象。”阿爾伯特·梅杰博?,藍移?程總監,艾瑟爾·利特公司ZoéHuczok,藍移?程項?負責?,艾瑟爾·利特公司ArnaudSiraudin,艾瑟爾·利特公司副總監DonatelloFleck,艾瑟爾·利特公司商業分析師GeoffroyBarruel,艾瑟爾·利特公司顧問?埃爾·布魯埃,GRTgaz研究、開發和創新總監卡羅爾·卡蘭塔,INRAE科學與創新副總監保羅-喬埃爾·德里安,集團副總裁創新與可持續發展,阿維爾公司菲利普·莫奎安,INRAE?席執?官菲利普·毛鋁，INRAE首席執行官讓-呂克·穆萊，法國高等教育和研究部參謀長ickEagar，亞瑟·迪·?特合伙緊急情況專家安妮·布韋羅，法國總統人工智能特使BlueBlueShift/REPORT0073CONTENT-CONTENT-CONTENT-CONTENT-CONTENT-56BlueBlueShift/REPORT007年，但?近兩年以來，隨著更強?的?成式??智能（GenAI）和?型語?模型（LLMs）的問世，加速進程開始啟動。盡管關于潛在應?的信息泛這項深?研究是由亞瑟·迪·利特（ArthurD.Little）的BlueShift與五家主要?智能：路威酩軒（LVMH）、阿維諾（Avril）、GRTgaz、法國國家科學研究中?（CNRS）和法國國家農業、?品和環境研究所（INRAE）。該研究探討了R&D&I中??智能的現狀、挑戰局以及未來場景。我們收集了40多次針對AI提供商、獨?AI專家以及當前最佳AI??的訪談，以及對私營公司和公共機構的調查結果，該調查涵蓋AI的7第一章：人工智能通過不同角色在研發與創新中增強研究人員的能力，幫助解決棘手問題并做出通用模型；數據可用性和問題類型決定了最佳方法BlueShift/RBlueShift/REPORT007第二章：確保人工智能在研發與創新中的成功論、健全的數據基礎、戰略優先級確定、分析折衷、假設?成器和助?發揮作?。AI幫助做出決策的規劃,涵蓋了從技術和市場情報到創新戰略、構思、組合和項經充當了知識管理者、假設?成器和助?。AI幫助做決策在AI系統和其他?法之間進?選擇取決于可?數據的類型?。AI并?總是萬能的解決?案。傳統科學?法，包括傳統回歸?法，在某些問題上表現可能更好。通常，AI模型選擇AI系統和其他?在制定策略時要在制作、購買現成的或微調AI模型之間做模型，不管是LLM、?成對抗?絡（GANs）、擴散模型-分析權衡。在概念驗證（POC）的開發中必須仔細考慮權衡，包括獲取與合成數據、優化精度與召回率、?擬合與過擬合數據。-與IT的對?。研發創新功能需要與IT部?對?，以滿?安全性和合規性要求，同時保持實驗所需的速度。-持續監控和改進。這對實驗性AI模型尤其重要，因為它們的性能會隨時間改變。-持續監控和改進。這對實驗性AI模型尤為重要，因為它們的表現可能隨時間?變化。8主要的開放源模型，但較小的參與者也構成生態創企業也瞄準特定垂直領域的問題。托管提供商。開源模型是整個鏈條的?柱，由主要參與者如Metma），微軟（Phi）和英偉達（NVLM，TensorFlow，StyleGAN）開發和訓練。像Mistral和C以及法國國家科學研究中?和GENCI（BLOOM）等學術機構也在很?程度上為開源?態系統做出貢獻。果：性能、信任和可負擔性。這些因素導致了六種可這些因素導致了兩端的六種可能情形:BlueBlueShift/REPORT007在云中托管模型運?所需的計算能?（例如，每個LLM組織演變以及贏家和輸家都會產?不同后果。9這些包括共享計算能力、鼓勵數據共享、管理人工為人員培訓人工智能基礎知識、重設數據和人工智以及改善輸出控制。除此之外，組織還應該根據企應該著?為??智能的未來做準備，?論情景如何發展:能?。鑒于低代碼/?代碼（LCNC）??智能BlueShift/REPORT0075重新思考超越IT的組織和治理。為??智能建?適當的治理BlueShift/REPORT007這些包括共享計算能?、?勵數據共享、管理??智能?才、培訓員?掌握??智能基礎知識、重新設置數據和??智能治理?法，以及改進輸出控制。除此之外，組織應該采取符合公司?標的謹慎戰略賭注。在決策過程中，研發和創新機構應該考慮AI應?場景的范,以處理AI?成的內容和數據的規模擴?。,功能能?，實施要求和潛在?