尽管围绕元宇宙的炒作似乎已经消退,但公司仍在解决方案和现实应用程序上投资数十亿美元。毕马威 (KPMG) 的两位专家 Marc Ennemann 和 Heiko von der Gracht 教授博士解释了公司如何使用元宇宙来改善与供应商的协作、优化采购流程并降低成本。
元宇宙在 B2B 环境中的重要性是什么?
Marc Ennemann:今年的汉诺威工业博览会就是一个很好的例子:我们看到了元宇宙如何彻底改变我们组织工业流程、使数据可访问和促进协作的方式。具体来说,当平台和技术开发商与制造商合作创建工厂或车间的数字孪生时,工业元宇宙就会发挥作用。例如,这些双胞胎可用于快速培训技术人员如何使用和维护机器。另一个用例是对当前生产流程进行近实时分析和优化,例如能源管理方面。需要注意的是,虚拟现实并不局限于虚拟现实,还包括智能手机、笔记本电脑等传统设备。
我觉得围绕这个话题的炒作最近已经平息了。您怎么看?幕后发生了什么?
Heiko von der Gracht 教授、博士:虽然媒体已经转向其他流行话题,但实体经济目前正在投资数十亿美元用于具体的解决方案和应用。这也可以从元宇宙的术语已经进入商界领袖的日常用语中看出。阿凡达、数字孪生、NFT 或 GenAI 对许多人来说不再陌生。元宇宙还代表了不同技术在开发中的融合:人工智能、模拟软件、虚拟现实(VR)和增强现实(AR)、区块链等等。
人工智能在元宇宙中扮演什么角色?有哪些用例?
Ennemann:人工智能已经发挥了重要作用。当我们在元宇宙中与智能化身(称为沉浸式副驾驶)交谈和互动时,其背后就有人工智能。但它也以另一种方式工作:我们模拟虚拟环境,例如元宇宙,例如以虚构工厂的形式,使用数十亿个合成数据点,然后用它来训练人工智能。因此,与使用真实数据(RWD,真实世界数据)进行训练相比,人工智能的学习速度更快、更具成本效益。
与传统方法相比,元宇宙对于采购有哪些具体好处?
Ennemann:借助当今的 VR 和 AR 眼镜,我们可以在短短几秒钟内以逼真的方式调用产品目录中的组件,在分解视图中以 3D 方式查看它们,或者与智能化身协作,引导我们浏览产品目录并向我们提出建议。人们还可以与交易机器人讨论和训练交易策略。或者,只需按一下按钮即可获得供应商策略和市场的分析。这意味着人们可以更快、更好、更高效且成本更低地进行交易和购买。
这是否为与供应商的合作开辟了新的可能性?
Ennemann:可以访问供应商现场的数字孪生,从而获得生产和质量控制条件的“现场”想法。借助主要供应商的 VR 头显,很快就可以在虚拟环境中执行全面的供应商审核。这不仅节省了时间和差旅成本,而且与供应商的纯粹数字交换也可以更加个性化。
您认为实施元宇宙时面临哪些挑战?
von der Gracht:目前,与任何新技术一样,最大的障碍是激活。这可能包括一些常见问题,例如:购买哪种头显?我们如何将元宇宙集成到我们的 IT 基础设施中?法律问题
工作和健康也需要解决:员工可以佩戴头盔和设备多长时间?事前需要进行哪些培训?应考虑哪些合规性和安全问题以防止 元宇宙 平台和应用程序成为网络犯罪的门户?所有这些问题都可以得到现实的回答。
企业如何确保其员工有资格使用新技术?
Ennemann:一句话:培训。有受认可的教育机构提供的独立培训课程,以学习基础知识并开发商业模式。另一方面,供应商也提供培训,因为他们有兴趣与客户一起实施元宇宙,并与业务、工业和采购一起推进发展。特别令人感兴趣的是采购流程培训,旨在避免和减少供应链内基于自然、政治、经济和社会影响等各种因素的风险。这就是在元宇宙中使用人工智能的好处显而易见的地方。
如何保证元宇宙的数据安全合规?
