能技术在某些领域已经取得了显著进展,但整体而言,其稳定性和可靠性仍需进一步提升。其次,数据问题也是制约技术落地的一大障碍。高质量的数据是训练出优秀模型的关键,但在实际应用中,往往难以获取足够且有效的数据。此外,企业内部的组织架构、文化等因素也可能对技术的落地产生阻碍。
针对这些困难,李京峰提出了相应的解法。他认为,企业应加强与科研机构和高校的合作,共同推动技术的研发和创新;同时,企业还应加强对数据的收集、整理和保护工作,确保数据的质量和安全性;此外,企业还应积极调整内部组织架构和文化氛围,为技术的落地创造有利条件。
“如何全面应用人工智能对企业来讲不是一个选答题,而是一个必答题”,李京峰最后提到:“现阶段只有真正拥抱AI的企业,才能够在竞争中获得先机。”
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。