作者:VMware首席执行官 Raghu Raghuram
在与教育、银行、医疗等多个行业的首席执行官交流中,我们发现他们普遍提到了两件事:首先,大多数企业领导者都坚定不移地推动企业转型,力争成为创新的数字企业。同时,他们认为在这方面拖延都会导致企业落后于竞争对手。许多企业领导者将这一战略比喻为“进攻”,通过数字化投资加快上云步伐,从而重新定义与客户的交互方式,并实现自身产品的差异化。
与此同时,企业领导者们敏锐地意识到自身所处的宏观经济环境已经发生了巨大的变化。战争、供应链限制、油价冲击、能源短缺、通货膨胀等因素使企业不再能够像以前一样,以极低的成本获得推动增长所需的资金。面对这种不确定性,企业领导者正专注于通过优化支出、降低成本和提高弹性来“做好防守”。
最重要的是,精明的企业领导者已经认识到他们需要做到“攻守兼备”。他们面临的关键问题是:“如何在通过数字创新推动业务增长的同时,通过优化成本提高盈利能力?”
这一问题的答案很大程度上取决于他们有效驾驭多云环境的能力。近七成的全球企业在多个云上运行日常业务1,可见我们已经来到了一个拐点。企业领导者们将提高多云环境管理的成熟度放在首要位置,正是看到了其对企业营收增长和盈利能力的影响。
事实上,许多企业正在努力管控其跨云支出。不久前,我们委托市场调研公司Vanson Bourne对全球近6,000家企业进行了一次调查。结果表明,95%的企业认为多云架构对业务成功至关重要,但其中有76%的企业表示他们需要加强对云成本的控制2。简而言之,多云虽然必不可少,但却成本高昂。
实现途径
VMware专注于通过云智能方案帮助企业做到“攻守兼备”。这么做意味着什么?云智能策略的核心是帮助企业在其依赖的各个云中实现更加一致、安全、经济的运营模式。
在“防守”方面,云智能方案通过提高企业对云支出的可见性和控制力减少成本。企业通过在其选择的公有云中使用VMware基础架构,将其上云成本降低一半。VMware方案还帮助企业通过内置的“零信任”安全模型,加强网络威胁防范,进而提高自身弹性。
在“进攻”方面,云智能方案帮助企业更快交付新的应用,在拓展业务的同时,实现全企业基础架构现代化和自动化。云智能方案的另一个重要作用是帮助分散在各地的员工无障碍、更安全地访问所需要的应用,以保持连接和生产力。
生成式AI赋能的云智能方案
大部分企业领导者十分看好人工智能(AI)的潜力,尤其是支撑ChatGPT等应用的大型生成式语言模型。同时,他们也迅速认识到这些基础模型可以成为企业的新平台。
企业领导者经常会问,如何在充分保护客户信息的前提下,在敏感的企业数据上使用这些生成式AI工具。VMware正在与NVIDIA等行业头部企业携手打造AI赋能的云智能方案,使企业能够在数据中心、多云环境、边缘等任何地点安全经济地构建和运行新一代AI应用。
首席执行官们认为生成式AI给他们带来了“攻守兼备”的机会,他们可以充分发挥AI的力量提升软件开发、客户服务、市场营销等部门的生产力。例如,针对客户的各种咨询,许多企业已经在使用ChatGPT为其提供高度详细且准确的回复。这代表着,相比以前主要用于分析预测,AI在企业中的用途发生了根本性的转变。
一言以蔽之,越来越多的企业认识到云智能方案是实现数字化转型的最有效途径。今后,随着生成式AI的用途日益广泛,云智能方案将逐渐成为企业的默认运营模式。
1-2:Vanson Bourne在2022年10月发布的《多云成熟度指数研究报告》。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。