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
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。