險1AI將賦能研發和創新的各個環節，包括涉及創造?的部分AI的影響不僅僅是炒作——它正在影響研發和創新的?產?和創造?。那些悄悄利?通?類型的LLM和較?的專?模型的公司已經在某些情況下看到了10倍的?產?AI作為協調者，?不是獨奏者AI應該作為不同數字?具之間的協調者，例如模擬，傳統??智能(GOFAI)，GenAI，圖形，規則和啟發式以及?葉斯?絡，并保持?類參與。?動化代理將賦權研究?員?主運?整個?作流程，加速發現3?多數研發和創新組織對??智能仍然?較陌?，許多研究?員并不了解其當前和未來的影響4專注于解決問題，?不僅僅是部署4重點不應放在華?不實的??智能?具上，?應放在利???智能解決具體、?影響?問題上。界定正確的問題將確保??智能成為創新的?具，?不僅僅是?種趨勢.55利?LLM提??產?經過精細調整的LLM能夠提供很?的價值，盡管我們還沒有完全理解其在規模上的運作?式。LLM對于提??產??常有趣。盡管跨部?數據集成可能釋放出更?的潛?，但諸如低秩適應（L利?LLM提??產?在解決復雜的研發與創新問題??，更?型和更專業化的AI模型或其他?法，如?葉斯?絡，將?益表現出?。這些定制模型在某些領域更為有效。數據管理將成為AI驅動未來的區分因素，因為算法變得商業化。中?化、結構化和清潔的數據將是構建競爭性研發與創新系統的基礎。為第?個POC準備數據可能需要時間（?達18-24個?）,但隨著每次迭代，速度會加快。在AI系統中建?信任?關重要且脆弱。在研發與創新領域，賭注?且產出不會?竿?影,確保流程透明和?類監督?關重要，以避免AI采?中的挫折。AI?才供應將滯后于需求，直?2030年，提升現有研發團隊的技能?關重要。早期投資于培訓員?的組織將避免在AI競賽中落后。推理作為?種服務——產品開發的范式轉變就像云計算改變了IT基礎設施?樣。這種模式將在普及AI和培育新就像云計算改變了IT基礎設施?樣，推理作為?種服務將徹底改變公司開發和擴展基于??智能的產品的?式。這種模式將在普及??智能和促進新的業務模式??起著關鍵作?BlueBlueShift/REPORT0072024年6?：賓夕法尼亞?學的研究?員利?機器學習(合物。這?突破發表在《Cell》雜志上，加速了新抗?素,利???智能將數年的研究時間壓縮成?個?時。,它可能會在包括研BlueShift/REPORT007作為企業和決策者，我們相信詢問AI是否真正具備創造?是很?然的。或許更重要的是，它能幫助我們?類變得更有創造?嗎？,因為過去10-15年，AI主要集中在提?性能和?產?上。如果AIBlueShift/REPORT007在化學領域，DeepMind的DemisHassabis和JohnJumper因AlphaFol在物理學領域，JohnHopfield和GeoffreyHinton因對AI（特別是機器學習)的貢獻?獲得了諾?爾獎。他們應?統計物理學原理開發了基礎神經?絡模型，包括Hopfield?絡和Boltzmann機器。他們的?作奠定了現代機器學習的基礎，使AI系統能夠從復雜數據中學習在這個對科學和研究具有重要意義的時刻，?們可能會想定義的職業如何適應??智能的崛起？AI在“興奮！”時刻和定義研發和創新的諸多任務中扮演著什么??？組織在問題定義、數據可?性、安全性、系統可解釋性和成本等領域?臨著什么具體挑戰？如何最/作為?個引??勝的提?，這是?則有趣的報告標題的字謎:強化劑”寶藏:好的！”字謎的變化?式神秘莫測，但這個變化似乎特別貼BlueBlueShift/REPORT0071THEPOTENTIALOFAIINR&D&IBlueBlueShift/REPORT007AI在研發和創新過程中通過多種??增強研究?員的能?，在解決棘?問題和做出決策??發揮作?。沒有通?模式；AI在研發和創新過程中通過多種??增強研究?員的能?，在解決棘?問題和做出決策??發揮作?。沒有通?模式；系統中最常?的AI模型被嵌?在?個最新知識結合起來。”約翰·奧?爾(JohanAubert)，?席技術&數字官，歐萊雅(L’Oréal)FlorentBrissaud，研發項?經理研發與創新的每?個構建塊都有其益處和?例，包括技術和戰略、構思、組合和項?管理，以及知識產權管理。當我們處時，出現了三個關鍵因素:與創新團隊，?論是現在還是將來。?前，在我們?泛調查何?例中，??