北京2024年6月13日 -- 近日,由中国美国商会(AmCham China)主办、以“构建可信的企业级AI”为主题的研讨会在北京正大中心举行。中国美国商会会长何迈可(Michael Hart)、正大中心写字楼部总经理贾丹致欢迎词,IBM大中华区董事长、总经理陈旭东和IBM 首席诚信与合规官Hans Vad Hansen做主题演讲,分享了IBM如何将信任贯穿其企业级AI战略的始终,帮助客户实现可信任的AI应用。IBM亚太区市场营销和企业传播部副总裁Priscilla Kim 和 IBM 亚太区首席诚信与合规官Simon McDonald参加了圆桌对话,并分享了IBM在亚太区的最佳实践和客户案例。
在他的演讲中,陈旭东回顾了IBM Think 2024大会在开源创新、AI和自动化、生态合作等三条主线上的重磅发布和创新进展,以及在新的技术浪潮下,企业如何将数据转变为AI创新的源泉。他认为,企业需要采取“三步走”的策略,首先选择一个“可信”的基础模型,然后将“企业知识”融入基础模型,最后部署、扩展、使用 “你的AI”。IBM已经做好准备,帮助各行各业的中国企业打通从试验到扩展(Scale)的AI应用之旅,实现生产力和效益的真正提升。

IBM大中华区董事长、总经理陈旭东
以下是他的发言节选(部分内容经重新编辑):
AI规模应用之年,企业如何将数据转化为创新源泉?
为了帮助客户和合作伙伴更好地规划自身的技术发展路线,IBM在去年第一次对外发布了IBM技术蓝图(Technology Atlas)。这一蓝图由6条相互交汇的技术路线组成,描述了IBM对混合云、人工智能(AI)、数据、自动化、安全和量子计算等方向,未来几年的技术趋势的展望。
以人工智能为例,IBM认为今年(2024年)是企业从试用AI(Experiment AI)迈向扩展AI应用(Scale AI)的关键一年,而AI治理将是实现这一目标的重要一环。预计到2030年,全能多模态成为AI技术的主流,企业和个人将充分享受AI技术带来的生产力提升。

从更大的视角来看,AI将和蒸汽机、电力和互联网一样,成为重塑人类社会的又一次技术变革:蒸汽机把人类从繁重的体力劳动中解放出来,电力将解放生产力的动力传输到千家万户,互联网实现了从劳动力到人类智力的跃升和扩展,AI则有望解放人类的脑力劳动,包括一些复杂的脑力劳动。而且重塑的进程会越来越快,如果看全球GDP增长十倍所需的时间,蒸汽机用了近100年,电力用了近80年,互联网只用了50年左右;预计到2030年,AI将为全球GDP带来每年4万亿美元的贡献。

那么,企业如何将AI技术转化为核心生产力,成为企业创新的源泉?IBM认为需要三步走:
IBM 在 AI 时代的三大关键词
在刚刚过去的IBM Think 2024大会上,IBM发布了AI和自动化的一系列新产品,也宣布了更广泛的生态合作,希望继续引领新的AI时代。我总结为三个关键词:开源创新、AI和自动化、生态合作。
来自行业和客户的双重肯定
在过去几年里,延锋国际汽车技术有限公司(简称“延锋汽车”)携手IBM 团队,从实现外部到内部订单的自动化转化、解决全球工厂车间的高速数据传输问题,到使用企业级工具替换开源工具实现高可用数据抽取,再到利用 AI 赋能的解决方案实现核心生产设备的产能测算和规划,打造了国内汽车行业乃至智能制造领域利用AI技术实现数字化转型的标杆。
比如,延锋汽车作为一家在全球 20 多个国家拥有 9 家研发基地、240 多个工厂的全球汽车零部件供应商,每天收到整车厂和下游厂商的订单量是巨大的,此前手动分类带来的人工成本和高错误率,仅国内的20多个工厂,每天每个工厂要安排2个人、花150分钟来处理。基于 IBM Watson Discovery 构建的 AI 决策大脑,从 1.8 亿条历史数据中,学习了外部订单对应的内部订单背后蕴藏的规则,实现了全自动执行流程,且订单分类正确率从 85% 提升到 97%。

近日,中国信通院征集并公布了"可信AI案例"评选结果,IBM与延锋汽车、苏州环球科技股份有限公司(简称“环球科技”)基于IBM智能自动化软件携手共创的案例入选了“AI原生技术和应用优秀案例”。该奖项是对IBM与客户携手共创、促进AI技术落地的见证与认可,也将为当下积极探索AI应用的行业与企业提供宝贵借鉴。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。