探索

来源：https://t.co/UrDwaPe7HI

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management.

纽约客：人工智能的盈利困局与历史教训 作者：约翰·卡西迪 1987年，诺贝尔经济学奖得主、麻省理工学院（M.I.T.）的罗伯特·索洛（Robert Solow）在《泰晤士书评》的一篇文章中评论道：“计算机时代随处可见，唯独在生产率的统计数据中不见踪影。” 尽管当时计算能力飞速提升，个人电脑也日益普及，但政府数据却显示，衡量工资和生活水平的关键指标——工人的人均总产出——却停滞了十多年。这就是后来著名的“生产率悖论”（productivity paradox）。这个悖论持续到了上世纪90年代甚至更久，引发了大量莫衷一是的学术研究。一些经济学家将其归咎于新技术管理不善；另一些人则认为，与蒸汽机和电力等早期发明相比，计算机在经济上的重要性相形见绌；还有人则怪罪于数据统计有误，认为修正后悖论便会消失。 索洛的文章发表近40年后，自OpenAI发布ChatGPT聊天机器人近三年来，我们可能正面临一个新的经济悖论，而这次的主角是生成式人工智能（generative artificial intelligence）。根据斯坦福大学、克莱姆森大学和世界银行的经济学家最近进行的一项调查，在今年6月和7月，有近一半的劳动者（准确地说是45.6%）都在使用AI工具。然而，麻省理工学院（M.I.T.）媒体实验室一个团队的新研究却报告了一个惊人的结果：“尽管企业在生成式AI上投入了300到400亿美元，本报告发现95%的组织回报为零。” 该研究的作者们审查了三百多个公开的AI项目和公告，并采访了五十多名公司高管。他们对“成功的AI投资”的定义是：已经超越了试点阶段（pilot phase）并被实际部署，且在六个月后产生了可衡量的财务回报或显著的生产率提升。他们写道：“只有5%成功整合的AI试点项目正在创造数百万美元的价值，而绝大多数项目仍停滞不前，对P&L（即‘损益表’，profit-and-loss）没有任何可衡量的影响。” 调查采访引发了一系列回应，其中一些充满了怀疑。“领英（LinkedIn）上炒得天花乱坠，好像一切都变了，但我们的实际运营中，根本性的东西一点没变，”一家中型制造公司的首席运营官告诉研究人员。“我们处理合同是快了点，但仅此而已。” 另一位受访者评论道：“我们今年看了几十个演示。可能一两个是真有用。剩下的要么是‘套壳’（wrappers，指仅仅包装了现有技术，没有实质创新），要么就是‘科学项目’（指离实际商业应用还很远的技术探索）。” 公平地说，该报告也指出，确实有一些公司进行了成功的AI投资。例如，报告强调了针对后台运营（back-office operations）的定制化工具所创造的效率，并指出：“这些早期结果表明，有学习能力的系统，如果针对特定流程，确实可以带来真正的价值，甚至无需进行重大的组织结构调整。” 调查还提到一些公司报告称“通过自动化外联和智能跟进系统，提高了客户保留率和销售转化率”，这表明AI系统可能对营销有用。 但是，“许多公司正艰难地获取实质性回报”这一观点，与跨国咨询公司Akkodis的另一项最新调查不谋而合。该公司联系了两千多名企业高管后发现，对本公司AI实施策略“非常有信心”的CEO比例，已从2024年的82%骤降至今年的49%。企业首席技术官的信心也有所下降，尽管降幅没那么大。Akkodis的调查称，这些变化“可能反映了先前在数字化或AI项目上令人失望的结果、实施中的延迟或失败，以及对可扩展性（scalability）的担忧。” 上周，媒体对麻省理工学院媒体实验室研究的报道，恰逢英伟达（Nvidia）、Meta和 Palantir 等高估值的AI相关股票下跌。当然，相关性不等于因果关系，OpenAI首席执行官萨姆·奥尔特曼（Sam Altman）最近的言论可能在这次抛售中扮演了更重要的角色（鉴于近期的价格涨幅，抛售在所难免）。据CNBC报道，奥尔特曼在一次与记者的晚宴上表示，目前的估值“高得离谱”（insane），并在15秒内三次使用了“泡沫”（bubble）一词。 尽管如此，麻省理工学院的这份研究还是吸引了大量关注。在最初一轮新闻报道之后，有消息称，与许多科技公司有联系的媒体实验室正在悄悄限制对该报告的访问。我留给该组织公关办公室和两位报告作者的信息都石沉大海。 尽管这份报告比一些新闻报道所描述的要微妙，但它无疑对2022年11月OpenAI发布ChatGPT以来支撑科技繁荣的宏大经济叙事提出了质疑。这个叙事的简版是：生成式AI的广泛传播对工人（尤其是知识工作者）不利，但对公司及其股东却极为有利，因为它将带来生产率的巨大飞跃，并因此带来丰厚利润。 为什么这一幕似乎还没有发生？