【2018年4月27日】根据全球领先的信息技术研究与顾问公司Gartner的预测,人工智能(AI)产生的全球商业价值预计将在2018年达到1.2万亿美元,比2017年增长70%。此外,Gartner预计到2022年,人工智能衍生的商业价值将达到3.9万亿美元。
针对由人工智能带来的商业价值预测,Gartner评估了其所覆盖的全部垂直领域的总商业价值。人工智能衍生的商业价值有三种不同来源:客户体验(customer experience)、新增收入(new revenue)以及成本降低(cost reduction)。
Gartner研究副总裁John-David Lovelock表示:“鉴于其在计算能力、体量、速度、数据多样性以及深度神经网络技术(DNNs)领域的超乎寻常的进步,未来10年人工智能将成为最具颠覆性级别的技术。从2017年到2022年,企业获得的由人工智能技术支持的产品与服务中,最大来源将是满足某个需求的细分市场解决方案。企业高管将推动对这些来自数千家专注于特定人工智能技术支持的应用程序专业供应商的产品进行投资。”
人工智能商业价值增长呈现出与新兴技术相关的典型“S”形曲线模式。2018年的商业价值增长率预计为70%,但从现在直至2022年的增长速度都将逐渐放缓(见表一)。2020年以后,曲线将趋于平缓,之后几年增长率较低。
Lovelock先生指出:“由于企业机构均认为在改善客户互动、增加及留住客户方面,人工智能技术存在很大价值,因此在人工智能发展早期,客户体验(CX)是人工智能衍生商业价值的主要来源。此外,企业机构能够利用人工智能技术来提高决策流程的效率并自动执行更多任务,因此紧随客户体验之后的商业价值来源就是成本降低。然而,随着企业逐步发掘出人工智能在增加现有产品和服务销售额、发现新产品与服务机会方面的商业价值,到2021年,新增收入将成为人工智能衍生商业价值的主要来源。因此,从长远来看,人工智能的商业价值将主要在新增收入方面。”
决策支持/增强(如深度神经网络)将占2018年全球人工智能衍生商业价值的36%,超越人工智能技术支持的基本类型产品所衍生的全球商业价值。到2022年,决策支持/增强将超越其它全部类型的人工智能项目,占全球人工智能衍生商业价值的44%。
Lovelock先生认为:“深度神经网络帮助企业机构对数量庞大且不易进行量化或分类的数据库进行数据挖掘,同时也是模式识别、创建对复杂输入进行分类且能够支持传统编程系统的工具。如此一来,决策支持/增强算法就可以直接处理以前需要人类分类员才能处理的信息。这些直接处理信息的能力对企业机构实现决策和互动过程自动化的能力会产生巨大影响。这种新型自动化水平提升不仅能够降低成本与风险,还能通过更好的微定位(microtargeting)、细分(segmentation)、市场营销(marketing)和销售(selling)来增加收入。”
通过替代呼叫中心、帮助台和其它服务人员执行简单请求与任务,而将比较复杂的问题交给人类工作人员去处理,虚拟代理(virtual agents)能帮助企业机构降低人力成本。通过成为金融服务行业的机器顾问(roboadvisor)或客户服务中心的销售,虚拟代理还能够增加公司收入。作为虚拟员工助理(virtual employee assistants),虚拟代理可以承担日程安排、时间规划以及其它行政任务,从而让人类员工能够有时间从事更高附加价值的工作,并减少对人类助理的需求。代理业务在2018年将占全球人工智能衍生商业价值的46%。而随着人工智能其它类型的产品与服务逐渐成熟,2022年代理业务的占比将下降至26%。
决策自动化系统(decision automation systems)可以使用人工智能来自动化任务或优化业务流程。在将语音转换为文本或反过来将文本转换为语音、识别与处理手写内容或图像以及对常规系统无法访问的其它丰富材料内容进行分类等方面,人工智能尤其有用。由于非结构化数据(unstructured data)和模糊性(ambiguity)是企业数据的常见特征,决策自动化在其不断成熟的过程中将为企业机构带来巨大的商业价值。目前,决策自动化仅占2018年全球人工智能衍生商业价值的2%,但到2022年将增长至16%。
2018年,智能产品占全球人工智能衍生商业价值的18%,但随着其它深度神经网络技术支持的系统类型逐渐成熟并超过智能产品在商业价值中的占比,到2022年,智能产品占比将缩减至14%。智能产品通常以云系统的形式使用人工智能技术。云系统可以收集来自多个系统和互动的用户偏好数据,了解用户及其偏好,实现更佳的个性化用户体验并推动用户参与。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。