作者:Sophia Velastegui
Sophia Velastegui 是一位 AI 业务主管,美国国家科学基金会 AI 顾问,前微软 AI 技术总监和产品总经理,曾任职于 Google/Alphabet 和 Apple,Blackline (NASDAQ) 董事会成员,以及佐治亚理工学院校长顾问委员会成员。更多信息请访问 LinkedIn。
谁将成为下一个万亿美元公司?随着人工智能重写竞争规则,它既带来重大机遇,也带来挑战。在曾经由传统主导的行业中,武装着 AI 技术的新进入者正在瓦解数十年的商业模式,建立新的范式。
对于愿意拥抱这种转变的公司来说,AI 提供的不仅仅是效率。它是一股推动重塑的力量——开启未开发的市场,革新客户体验,推动前所未有的增长。但对于那些抗拒变革的企业,后果可能会迅速而无情。AI 时代不是即将到来,它已经在这里。
生成式 AI:数字营销的未来
我们看到的最显著变化之一是 AI 如何重塑数字互动格局。想想 ChatGPT 这样的工具是如何改变我们与搜索结果交互的方式。过去的链接列表现在变成了对我们查询的直接对话式回答。
这种转变正在改变我们的搜索方式,并改变整个数字营销策略。传统的 SEO 和广告策略正在向更注重意图、更具情境感知的 AI 互动转变。不再是简单地针对关键词排名,AI 提供高度个性化的体验,满足客户需求。
这种演变也正在挑战长期支撑 Google 等平台的广告收入模式。随着这种转型势头增强,显然生成式 AI 正在为数字营销开创新纪元。
Amazon 和 Walmart 的 AI 整合
Amazon 和 Walmart 是两家在利用 AI 推动行业变革方面处于领先地位的公司。以 Amazon 和 Whole Foods 为例:Amazon 收购 Whole Foods 已经重塑了杂货和零售行业。Amazon 不是简单地销售杂货,而是利用 AI 推出了 Whole Foods 360 系统,该系统结合了实体店的客户洞察、Whole Foods 不断扩大的在线业务和自身庞大的电商平台。通过分析这些数据,并借鉴 Trader Joe's 的成功策略,Amazon 正在重新定义市场细分,提高利润率,提供更加无缝的购物体验。
同样,Walmart 通过开设新的杂货店来收集有价值的客户数据,在生鲜食品市场掀起波澜。这些数据使 Walmart 能够完善库存并优化产品供应,给传统模式带来越来越大的压力。这两家公司都在展示 AI 驱动的策略如何改变整个行业并为未来增长奠定基础。
超越原有商业模式的演进
随着 AI 越来越深入地融入商业的各个方面,快速试验和适应的能力将成为竞争成功的关键。Uber 最初专注于网约车服务,后来通过 Uber Eats 扩展到外卖配送,利用 AI 优化物流和预测需求。在不到两年的时间里,Uber 将其市值翻了一番,主要是通过利用网约车业务现有的基础设施和产品来扩大服务市场。凭借已有的 AI 能力,Uber 在新冠疫情期间迅速转向外卖配送,后来又扩大运营范围,同时支持网约车和外卖配送。
同样,Tesla 也在加速转型,从电动汽车扩展到能源解决方案、制造业和自动驾驶技术。这些公司不仅在原有行业竞争,还通过在相邻市场推动 AI 的边界,不断重塑自己,利用现有的 AI 投资推动新领域的增长。
Workday 的 AI 扩张
Workday 最初是一个人力资源平台,但已经将 AI 的使用扩展到财务领域。通过将 AI 整合到预算、预测和财务报告中,Workday 增强了其流程,为企业提供更好的决策工具和更高效的运营。这种扩张是另一个例子,展示了公司如何通过使用 AI 推动不同业务功能的创新,从而超越初始重点。
在 AI 驱动的未来保持领先
在 AI 驱动的未来中,成功的企业将是那些采取主动方法的企业。为了保持竞争力,公司必须不仅要关注直接竞争对手,还要关注相邻领域和行业的新兴创新。密切关注 AI 能力如何与其核心业务优势相交叉,对于识别机会和应对挑战至关重要。
未来属于那些拥抱 AI 驱动的实验、创新和适应性的企业。通过利用 AI 在运营中创新、个性化客户体验和优化决策,企业可以将自己定位为下一波转型浪潮的领导者。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。