麻省理工学院旗下的著名学术期刊SMR发布了,最新关于生成式AI(AIGC)的应用报告。
本次对欧洲、北美、亚太地区超过1000家大中型企业(员工人数在100—10000名以上),来自金融服务、制造业、零售、建筑、医疗保健等不同行业的领导者、总监、部门主管等进行了调查,查看他们的使用情况。
结果显示,2024上半年,企业对生成式AI的应用几乎增长了一倍,越来越多的企业开始通过这项技术来改变工作方式和决策模式。
同时也吸引了资本市场的目光,2024年上半年,为生成式AI初创企业和相关企业提供资金的风险投资和私募股权投资增长明显。


在本次接受调查的企业用户中,67%的早期用户已经使用生成式AI;26%正计划使用;只有7%的用户还处于评估观望状态。这也就是说93%的企业,已经开始重视到生成式AI带来的诸多好处。

已经使用生成式AI的早期用户表示,他们热衷于通过生成式 AI 来改善数据驱动的分析,来解决销售、客户体验等实际业务。他们认为,生成式 AI能够加速数据驱动的决策制定、简化复杂数据的呈现、改善业务分析以及提高产品和服务质量。
例如,全球最大水、卫生和能源服务公司之一Ecolab 便通过使用生成式 AI 进行分析的试点项目,通过预测分析为管理人员和销售人员找出了商机并提升了客户体验,提高整个财务业绩。

在行业竞争优势方面, 37% 的早期生成式AI使用者认为,自己在市场和竞争对手中遥遥领先,而计划者中这一比例仅为 11%。这表明早期使用者通过积极应用生成式 AI,已经取得了一定的竞争优势,并且相信这种优势将继续扩大。
相反,只有 4% 的早期使用者认为自己落后,而计划使用者的比例为 8%。这说明早期使用者对自身在市场中的地位更有信心,而计划者可能感受到了更大的竞争压力。
投资回报率是企业应用创新技术的重要指标之一。48%的早期生成式AI使用者期望在三年内获得 100% 或更高的投资回报率,而计划者中这一比例为 38%。这表明早期使用者对生成式 AI 的投资回报充满信心,他们看到了这一技术在提升企业效率、降低成本、增加收入等方面的巨大潜力。
值得关注的是,12% 的早期使用者期望获得 300% 或更高的投资回报率,而计划者的比例仅为 2%。这进一步凸显了早期使用者的乐观预期,他们愿意在生成式 AI 上加大投入,以获取更高的回报。

在业务与数据团队合作方面,早期使用者也表现出了明显的优势。75% 的早期使用者表示其业务和数据团队有强大的合作伙伴关系和集中化战略,而计划者中这一比例仅为 47%。
这说明早期使用者更加注重团队之间的协作和沟通,能够有效地将业务需求与数据技术相结合,充分发挥生成式 AI 的潜力。

调查中还发现,不同类型的企业对生成式AI的需求也不同。大中型企业早期应用者的前三大优先事项是改善业务分析(59%)、改善产品和服务(54%)以及提高客户满意度(48%);
而小型公司早期应用者则对提高决策速度(36%)和提高生产力(34%)更为关注。这反映出不同规模企业在应用生成式 AI 时,根据自身的业务特点和需求有着不同的侧重点。
不同的地区企业在应用生成式AI方面也有不同的差异,亚太地区的早期应用者尤其是总部位于澳大利亚、新西兰、印度或日本的企业,将改善客户服务和满意度视为首要任务,欧洲和英国的早期应用者中有 43% 也是这么认为。

而美国和加拿大的早期应用者中有 48% 将提高数据分析师效率视为应用该技术的最重要原因,提高客户服务和满意度则排名第二仅为35%。
此外在生成式AI产品选择方面,超过50%的早期应用者热衷于使用第三方工具,例如,使用OpenAI的ChatGPT等产品;计划者的比例为32%。
这说明早期应用者更倾向于借助外部专业技术来快速获取生成式 AI 的能力,这样比自己训练、微调更加高效省时省力。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。