智能都沒有完全?主運?。相反，它擴充了們節省時間，使他們更有?產?和創造?，通常的任務。特別是?GenAI以來，研究?員已經能夠?動執?重復性任務，?如起草電?郵件或?件和綜合多篇論?的內容。例如，在?品公司羅克展到操作扳機的??智能，并學會如何處理數 ?法解決的問題。例如，為了優化營養計劃，農業?業集團Avril開發了?個建了AlphaFold，?個??智能模型，可以研究數百萬種蛋?質組合，從?發現了新領域中的蛋?質。沒有??智能，這些以及許多其更復雜的??。這些??包括成為知識管理者、假設?成???智能幫助做出決策，根據來?各?的弱信BlueBlueShift/REPORT007ErezRaanan，Mathlabs?席執?官基于??智能的模型?持?例ADL的創新卓越模型是組織內創新管理的?個經過驗證的框架(?圖1)BlueShift/RBlueShift/REPORT007技術情報?動化技術趨勢與弱技術情報?動化技術趨勢與弱信號監測市場情報?動化市場分析與競爭情報監管事務與合規監測創新戰略制定創新戰略制定情景規劃與戰略制定創新引擎創新引擎創意生成與管理構思和概念開發投資組合管理資源分配和項?管理投資組合管理資源分配和項?管理部署（市場推出,制造）規模?動化質量控制和缺陷檢測研發和創新項目研發和創新項目?配??材料設計和?程?產品設計和原型制作?實驗設計和?動化?安全和環境影響評估支持流程知識產權管理知識產權管理?檔管理與合規性生態系統管理生態系統管理協助申請補助?和資?知識管理知識管理知識管理與轉讓軟件開發與研發?具測試來源：亞瑟·D·利特SpecificSpecificProblemOpen強化學習語義經典科學方法GenAI傳統人工智能模式深度學習與視覺模型傳統人工智能利特數據許多來源：阿瑟·杜利特（ArthurD.Little），伊夫·卡索（YvesCaseau），法國國家技術學院（NATF）“數?年來我們?直在超級計算機上運???-深度學習和視覺模型——需要?量標記數據的模式識別和視覺任務（例如，卷積神經?絡）識別和視覺任務需要?量標記數據(例如識別和視覺任務需要?量標記數據(例如），讓?類操作員或?程師做出最終決策。”VincentChampain，?級執?副總裁數字績效與IT，Framatome更具體更開放更具體更開放通常與?類反饋?起（來??類反饋的LLM+RL[RLHF]）問題，選擇最佳?法。然?，??智能并?總是答案?傳統科學技術，包括傳統的回歸?法，在某些問題上可能表現更好。研發創新的核?任務沒有統?模型；特定的模型和系統為特BlueBlueShift/REPORT007輸入數輸入數據類型任務類型序列數據（例如語?、時間序列數據）具有空間局部性的?序列數據（例如圖像、??結構化數據（不是序列或?格）（例如分?、社交?離散狀態和動作（例如游戲動作）連續狀態和動作（例如機器?移動）因果關聯數據（例如治療效果、事故分類/檢測循環神經?絡（RNN），Transformer（例如BERT）卷積神經網絡（CNN）(例如AlexNetK最近鄰（KNN），隨機森林（例如GraphSAGE）NANANA預測RNN，包括?期/短期記憶算法（例如神經??學）（例如，專注FP）模擬（包括數字孿生）+任何相關的ML預測方法，貝葉斯網絡，因果森林控制指揮與控制算法指揮與控制指揮與控制?模型RL（MFRL）（例如，AlpMFRL（例如，Q-learning），基于模型的RL（例如，DemNA生成），擴散（例如，穩定擴散），VAE+GAN（GSimulation+蒙特卡洛樹搜SimulationNA來源：ArthurD.Little，YvesCaseauBlueBlueShift/REPORT007?多數最先進智能系統均為系統的系統。這或為特定任務設計的算法，通過結合提供了更強?多數LLM聊天機器?，?如ChatGPT，使?了與?類反饋（RLHF）相結合的變換器架構。圖像?成模型DALL-E2將?回歸變換器和擴散算法結合在?起。由于語?流利，LLMs通常可以在與其他系統交互或控制其他系統??發揮協調作?。機器?技術案例通常需要系統的器?。計算機視覺算法可以處理機器?攝像頭收集的視覺數據擎可以指導認知控制器的決策，?認知控制器?可以受到RL算法的影響，后決策決策帶策略的RL反饋反饋環境和過程數據外部知識執?