开启共享企业社会责任新时代
作者:英特尔公司企业社会责任总监Suzanne Fallender
面对新冠疫情,企业采取联合行动应对全球最大挑战的必要性从未如此显著。科技公司更是如此,因为数据和信息在帮助追踪、诊断和治疗这一流行病方面发挥着至关重要的作用,并且将在我们努力应对未来全球性挑战中继续发挥重要作用。
英特尔长期以来一直致力于将企业社会责任融入公司的业务运营。时光飞逝,难以置信自制定2020年企业社会责任目标以来,已经过去了近十年。不过也很高兴地告诉大家,我们几乎实现了所有目标。英特尔最新企业社会责任报告详细介绍了我们所付诸的努力,我想特别分享其中几项成就:
考虑到半导体制造业对能源和水资源的使用强度,应对气候变化和可持续用水是英特尔的首要关注点。联合国报告显示,气候变化正在影响地球上的每一个国家,扰乱经济并改变气候模式。温室气体排放也处于历史最高水平。联合国还警告,气候变化正在影响我们的水资源,导致水供应不可预测、水质受损以及水资源枯竭。我们应对气候变化的一些方法包括:在全球范围内将绿色能源的使用增加到71%,并在2010年的基准上减少39%的直接碳排放量。自2000年以来,我们在显著扩大制造能力的同时,将直接排放源和间接排放源中的碳排放绝对值减少了31%。我们还超额完成了“将用水量减少到2010年用水强度水平以下”的目标,用水量减少38%。通过与非盈利环保组织的合作,我们在当地流域恢复了十亿加仑(约38亿升)的水。
促进包容性是我们企业文化的核心以及创新的关键。Gartner最近发布的一项调查显示,85%的多元化和包容性领导将组织包容性作为其工作中最重要的人才成果,但目前只有57%的组织使用该指标来追踪进展。我们大胆设定了2020目标,并承诺投入3亿美元,加快英特尔、乃至整个科技行业在包容性方面的进步。我们提前两年实现了女性和少数族裔在美国员工中的充分代表,并在全球员工中实现薪酬平等。我们还实现了“向多元化供应商的年度支出增加到10亿美元”的目标,并通过我们的技术赋能项目惠及500万女性。
我为我们取得的成就感到自豪,但自我们设定最初目标以来,世界发生了巨大变化。我们需要整合企业社会责任战略,以便企业通过协作的方式来推动价值创造并提高社会影响力。当前疫情使这些新方案成为更加引人瞩目的焦点,因为我们面临的挑战太复杂,任何一个企业机构都无法凭借一己之力加以解决。
考虑到这一点,我们启动了一项综合方案来制定我们的2030目标和战略。为了增强全公司的企业社会责任意识,我们充分利用来自多个部门和地区的广大员工的专长和技能。我们还汇总了外部利益相关者的意见,其中包括我们的客户、投资者、供应商和社区成员,以确保我们开展各项工作时都以“合作与协作”为核心。
最终我们制定出英特尔新的RISE战略和2030目标。通过该战略,我们将借助英特尔技术以及员工的专长和热情,努力创造一个更负责任、包容和可持续的未来。我们将与科技行业以及包括政府、非政府组织和政策制定者在内的各方开展合作,扩大我们的影响力,从而应对重大全球性挑战。我们的RISE战略是:
今天标志着英特尔企业社会责任新时代的开启。我们随时准备在全球重大挑战上与各方合作,从而推动技术变革,改善健康和安全、促进技术包容性,扩大数字化就绪、实现碳中和计算。我们将推动更高层次的整合与协作,为我们的利益相关者创造更多价值,并履行我们的宏旨,即:创造改变世界的技术,造福地球上每一个人。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。