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
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。