我们亟待进行一些关于科技和人工智能的成熟的讨论。
目前,关于智能的对话几乎被耸人听闻的新闻标题覆盖,大家都在谈论人工智能如何一夜之间取代人类,员工们面临岌岌可危的失业处境。
然而,我们需要诚恳地提出一个基础问题:“现有的工作都被处理得很好么?还是有可以改进之处?”
现实中,其实有很多工作不太适合人类员工来完成,比如那些我们感觉异常繁琐的工作。例如,做会议纪要、输入数据、更新日历、以及更多事务性的工作。人类员工的智能非常不适应这种工作。结果往往是我们常犯错误,比如忘记做某个事情、不断啰嗦地重复、感到厌烦、不准时、拖沓,还有很多。
这些领域其实就是“机器人”可以立即带来价值的地方。当然还有更多的价值人工智能可以帮我们实现,包括:仿生学习,像人类一样进行决策等。人工智能可以将“机械工作”的部分从员工的工作中剥离出来,很好地完成那些繁琐的并且人类不太有效率完成的工作。
近来,有强烈的声音呼吁人工智能在制造业领域的应用来促进工作效率。中国员工的工资越来越高,企业已经渐渐无法利用廉价劳动力这一优势进行全球化竞争。在中国,人口老龄化也促使人工智能和自动化的发展。在中国,年龄在15-64岁的工作人口有9.98亿,但是这个数据从2014年开始下滑,将在2050年降低至8亿。
根据国际机器人联合会(IFR,International Federation of Robotics)的数据,中国在2016年新增了87000个工业机器人,略少于欧洲和美国数量的总合。预测到2020年,工业机器人在中国的年增长率将超过20%。
新型科技,例如会话机器人,物体/语音识别技术、高级分析、自然语义处理等已经悄然代替了很多让人倍感疲惫的人工劳作,无论是自动文本翻译、解答客户的基础问题、安排行程表、或者分析非结构性数据等。
让人惊讶的不是这些新的技术能力取代了人工,而是这些新的技术很好地补充了人类员工的不足,很好地完成员工工作中机械化且没有价值的部分。
不要仅仅听我的一面之词。埃维诺近期的调研发现,超过半数的全球企业家非常有信心人工智能将和人类员工很好地协同工作,而不是取代员工工作。86%的受访企业家相信,企业必须在未来五年内部署人工智能来成为其领域的领先者。
我们也需要强调几个企业需要注意的问题。如果我们无法理解人工智能可以帮助员工的范围和职责,那么我们就会面临真正的无效率的风险。新型的科技当然可以为企业带来显著的效率,但前提是确保企业为“机器人”设置正确的工作目标。因此,智能自动化需要严格地以目标为导向,来配合企业更广泛的业务战略和数字化转型战略。
第二,为了成功地部署新的战略目标,并且带领员工向新的工作模式转型。企业和企业领导期待员工掌握新的技能,使用新的技术和工具。
成功的秘诀不仅限于了解人类员工和科技所能提供的技术能力,而且还包括了承认员工个人的不足。人工智能的成功取决于如何正确地分配工作给“机器人”和员工,让他们互为补充,同时实现一个更为愉快的,更多交流的,以及更加有效率的工作团队。
很多人担心机器人的诞生,但是同时也痛恨自己被视为机器人。我们现在有了这样的机会(也许是百年一遇的机会)来改变我们的工作方式,赋予原先工作新的意义,从而获得新的满足感。让我们拭目以待如何让机器为我们工作,而不是取代我们。(本文作者:埃维诺全球高级副总裁及大中华区总经理郭秀闲)
好文章,需要你的鼓励
高带宽闪存技术承诺提供超大容量,但面临极其复杂的工程挑战。该技术将多层NAND芯片堆叠,每层由数百个3D NAND单元层组成,可创造前所未有的存储容量。相比昂贵的HBM内存,HBF使用更便宜但速度较慢的闪存为GPU提供更多存储空间。技术复杂性体现在互连布线的困难,12层HBF堆叠将包含2866个存储层。由于需要英伟达等GPU厂商深度参与和行业标准制定,预计HBF距离商用还需两年以上时间。
阿里巴巴达摩院联合浙江大学、香港科技大学发布Inferix,这是专为世界模拟打造的下一代推理引擎。它采用块扩散技术,像搭积木般分段生成视频,既保证高质量又支持任意长度,克服了传统方法的局限。配套LV-Bench评测基准包含1000个长视频样本,建立了分钟级视频生成的评估标准,为游戏、教育、娱乐等领域的内容创作带来革命性突破。
戴尔第三季度营收270亿美元,同比增长11%,创历史新高,主要受AI服务器需求爆发式增长推动。AI服务器订单达123亿美元,全年订单总额300亿美元。基础设施解决方案集团营收141亿美元,增长24%,其中服务器和网络业务表现强劲。存储业务营收39.8亿美元,同比下降1%,但全闪存阵列产品实现双位数增长。公司预计第四季度营收315亿美元,全年AI服务器出货量约250亿美元。
Luma AI推出的终端速度匹配(TVM)是一种革命性的图像生成技术,能够在单次计算中生成高质量图像,突破了传统方法需要数十步采样的限制。该技术通过关注生成路径的"终点"而非"起点",实现了从噪声到图像的直接跳跃,在保证数学理论基础的同时大幅提升了生成效率,为实时AI应用开辟了新路径。