一个可能的原因让人想起了上世纪八九十年代的一种观点，即管理失误限制了计算机带来的生产力效益。媒体实验室的研究发现，一些最成功的AI投资是由初创公司做出的，它们在工作流程的狭窄领域使用了高度定制化的工具。而在“生成式AI鸿沟”（GenAI Divide）的另一边，那些不太成功的初创公司“要么在构建通用工具，要么试图在内部开发能力”。报告更笼统地指出，成功与失败的分野“似乎不是由模型质量或监管驱动的，而是由（实施）方法决定的。” 可以想象，生成式AI的新颖性和复杂性可能让一些公司望而却步。咨询公司高德纳（Gartner）最近的一项研究发现，只有不到一半的CEO相信他们的首席信息官“精通AI”。但对于媒体实验室报告中凸显的失望记录，还有另一种可能的解释：对于许多成熟企业而言，生成式AI（至少在目前的形式下）根本没有被吹嘘的那么神。“它在头脑风暴和撰写初稿方面非常出色，但它记不住客户的偏好，也不会从以前的编辑中学习，”媒体实验室调查的一位受访者说。“它会重复同样的错误，每次会话都需要输入大量上下文（context）。对于高风险的工作，我需要一个能够积累知识并不断改进的系统。” 当然，有很多人觉得AI很有用，也有学术证据支持这一点：2023年，麻省理工学院的两位经济学家发现，在一项随机试验中，接触ChatGPT的参与者能更快地完成“专业写作任务”，写作质量也有所提高。同年，其他研究团队也发现，使用Github的Copilot（一款AI编程助手）的程序员，以及使用了专有AI工具的客户支持代理，都获得了生产率提升。媒体实验室的研究人员发现，许多员工正在工作中使用他们的个人工具，如GPT或Claude；报告将这种现象称为“影子AI经济”（shadow AI economy），并评论说“它带来的投资回报率（ROI）”往往优于雇主发起项目。但问题依然存在，而且这肯定是公司高管们会更频繁提出的问题：为什么没有更多的公司看到这些效益体现在最终的（公司）利润中？ 部分问题可能在于，生成式AI虽然引人注目，但在经济的许多领域中应用有限。休闲和酒店业、零售业、建筑业、房地产业和护理行业（照顾儿童、老人或体弱者）——这些行业总共雇佣了大约五千万美国人，但它们看起来并不像是AI转型的直接候选者。 另一个需要注意的重点是，AI在整个经济中的普及很可能是一个漫长的过程。在硅谷，人们喜欢“快速行动，打破常规”（move fast and break things）。但经济史告诉我们，即使是最具变革性的技术，即经济学家所称的“通用技术”（general-purpose technologies），也必须等到配套的基础设施、技能和产品发展起来后，才能最大限度地发挥其效用。而这可能是一个漫长的过程。苏格兰发明家詹姆斯·瓦特（James Watt）在1769年发明了他的圆筒蒸汽机。三十年后，英国大多数棉纺厂仍在使用水车提供动力，部分原因是运输用于蒸汽机的煤炭很困难。直到19世纪初蒸汽火车发展起来，情况才有所改变。电力的普及也很缓慢，并没有立即带来全经济范围的生产率增长。正如索洛所指出的，计算机的发展也遵循了同样的模式。（从1996年到2003年，美国整体经济的生产率增长终于提速，许多经济学家将其归因于信息技术的延迟效应。但随后，增长率又回落了。） 经济学家认为，在某些情况下，新技术甚至可能降低生产率增长，因为它们具有颠覆性，难以融入现有的工作方式。直到后期，生产率的提高才会显现出来——这种模式被称为“J曲线”（J curve，指一项新技术在应用初期，由于投入成本高、需要时间适应和流程再造，生产率先会下降，形成J的底部；随后，随着技术成熟和配套完善，生产率会迅速攀升，形成J的上升部分）。今年早些时候，来自不同机构的四位经济学家发表了一篇论文，认为美国制造业现在可能正处于AI“J曲线”的下降部分。在与人口普查局合作收集了企业层面的AI采用数据后，经济学家们表示，他们发现的证据表明“短期绩效损失先于长期收益”。该研究的作者之一、多伦多大学教授克里斯蒂娜·麦克埃尔赫兰（Kristina McElheran）在麻省理工学院斯隆管理学院发表的一篇相关文章中写道：“AI不是即插即用（plug and play）的。它需要系统性的变革，而这个过程会带来摩擦，尤其是对老牌企业而言。” 如果从表面上看，这个论点对企业来说终究是乐观的——尽管对那些技能可以被AI复制的工人来说未必如此。（正如一些入门级程序员已经发现的那样，后者完全有理由感到警惕。）在技术的J曲线上，一旦“摩擦”被克服，生产率就会腾飞。但由于沿着曲线的旅程可能很漫长，因此很难预测谁将成为赢家和输家。在互联网商业化浪潮中，许多最终的赢家直到2000年互联网泡沫破灭之后才出现。（谷歌成立于1998年，但直到2004年才上市。Facebook直到2004年才创建，Airbnb直到2008年。）历史不一定会重演。但那些仍在AI热潮中乘风破浪的投资者，现在兑现一部分筹码或许是明智之举。♦

