至顶网服务器频道 11月15日 新闻消息: 如果没有机器的协助,海量、复杂的数据将越来越难以利用。机器不仅处理数据,并且从中学习。
日前,我在《纽约时报》Dealbook大会上谈到,每家公司都应当制定人工智能战略,刻不容缓。随着数字化革命进程的加快,数据越来越多、越来越复杂、越来越多样,企业必须迅速做出关键决策。为了驾驭数字洪流,企业需要人工智能战略,否则就会落后于时代。
海量、复杂的可用数据量超过了人类分析师处理的能力。如果没有机器的协助,就日益难以有效利用数据,而机器不仅处理数据,并且从中学习。
人工智能使企业能够管理复杂的数据,并且提供前所未有的机会以让企业做出实时决策、动态运营管理并响应客户。
这并不是在预测未来。从银行到医疗,从制造业到消费服务业,全球的企业都在利用人工智能分析数据并构建学习型组织,从而以前所未有的速度来应变并展开竞争。例如:
• 新西兰银行提出了一个新的品牌主张--"您的银行",更加聚焦在顾客身上,实现途径之一是利用人工智能重塑和再造一种更加个性化的顾客体验。
• 夏普医疗正在利用人工智能来筛查患者多年的电子病历数据,以预测哪些患者面临病情突然恶化的风险,准确率达到80%。这一模式可以预测在接下来一个小时是否需要调用快速响应团队(Rapid Response Team),从而让夏普能够智能地把医疗急救队伍配备到医院中的关键位置,在危及生命的事件发生之前就进行干预。
• 费洛实验室(Fero Labs)正在利用人工智能帮助制造商提高工业产量、预防昂贵的机器发生故障以减少浪费,所有这一切都有助于提高产品质量并降低成本。
亚马逊云服务(AWS)正在为客户提供机器学习服务,帮助他们开发智能应用。它让Zillow这样的机构能够高度准确地估算超过1.1亿套房屋的价值,也能让Netflix为其1亿订户制定个性化的预测推荐。
企业正在利用人工智能平台进行激动人心的创新,这只是其中的几个案例。企业要想运用人工智能致胜未来,就应遵循四个关键指南:
• 知道哪些数据被抓取了, 利用最新互联技术哪些数据还可以被抓去
• 部署基础设施,以整合数据并知道如何分析这些数据
• 确定在哪方面投资人工智能以助于从数据中进行学习
人工智能支持并协助实时决策的世界即将到来,培训高管使其做好准备
在英特尔,我们致力于让人工智能成为我们产品组合的重要组成部分。能够解决我们内部业务挑战的技术,同样也可帮到我们的客户。人工智能优化解决方案的案例包括:工厂流程、战略规划、IT数据中心运营等。应用案例不胜枚举,正因如此,英特尔投资将人工智能视为选择投资项目的重要战略标准之一。
为此,英特尔提供了一整套人工智能产品,包括软件和硬件,可以应用到几乎每种可以想到的案例中。通过在各业务场景中提供灵活、可扩展的解决方案,我们引领着人工智能与业务运营的整合。最具前瞻性的公司正已通过人工智能获得竞争优势。展望未来,人工智能战略将不再可有可无,它将成为企业生存的条件。
企业需要立刻制定并执行自己的人工智能战略,方能制胜未来。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。