过去几年,AI 几乎完全被效率这一视角所定义。
更快的工作流程。更智能的自动化。更低廉的执行成本。大部分关于 AI 的炒作、投资和变革都是围绕大规模任务完成这一核心来展开的。
2024 年生成式 AI 的主要应用场景正是这点:加速任务、草拟内容、处理信息。各行业一夜之间纷纷涌现,抓住这一契机。征求提案 ( RFPs )、路线图以及全面转型均朝着同一个目标竞速:优化一切。
然而,在这一切背后,正发生着更为深刻但同时鲜有人理解的变化:AI 中情感智能的崛起。
真正的智能定义
太多人仍然认为 “人工智能” 仅仅意味着能够更快、更出色地产生文字、图像和视频。但如果我们退一步思考,很明显:真正的智能并不是生成信息的能力。真正的智能是产生情感的能力。
真正的智能,无论是人类还是人工智能,并不仅仅停留在计算层面。它能够建立联系,让我们感同身受,理解细微差别,并驾驭人类情感的全谱——激动、舒适、同理心和亲密感。
没有情感,智能就只是一种机械计算;有了情感,它才具有意义。
事实证明:这一切正在发生
哈佛商业评论最新的一项关于 AI 使用的研究使这一转变不容忽视。如今,人们转向 AI 的前三大理由都是情感方面的:
追求创造力
寻求陪伴
寻求指导
换句话说,情感共鸣如今已超越了执行效率。人们不再仅仅是使用 AI 来获取答案,而是在借此感受连结、获得启发、体会人性的温度。
信息技术 ( IT ) 时代正在让位于情感技术 ( ET ) 时代。
过去三十年,我们致力于构建一个以速度、获取和信息量为优先的互联网。虽然这一切改变了世界,但在此过程中也稀释了人类体验的深度。
如今,第二次机会正悄然出现。AI 能够完成互联网所开启的事业——但这一次,将带来我们长久以来所缺失的情感深度。
情感作为设计系统
即便是那些在某种程度上理解情感重要性的首席营销官 ( CMO ),他们的做法依然小打小闹。他们懂得如何通过内容讲述情感故事,以及如何通过活动激发情感时刻。但这仅仅只是冰山一角。
情感不再仅仅是一种营销策略,它正逐渐成为一个系统设计原则。这不仅仅关乎营销,更关乎体验、基础设施,以及在每一个接触点、每一次互动、每一个规模上构建能激发情感的品牌和企业。没错,用户体验、用户界面乃至整个客户体验都可以被设计成充满情感。
而那些未能跨出这一步的企业呢?它们将被淘汰,只关注那些随着工具日益便捷和高度互联而终将沦为商品的领域。
未来的需求
未来,AI 的关键不在于计算速度有多快,而在于连接的深度。
那些将 AI 仅仅视作一位高效任务执行者的品牌将会逐渐衰落,而那些将 AI 当作共同创造人类体验的伙伴的品牌则将获得胜利。AI 的真正用途不仅仅在于优化工作流程,更在于大规模地创造情感体验——这些体验不仅解决问题,更能重塑生活。
因为归根结底:
信息从来都不是重点,情感才是。
没有情感的智能只是噪音,而充满情感的智能才赋予意义。
如今,没有一个行业不会迎来通过情感实现差异化的机遇。医疗保健领域依然著名地缺乏同理心;旅游及酒店业在探索新体验时,往往在情感连接上显得力不从心;教育不仅缺乏个性化的课程计划,更常常不能以真正吸引人、令人产生共鸣的方式进行教学。
当人们做出决策——尤其是购买决策时,他们都是被需求、欲望和渴望所驱动,而这一切的核心都与情感息息相关。
过去,公司们构建了技术栈,而现在,它们必须构建情感栈:也就是能够在大规模上识别、响应并深化人类连接的系统。
Dan Gardner 是 Code and Theory 的联合创始人。若想了解更多关于客户体验未来和新兴技术的资讯,请参阅以下报道:
智能机器时代下人类工作的命运
Z 世代从未离开元宇宙,离开的却是营销人员
AI 泡沫正在破裂,因为你忽略了两个字母:CX
AI 正在变革客户服务:旅游或将成为首个试点领域
出版商不再重复相同的故事,而是成为技术的引领者
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。