来源：https://t.co/UrDwaPe7HI

Qwen3-Max-Thinking 实测! 呃...... 给大家带来 Qwen3-Max-Thinking-Preview 的测试结果: 大象牙膏测试这个大家看上去黑乎乎的, 实际上是光照有问题, 我给大家拉近了看效果. 建模和粒子效果也一般. prompt 完成度很差. 过山车测试可以, 衔接处虽然不够平滑但没有裂缝, 以及支撑柱会有穿模. 鞭炮连锁爆炸这个就不太行了, 不能完成连锁爆炸演示, 物理效果也不太对. 而且成功率很低, 6 次抽卡只有一次没有代码错误. python 杯子倒水是可以的, 在这些头部模型中是及格分数. 另外, 生成过程中的 web 界面太花哨了, prompt 没有要求这么复杂但是设计得很夸张. 那么写前端页面会好吗? 答案是否定的, 我让它写一个瀑布流图片网站, 这个很考验前端布局能力, 大家可以看效果. 它写得布局有问题, 所有卡片都叠在一起了. 而相对的 glm-4.6 写得非常好, 在不同缩放比例下 CSS 布局很完美. 总结, 考虑到还是 preview 版本, 还是抓紧后训练提升下, 短期不建议使用这个模型做编程类型的任务. #Qwen3 #KCORES大模型竞技场

A coder, road bike rider, server fortune teller, electronic waste collector, co-founder of KCORES, ex-director at IllaSoft, KingsoftOffice, Juejin.

RT @interesting_aIl: Japan’s way of saving space, even in doors

Monday. Accelerating while being in an 18th century painting.

I don't know shit in art otherwise I'd gladly occupy the niche of jokes-for-art-history-nerds.

🙅♂️ Also absolutely hate this! So we made it so when @LeaveMeAloneApp sees a login page it creates a filter instead Then that email gets moved out of the inbox forever and doesn't matter if you actually unsubscribe from it

Digital Nomad for 8+ years, bootstrapping products around the world! 🌏 🙅‍♂️ Easily unsubscribe from emails - https://t.co/5bc2Kq5mIR