器信息檢索環境和過程數據外部知識執?器?動學習機制數據預處理學習機制數據收集歷史數據基于規則的引基于規則的引擎來源：ArthurD.Little；Oliff,Harley等?。“整合?因知識框架，促進智能制造中的?機界?與協作。”ProcediaCIRP，Vol.72，2018.來源：ArthurD.Little；Oliff,Harley等?。“整合?因知識框架，促進智能制造中的?機界?與協作。”ProcediaCIRP，Vol.72，2018.BlueShift/RBlueShift/REPORT0072BlueBlueShift/REPORT007確保在AI研發和創新實施中取得成功需要靈活的衷、稀缺數據科學?才管理、IT對?、快速效益有要好。”DenisGardin,創新總監,MBDATHEMESUNDERPINNINGAI專案范圍從?周到數年不等.我們將這些采訪內容總結為?項良好實踐（敏捷?法、略優先級、分析折衷、稀缺數據科學?才管理、IT對?、快速效益演?和持續監控）涵蓋四?類別（數據和項?管理、戰略實施、組織BlueBlueShift/REPORT007構建團隊與IT，數據科學和領域專業知識形成跨職能核?團隊初始數據集階段?作空間中共增量開發以保持模型改進的靈活性定義增量?標設計模型根據數據集開發/建模/微調調整上線后，收集模型輸出和預期價值，以便進?部署后調整審查和調整：決定模型修改、數據集調整和外部驗證對增量進?回顧并決定要在下?個增量上實施的操作選擇選擇合適的?具，并在“零增量”中創建驗證審核改進培訓使?單獨的驗證數據集驗證模型選擇定義設計在核?團隊外培訓業務??來源：ArthurD.Little強?的、結構化的數據管理能?是實現??智能帶來的利益些需要涵蓋數據質量、協作式數據管理，并成功利?專有數據:但新興技術提供了使?更?數據集實現重?成果的新可能性。例如，Alysophil、Gourmey和Integ結構化的數據，精確預測新化合物的性質。每次運?后練，使?新產?的輸出，并調整實驗參數以產?新數（例如LLMs）可以處理未標記的數據，潛在地從歷史數據集中釋放價值。AI實施需要跨組織協作、數據可訪問性和有效的治理。Vevril突出了打破團隊內外數據孤島的重要性。例如，在Avril，對歷史數據的初步清洗突顯了標準化數據收集的必要性。基于此，研發部?已實施縫地流動。”為公司提供了重要的競爭優勢，因為通過使?專有更相關于團隊需求的輸出。例如，通過使???的數據BlueShift/REPORT007CarlosEscapa，數據BlueShift/REPORT007BlueBlueShift/REPORT007這個問題有現成的適合解決?案嗎是的不是數據機密性/主權是?個問題嗎預訓練模型可數據機密性/主權是?個問題嗎您是否具備技能/資源是的1是的1購買?購買?即?型，可快速???友好的?專為提??產率?優化??定制化?SaaS模式:重復成本可能變得很重要制作從零開始為特定問題可更新，靈活?價格實惠且快速?CONSPROS?可以訪問開源社區的創CONSPROS???需專業技能?模型（特別是對于LLM?有限定制化??不適?于?多數新?穎或特定問題備注:(1)即使如此，當存在顯著的分析或效率來源:ArthurD.Little?多數核?研發創新問題適合優化現有的開源模型，?論是LLMs（例如，Diffusion），還是RL（例如，TensorFlow）。研究?態系統特別適合優在?些?常特定的?例中，從頭開始開發的內部模型可能勝過精細調整的公共模型。?例包括尋求將科學知識嵌?模型，?體上對計算要求不那么苛刻的實驗性架構（例如，循環），然?，純“?產?”??智能?例最好從專?的研發與對于LLMs，提?功能可以以?常低的成本提供令?滿意的定制化，?需檢索增強?成（RAG）技術還能實現定制化，定制?個LLM到組織的知識考慮分析折衷以確保在POC期間取得進展。組織在AI項?期間?臨?系列約束，因此應考慮在三個領域進?分析折衷以推動項?前進:應考慮數據挖掘的折衷，使項?前進。組織必須在?成/獲取更多數據和采取其他?法之間做出選擇。他們可以使?GenAI?法創建合成數據或數據增強來輕微調整其初始數據集，盡管這可能會增加訓練集的偏差/錯誤。最佳做法包括遷移學習，通過使?先前訓練模型的主??絡輸出作為新模型后續階段的特征來克服數據不?