根据联想委托的一项调研显示,尽管 AI 行业投入巨资进行技术开发并急需收回成本,但许多企业领导人仍然对 AI 是否值得投资持怀疑态度。
这项调研访问了近 3,000 名企业高管和 IT 高层决策者,证实量化 AI 的投资回报率仍是阻碍其推广应用的最大障碍之一。
这凸显出一个明显的矛盾:微软、谷歌等公司在 AI 领域投入的资金不断增加,但决策者对这项技术的价值普遍存疑,其中 37% 的受访者表示对签署采购协议持保留态度。
这份名为《AI 经济学的时代》的报告基于 IDC 对全球 2,920 名高管和 IT 决策者的调查,涵盖了从大型企业到拥有约 250 名员工的小型组织在内的各个行业。
联想表示,大多数 AI 应用案例都达到了业务预期,但证明投资回报仍然具有挑战性,受访者普遍提到财务风险和不确定性。
据称,早期成功主要体现在 IT 运营、软件开发和市场营销领域,26% 的采用者表示其组织实施的 AI 项目超出预期,另有 68% 表示达到预期。
然而,报告也显示只有 5% 的受访者在企业范围内采用了 AI,另有 25% 正在进行试点项目,21% 表示仍处于早期阶段。
近半数受访者尚未采用 AI,其中 36% 表示计划在未来 12 个月内开始使用,另有 13% 仍在考虑或评估阶段,尚无具体计划。
报告还指出,概念验证项目 (POC) 数量众多,但转化为生产的比率较低,表明"组织在数据、流程和 IT 基础设施方面的准备程度不足"。
不过联想预计,未来 12 个月内 AI 计划的支出将"近乎翻三倍",主要投资于数据科学、商业智能以及 IT 咨询和服务。
受访的 IT 领导者预计,到 2025 年 AI 将占技术预算的近 20%,这对于一项许多人尚不确定的技术来说似乎比例很高。联想表示,这主要由生成式 AI 应用案例的加速采用推动,相比解释性 AI 和预测性 AI 系统而言。
解释性 AI 旨在为决策提供解释,主要应用于医疗、金融和法律等行业,而预测性 AI 则在 IT 运营等市场找到立足点。
正如 The Register 此前指出的,AI 持续需要高额投资使许多股东感到担忧。去年的一项调查显示,从概念验证转入生产的 AI 项目数量实际上有所下降,显示显著投资回报的项目比例也有所下滑。
上个月,Gartner 的一份报告表明,企业对 AI 的幻灭感正在增长,该公司杰出分析师 John-David Lovelock 表示:"我们对生成式 AI 能做什么和将要做什么的期望开始降低。"
尽管如此,供应商仍在大力推进 AI 发展。微软上月表示今年将投资 800 亿美元用于训练和部署 AI 模型的基础设施,Meta 计划投入超过 600 亿美元用于更多 AI 资源,而 Stargate 项目的支持者声称准备在未来四年投入高达 5,000 亿美元。
所有这些投资都需要从某处收回成本,而这个"某处"就是客户,即使像微软这样的供应商需要花时间"向客户展示并帮助他们认识到价值"。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。