宝洁公司表示,各组织机构应该重新思考其运营方式,以更好地利用生成式 AI 带来的创新机遇。
这家消费品巨头多年来一直对 AI 保持浓厚兴趣,最近还开展了一项研究来评估该技术对其运营的潜在价值。
在哈佛商学院 (HBS) 的部分资金支持下(该校自 2023 年起接受宝洁公司的资助),来自哈佛商学院、沃顿商学院、法国 ESSEC 商学院和宝洁公司的专家们对 776 名负责实际产品创新任务的专业人士进行了研究。
该研究的目标是确定人类员工在有无 AI 协助的情况下,无论是个人还是作为产品开发团队成员时的表现如何。参与者被要求开发一个新产品或服务,以解决其业务部门内的实际需求。
研究主要探讨了三个问题:
生成式 AI 是否能提供与人类团队相当的性能提升?
生成式 AI 是否能扩展缺乏专业知识的员工的经验?
生成式 AI 是否能提供类似于人与同事协作时的社交体验?
研究结果大多是积极的。这倒也不令人意外。
研究发现:"我们的研究表明,AI 复制了许多人类协作的优势,充当着'赛博团队成员'的角色。个人在 AI 协助下能够产出与双人团队相当质量水平的解决方案,这表明 AI 确实可以承担某些协作功能。"
研究人员 - Fabrizio Dell'Acqua、Charles Ayoubi、Hila Lifshitz、Raffaella Sadun、Ethan Mollick、Lilach Mollick、Yi Han、Jeff Goldman、Hari Nair、Stewart Taub 和 Karim Lakhani - 还发现,生成式 AI 协助可以让个人以类似于咨询同事的方式"弥补知识差距"。
最后,他们发现与生成式 AI 助手合作比单独工作更令人情感满足。作者指出:"与单独工作相比,专业人士在与 AI 互动时报告了更多积极情绪和更少消极情绪,这与传统上与人类团队合作相关的情感收益相匹配。"
值得注意的是,哈佛商学院此前的研究已经得出结论:与 AI 模型互动可以减少孤独感。
我们不禁要思考,研究参与者自我报告的情感反应是否源于自我欺骗。AI 行业持续将其产品拟人化,但事实仍然是这些系统基于大量数据产生向量数学预测。如果我们接受论文中"AI 可以替代某些通常与团队合作相关的情感收益"的观点,我们或许也可以赞美办公室里那台安静但给力的打印机散发的温暖 [在一年中极少数真正工作的时候 – 编者注]。
对机器的抵触
并非所有人都愿意毫无疑虑地接受 AI 帮助。2021 年一项关于人机团队协作的研究 [PDF],题为"当人类认为他们的队友是 AI 时会发生什么?对人类与自主系统协作的调查",发现人机混合团队的表现往往不如全人类团队。这部分源于缺乏信任,这种本能在面对容易出错的模型时很有用,而宝洁项目中对此仅略有提及。
但假设 AI 达到了某种足够可靠的水平,宝洁显然对 AI 充满热情。
宝洁首席研究创新官 Victor Aguilar 在一份声明中表示:"这项研究证实了我们长期以来的猜测:AI 是创新的游戏规则改变者。无论员工是独立思考还是与他人协作,AI 都能提供强大的助力,释放新想法并加快我们的创新速度。我们期待继续在产品开发探索中测试 AI,以及我们能够释放的强大影响力。"
《The Register》期待看到 AI 在协助创新方面的能力能够体现在宝洁旗下的品牌上,如品客薯片、欧乐-B、旧司派、吉列和 Metamucil。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。