Ennemann:这要归功于适当的安全架构。与集成到现有 IT 结构中的任何其他设备一样,具体实施才是最重要的。VR 头显的使用可以收集更多的个人数据:语音命令、瞳孔运动、空间运动等等。这就是为什么它是一个非常敏感的领域,必须根据 GDPR(通用数据保护条例)在欧盟内部进行相应的保护和审查。目前正在考虑在多大程度上制定元宇宙的统一标准。还应该注意的是,集成不同的平台和程序可能会导致互操作性问题和安全漏洞。这就是为什么需要正确实施全面、主动的安全策略。
是否已经有在采购中使用元宇宙的具体例子?
von der Gracht:这些应用程序目前正在成倍增加,特别是在大型群体中。仅举几个例子:生产线的数字孪生、考虑供应链、原材料、人口统计和全球事件的基于人工智能的基准,甚至借助人工智能来管理采购(尤其是加工行业)的风险。此外,使用生成式人工智能的交易头像正在呈指数级传播。
您可以给想要使用 元宇宙 的采购部门什么建议?
Ennemann:没有人单独构建元宇宙。因此,现在与合作伙伴、供应商、客户和专家结成联盟并在共同生态系统中开发自己的用例是有意义的。除了元宇宙战略之外,通过遵循元宇宙路线图和定义旗舰项目来准备自己的公司也非常重要——这让我们回到了员工培训。元宇宙的最大风险是等待事情如何发展。那些被动反应的人将会错过潮流。
元宇宙具有改变采购行业的巨大潜力。通过利用虚拟现实、增强现实和人工智能的力量,企业可以优化其采购流程,改善与供应商的协作并降低成本。
然而,实施元宇宙并非没有挑战。企业需要解决与数据安全、合规性和员工培训相关的问题。然而,通过采取积极主动的方法并与合作伙伴和专家合作,采购部门可以利用元宇宙,为其组织创造一个更高效、更有利可图的未来。
好文章,需要你的鼓励
AI正在彻底改写创业规则:YC最新数据显示,10人团队12个月达成千万美元营收已成常态,"氛围编程"让技术不再是瓶颈,而创始人能否深度理解客户需求成为成败关键。当6人团队就能创造八位数收入时,我们看到的不仅是速度革命,更是对公司本质的重新定义。
这项由阿伯丁大学和格勒诺布尔阿尔卑斯大学研究者联合完成的研究揭示了大语言模型处理日期时的关键问题:现代分词器常将日期分割成无意义的碎片,如"20250312"被切分为"202"、"503"、"12",这严重影响时间推理能力。研究提出了日期碎片化率指标,创建了DATEAUGBENCH测试集,并通过内部机制分析发现,大型模型能在早期层快速"修复"碎片化日期,但其推理路径与人类理解方式显著不同,这解释了模型在处理非标准日期时的准确率下降。
MUG-Eval是KAIST和Trillion Labs联合开发的创新多语言评估框架,通过让语言模型在目标语言中进行自我对话来评估其生成能力。该方法独特之处在于不依赖语言特定工具或人工标注数据,而是通过任务完成率间接衡量语言能力。研究团队测试了8种顶级语言模型在30种语言上的表现,发现其结果与传统评估方法高度一致(相关系数>0.75)。MUG-Eval揭示了模型在低资源语言上表现显著落后,并发现英语并非评估低资源语言的最佳替代。该框架理论上支持2,102种语言,为真正包容的AI评估提供了新途径。
浙江大学研究团队开发的"自制动力训练"(Self-Braking Tuning,SBT)方法解决了大型语言模型在推理过程中的过度思考问题。该方法不依赖外部干预,而是培养模型自主识别冗余推理并适时终止的能力。研究者通过分析推理效率比率和过度思考标记比率,构建了两种数据策略:SBT-E(精确版)和SBT-D(动态版)。实验结果表明,经过训练的模型在多个数学基准测试上保持原有准确率的同时,将标记消耗减少了30%到60%,显著提高了推理效率。这项创新使AI系统能更像人类一样有效思考,为资源受限环境下的AI部署提供了新解决方案。