思科公司(Cisco)的一位高级管理人员表示,亚太地区(APAC)越来越多的组织正在采用混合办公,但许多员工的体验并不理想。
思科执行副总裁兼安全与协作部总经理 Jeetu Patel 最近访问新加坡接受一家杂志访问时表示,现在大多数会议至少有一名远程参与者,因此不仅需要为实际会议室中的人员配置空间,还需要为不在会议室中的人员配置空间。
他表示,“现在,如果会议室里有四个人,而另外三个人不在会议室里,那么这三个人的体验就不会太好,因为总会有人站起来在白板上开始写写画画。”
Patel表示,“这三人可能不知道发生了什么,也无法读懂会议室里人的面部表情和非语言暗示。而这些都是交流中非常重要的一部分。”
Patel称,思科在过去的 18 个月里一直在努力解决这个问题,以确保在混合办公模式下会议中的每个人都可以很好地参与,无论他们是以虚拟方式还是亲自参加会议。
思科的人工智能(AI)功能可以做到了,该功能在后台运行,能够消除背景噪音及拉近放大房间里的每个人,此外,与会者还可以使用数字白板在会议期间记下或编辑会议内容。
Patel表示,“我们希望确保我们的人工智能功能可以将会议体验提升到一个新的水平。我们从预测式人工智能着手,现在用上了生成式人工智能,效果更好了。如果你错过了一次会议,我们可以根据你所具有的关于这次会议的对应权限告诉你错过了什么。”
亚太地区的企业在采用混合办公安排方面是比较进取的,但Patel提醒亚太地区的企业不要犯强制要求员工必须在办公室工作的错误。
他表示,“实行粘制比实行强制要好得多。要使大家有某个理由回到办公室,例如由于他们在办公室协作而可以获取某个X因素,而如果100%远程办公则无法获得该X因素。”
Patel表示,采用混合办公方式还有助于组织从世界任何地方招募最优秀的人才,可以使更多人能够平等地参与全球经济。
他表示,“现在的机会分布很不均匀,但人的潜能却分布得相当均匀,所以如果孟加拉国一个村庄里的任何人都能像硅谷的人一样拥有同样的经济机会,那就太好了。”
他称,“大多数时候人们的思维方式都受到距离的限制,所以如果你不在同一个地理区域,那么你就没有机会。但这种思维方式非常陈旧,我们需要以一种更加进步的方式来考虑这个问题。”
要最大限度地发挥混合劳动力的潜力还需要社会变革。首先,企业领导者必须学会如何在不见面的情况下建立人际关系。
Patel表示,“30分钟的视频会议通常都有个固定的架构。会议有个议程,最后是结尾。如果开了 23 分钟的会后没人说话了,就总会有人说我们提前 7 分钟散会吧。这种情况经常发生。”
他接着表示,“但你和某人共进晚餐时,如果出现冷场,你不会直接说先撤了。你会询问对方的家庭情况或其他事情。这些问题能让你了解这个人的背景和细节,可以更好地熟悉对方,进而能更好地以客观的态度讨论,避免受到个人情感的干扰。冲突在商业活动中是不可避免的,如果双方相互都不熟悉,生意是谈不成的。”
混合办公的实施也会带来一系列安全方面的考量。Patel表示,在面对面交谈时,双方都对身份存在一种隐含的信任,而其实混合办公环境也需要有这种信任。
他表示,“如何防止深度伪造者进入会议呢?如何确保私人数据不被窃取呢?如何创造安全的环境让大家在使用系统时不必担心被黑客攻击呢?”
Patel表示,“任何混合办公解决方案都需要这些基本的安全功能。我还会进一步说,在未来,完全没人会使用缺失安全保障的系统。”
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。