Prologis 作为全球最大的物流地产公司,在全球供应链中发挥着关键作用。公司在 20 个国家拥有 12 亿平方英尺的房地产,管理资产高达 2200 亿美元,服务对象包括大型零售商和第三方物流供应商。自 2018 年加入以来,Prologis 首席技术官 Sineesh Keshav 一直领导着公司的数字化转型,并在此期间推动了公司的显著增长。
推动快速扩张业务中的创新
自 Keshav 加入以来,Prologis 管理的房地产面积从 7.5 亿增长到 12 亿平方英尺,员工人数从 1600 人增加到 2500 人。在这一增长过程中,公司始终保持着创新文化。Keshav 自豪地表示:"我们在行业中稳居领导者地位,但我们始终保持着自我颠覆的意愿,以免被他人颠覆。"
这种积极主动的方法塑造了 Prologis 的技术战略,确保公司的 IT 基础设施能够与业务扩张同步发展。他补充道:"我们常说我们是一个困在小公司躯壳里的大公司。我们没有多余的官僚层级,这促进了开放的沟通和协作。"
为转型业务构建 IT 架构
当 Keshav 加入 Prologis 时,发现业务的某些部分仍依赖于包括 Excel 电子表格在内的传统系统。他说:"Excel 本身没有问题,但我们的某些业务仍在使用过时的技术。即使系统没有出现问题,我们也必须灌输变革的思维,因为过时的技术可能成为薄弱环节。"
为应对这些挑战,Prologis 重组了其 IT 组织,确保每个关键业务职能都有专门的技术支持。Keshav 指出:"这不是看谁声音最大,而是每个关键能力都应该有创新的机会。"这次转型还包括成立了一个专注于流程优化的企业卓越团队。他强调:"不要自动化有问题的流程,要先把流程做对。"
超越房地产的扩张
虽然 Prologis 仍是房地产巨头,但近年来其业务已显著发展。Keshav 说:"我们不再仅仅是一家房地产公司,我们正在供应链解决方案、能源和可持续发展领域开发新业务。"值得注意的是,Prologis 现在是美国第二大太阳能生产商,并设定了到本十年末达到一吉瓦太阳能发电容量的宏伟目标。他补充说:"技术在实现我们可持续发展目标方面发挥着重要作用。"
数据中心业务是另一个主要扩张领域,Keshav 认为这是 Prologis 专业知识的自然延伸。他说:"我们有独特的机会在数据中心行业留下印记。我们将能源数据与房地产数据整合的能力给了我们竞争优势。"
AI 和数据在 Prologis 未来的角色
强大的数据基础对 Prologis 的成功至关重要,支持着高级分析、商业智能和 AI 驱动的决策。Keshav 解释道:"要让 AI 发挥效果,你需要强大的数据基础。在生成式 AI 兴起时,许多公司都在为如何处理其专有数据而苦恼。我们的挑战较小,因为我们已经建立了强大的数据基础设施。"
Prologis 已经采用 AI 来提高运营效率和增强决策能力。Keshav 说:"今天的差异化优势可能在三个月内就成为大众商品,但经验教训会持续更长时间。"他预测到 2025 年,AI 驱动的自动化将更深入地嵌入业务流程。"智能代理 AI 将推动显著创新。"
为下一篇章做准备
展望未来,Prologis 正在完善其 IT 战略以支持不断发展的业务线。Keshav 说:"未来三年的重点是确保新业务的成功。我们不得不引入全新的系统,2025 年将是加速这些努力的关键一年。"
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。