一直以来,企业都在花费大量的时间、金钱和人力,来试图预测可能影响其商业机遇和财务状况的趋势。
不过,近来这种预测行为却收到了更多批评的声音。纳特·西尔弗(NateSilver)是美国最具影响力的预测专家之一,他在畅销书《信号与噪声》(TheSignalandtheNoise)中写道,预测未来是非常困难的,因为“我们选择性地忽略了最难以衡量的风险,即便这些风险对我们的生活构成了最大的威胁”。
近年来,试图预测未来的企业领导人会竭尽全力去了解众多政治、经济和社会趋势对企业产生的全面影响。但商业环境中却处于持续的不稳定状态之中,这种不稳定的状态基于动态的、系统性的变化,对其进行精准的预测几乎是不可能的。合规性的要求、新的竞争压力、不断变化的安全威胁、并购的兴起和全球化趋势,这些只是企业所面临的众多颠覆性变化中的寥寥几个。
需要重点指出的是,各种规模的企业、行业和商业模式中最具影响力的变革要素之一,就是技术本身。试想,互联网技术是如何颠覆了零售业一统天下的局面的,视频会议又是如何加速了商务差旅的进程的。最近,移动计算又渗透到了企业运营的各个环节,这种趋势已经对从信息安全到办公地点的工作场所政策产生了巨大影响。另外,诸如Hadoop这样的大数据工具也已经在帮助企业进行商业决策的过程中担任了重要角色。
既然未来如此难以预料,企业和其它组织究竟该如何武装自己,以期在灾难降临时全身而退呢,或者更理想一点,及时发现和利用转瞬即逝的机遇呢?
打造未来就绪的企业(FRE),并非基于对未来的预测,而是侧重于面向未来做好准备——设计并实施灵活、高效的体系结构,从而让企业更灵敏地反应、更果断 地改变。未来就绪的企业致力于成为倡导开放性的典范——乐于接受新观念、新流程,尤其是接受能够避免刻板和传统、促进创新和灵活的开放式IT架构。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。