劳埃德银行集团将在今年对其全部67000名员工进行人工智能使用培训。
这家英国银行已启动AI学院项目,目标是在2026年底前让所有员工都具备AI素养。
银行表示,员工将接受互动式培训模块、短期课程、文章、播客以及社区学习机会的培训。该项目首先要求每位员工完成一个关于负责任、安全和道德AI使用的模块。
劳埃德银行希望员工能够在日常工作中使用AI。该银行集团首席运营官罗恩·范·凯默纳德表示:"扩展AI应用就是要将真实的用例投入生产,这样我们就能为同事简化流程,为客户提供更个性化的服务。通过投资培养员工技能,我们可以负责任地快速推进这一目标,既能改善今天的服务,又能为未来扩展新创新奠定基础。"
银行在声明中表示:"我们的目标是到2026年底,劳埃德银行集团100%的员工都具备AI素养:成为自信、有能力且负责任的AI用户。"
去年3月,劳埃德银行宣布为其200多名最高级员工提供AI培训,以确保公司能够充分利用这项技术。参与者接受了一项名为"AI领导力"的80小时培训项目,该项目由Cambridge Spark与剑桥大学专家共同提供。该项目重点关注识别AI变革机遇和引领其实施等领域。
在其他地方,桑坦德银行在2025年8月宣布,作为让技术成为其DNA一部分计划的一环,今年将为所有员工推出强制性AI培训项目。
这家西班牙银行正在加速使用AI,因为该技术去年帮助其节省了超过2亿欧元的成本。
劳埃德和桑坦德等欧洲银行需要加强AI培训,以跟上美国竞争对手的步伐。
Forrester 2025年的一份报告发现,美国比欧洲有更多公司为员工提供定期AI培训。研究还显示,许多决策者错误地认为他们的组织已经为员工提供了正式的AI培训。在其他情况下,AI培训可能不是强制性的,或者效果不佳。
"如果你询问其他员工是否接受过正式的AI培训,美国的回应率是52%,而欧洲仅为39%,"Forrester报告指出。
欧洲员工在AI技能方面正落后于美国员工,报告建议使用多种学习技术的组合来提供通向AI能力的最佳路径。
"通过将正式学习(课堂和在线学习)与社交学习相结合,促进同事间连接,并基于实践学习来增强在职体验,为员工提供了一条可管理的AI熟练掌握之路,"报告指出。
报告建议使用10%正式学习、20%社交学习和70%在职体验的组合。"关键是将这些不同的学习方法编织成一个相互交织的'学习结构',"报告说。
Q&A
Q1:劳埃德银行的AI学院项目具体包含哪些培训内容?
A:劳埃德银行的AI学院项目包括互动式培训模块、短期课程、文章、播客以及社区学习机会。所有员工首先需要完成一个关于负责任、安全和道德AI使用的模块,目标是让员工能够在日常工作中使用AI技术。
Q2:欧洲银行在AI培训方面与美国相比有什么差距?
A:根据Forrester 2025年报告,美国员工接受正式AI培训的比例为52%,而欧洲仅为39%。欧洲员工在AI技能方面正落后于美国员工,这促使欧洲银行需要加强AI培训以跟上美国竞争对手的步伐。
Q3:Forrester报告推荐的AI培训最佳组合是什么?
A:Forrester报告建议使用10%正式学习、20%社交学习和70%在职体验的组合。通过将课堂和在线的正式学习与社交学习相结合,促进同事间连接,并基于实践学习来增强在职体验,为员工提供可管理的AI熟练掌握之路。
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。