目前,许多领导者对其组织的生成式人工智能专业知识充满信心。44%的受访者认为其组织目前在生成式人工智能方面拥有很高(35%)或非常高(9%)的专业知识水平。
相对于其他受访者,那些将其组织的整体生成式人工智能专业知识评为“非常高”的领导者往往对这项技术感到更加积极;他们也感受到更大的压力,并将其视为对其业务和运营模式的更大威胁。
当前的生成式人工智能努力仍然更多地关注效率、生产力和降低成本,而不是创新和增长。大多数接受调查的组织目前的目标是战术效益,如提高效率/生产力(56%)和/或降低成本(35%)。此外,91%的受访者表示,他们希望生成式人工智能能够提高组织的生产力,27%的人希望生产力能大幅提高。
大多数组织主要依赖现成的人工智能解决方案。与他们目前强调生成式人工智能的战术效益相一致,绝大多数受访者目前依赖于现成的解决方案。
人才、治理和风险是缺乏生产性人工智能准备的关键领域。在最初的季度调查中,41%的领导者表示,他们的组织只是稍微或根本没有准备好解决与生成式人工智能采用相关的人才问题;22%的人认为他们的组织准备得非常充分。
领导者正在寻求更多的全球监管和合作。在打破传统商业规范的情况下,与生成式人工智能相关的独特风险促使许多商业领袖呼吁加强政府监管,并加强围绕人工智能技术的全球合作。
以下是《2024年美国生成式人工智能报告》部分内容:
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。