至顶网网络频道 04月17日 综合消息: 随着人工智能的持续升温,AI进入了很多厂商和组织机构的视野。在今天召开的华为全球分析师大会上,华为给出的公司战略的关键词正是“人工智能”。
华为轮值董事长徐直军在主旨发言中指出,“去年的分析师大会上,我也简单讲了一下人工智能在华为公司的定位。我们把人工智能定位为一个使能技术,希望把人工智能技术和华为公司的产品和解决方案融合起来。经过一年的思考和实践,我们形成了进一步的思考和解决方案。”
“整体来讲,我们希望通过把人工智能的技术引入我们的智能终端、云和网络,使得我们解决方案更具竞争力,带给客户更多体验提升和商业价值。”徐直军说。
华为在大会上发布的全球产业展望GIV 2025(Global Industry Vision 2025)显示,企业对人工智能的使用还处于起步阶段,目前只有5%的企业开始尝试,而真正已经开始使用人工智能的企业,1%都不到。到2025年,华为预计大部分企业的数字化水平将有质的提升:企业应用云化率将达到85%;企业对数据的利用率将达到80%;同时,86%的企业将应用人工智能。
华为董事、华为公司战略Marketing总裁徐文伟在解读GIV 2025时指出,未来企业的核心经营任务之一,就是通过机器学习来提升数据资产的利用率,使数据价值化,实现“+智能”变革。
如何实现“+智能”变革?
徐文伟举例,AI健康应用将与智能终端协同发挥更大的作用,AI辅助医疗相关机器人等智能助手的普及,将让特殊残障人士在智能世界将享受和普通人一样的智能幸福生活。
交通+智能,可以让司机在一年的时间内节省60个小时的堵车时间,交通成本也从每英里66美分降到每英里29美分。
制造+智能,能够加速ICT与OT的融合,推进工业互联网进程。小到消费品定制生产、通过大数据实现智能服务,大到改造企业全流程生产运营管理、实现产业转型升级。
城市+智能,可让每一个市民享受到数字民生带来的安全、便利和幸福。在深圳龙岗,通过一窗受理改革,形成了工程建设审批,商社登记,个人综合三大类事项共计701类政府服务事项综合窗口办理,区大厅实现等候时间缩短50%,窗口数量从92个压缩至59个,即办率提高29%。
而对于华为自身来说,在产品战略上也会发生几个变化。
例如在网络方面,希望通过引入智能技术,构建一个“自动驾驶、永无故障”的网络,用架构性的创新,从根本上解决电信产业的结构性问题,实现电信网络的自动、自治、自愈、自优,从而大幅度提升网络的利用率和运维效率。
在云方面,引入人工智能技术服务,打造了企业智能EI平台。通过EI平台,可以让所有的企业和政府在使用人工智能打造各种各样的产品和服务时,更简单,更便捷,实现企业效率的提升和价值的创造。
华为企业BG 全球Marketing 总裁邱恒谈到华为会提供从端,云到AI使能层各个层面支持AI的产品和解决方案,打造支撑AI应用的完整平台底座。
具体来说,华为会以芯片、算法和架构设计等核心能力为基础,打造数字平台,提供支持AI的芯片/终端、包含计算/存储/通信等强化支持AI的云基础设施和边缘计算、以及包括大数据平台、视频云PaaS、EI等等在内的AI使能平台。这样端云协同的数字平台能够系统性支持将合作伙伴开发的AI应用嵌入企业的供应链、交付、研发、市场、财务、管控等各个企业数字“神经元”。
徐直军透露,华为将在今年10月上海举行的HUAWEI CONNECT大会上,正式发布华为公司人工智能发展战略,以及全栈、全场景的人工智能解决方案。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。