，或者采?Box-Behnken等技術來優化數據收集。法包括為每種錯誤類型分配特定成本，以了解要優,對于某些任務類型（開放與封閉），根據所涉及的利益（例如，?產線監控與頭腦?暴?些不平衡可能是有價值的，因2精確度與召回率。您的模型輸出是否更傾向于假陰性還是?勵假陽性？推薦的最佳做法包括為每種錯誤類型分配特定成本，哪種度量標準。另外，在某些任務類型中（開放），涉及的?險（如?產線監控與頭腦?暴），?些不平,因為它可能會產?全新的想法。幻覺出現。在RAG的情況下，主要原因是數致。”CarlosEscapa，數據??智能/機器學習3.?擬合與過擬合。在這?的選擇是減少訓練數據損失，這可能會增加測試數據損失，意味著模型?法泛化或創造性，或者減少測試數據損失，這可能會增加訓練數據損失，導致模型不準確。正則化技術（例如L1、L2、Dropout和EarlyStopping）通過對過度模型復雜性進?懲罰，確保它們更好地泛化到新數據，通過減少?系數的幅度來降低過擬合，?不?定減少變量的數量。正則化技術（例如L1、L2、Dropout和EarlySt的模型復雜性來減少過擬合，確保它們通過降低BlueBlueShift/REPORT007主動利?現有的數據科學?才，??智能?才有效分配資源，必要時填補資源缺?是研發與創新組織BlueBlueShift/REPORT007缺點-循環成本-可能有限定制化-沒有真正的知識獲取來?內部資源-培訓需要時間-受雇員?缺點-循環成本-可能有限定制化-沒有真正的知識獲取來?內部資源-培訓需要時間-受雇員?流失-數據科學專家仍然需要-難以推?在?規模下-?個數據科學項?仍需要?個資源-反饋可能有限-可能不夠“按原樣”來滿??常具體的需求-創造?受限-溝通與研究?員和數據科學家之間的合作可能具有挑戰性優點+快速測試新想法+才華?即可?+便于及時使?+?具?常相關+替換的恐懼是有限的+最少的培訓可以幫助專家建??個簡單的模型+實現有益于每個?的指導?法+數據科學家和數據使?效率最?之?+避免重復+您可以共享真實的數據科學專業知識+數據科學家獲得主題知識+項?執?能?得到提升資源需求較少需要更多模型外部化培訓配對服務中心嵌入尋求數據科學提供者的?持，使?其預構建和/或預訓練模型，并訪問其訓練數據集?ADL?持?家?型制藥公司使?AI模型更有效地招募患者將所有需求集中在一個獨特的服務中心?雀巢在瑞?設有?個團隊，為整個公司開發模型，使得能夠在每個流程中實施??智能在每個研發團隊中實施數據科學家群組?Solvay、L'Oréal創建了混合團隊，在?度特定的研發領域發揮領域專業知識和數據科學技能的作?培訓學科專家進行數據科學?2022年，AirLiquide推出了其內部的??智能準備計劃，?標是到2025年培訓300名員?進?數據科學/??智能操作，另外還有研發、數字化和IT??的?員將數據科學家和專家配對?MaiaSpace將年輕研究?員與經驗豐富的?配對，將能量和想法與經驗相結合描述來源：亞瑟·迪·利特研究?員已上?，但IT部?不愿合作。”究?員在?持的情況下，但IT不愿意合作。”卡洛斯·?丁，董事總經理MACAMI集團IT部??臨引?新AI?具時的四個常?1系統維護和集成挑戰。IT部?可能?臨將AI解決?案與現有系統集成的困難，這可能會減緩部署進度。特別是，與未來架構進?徹底規劃所帶來的可擴展性問題通常導致不夠靈活的實施。與現有系統存在挑戰，這可能會減緩部署。特別是2符合內部政策。對合規和?絡安全的嚴格內部政策可能會對??智能采?造成阻?，特別是在IT必須確保遵守這些內部法規時。這可能會導致3法律和數據保護法規。IT部?負責確保遵守法律標準，如歐盟的《?般IT部?經常收到??智能供應商的邀約。雖然承諾的好處可能很吸引?,但服務條款常常過于限制性，需要在采???智能?具之前進?審慎4部署過程的監督。研發中需要快速試驗的需求、IT需要監督部署以及所有這些都需要與IT密切協調，理解不同需BlueBlueShift/REPORT007杰羅姆·克?斯坦，?程技術副總裁,空?液化集團持可靠和持續的性能。”所有的??智能項?都?臨挑戰和瓶頸，包括員?的恐懼驗證項?停滯不前。?個透明、以?為本的?法，將解決持續維護和監控系統性能實驗性??智能,如果不持續監督，可能會導致不準確的結果。專注于性能監控和模型改時間。建?基準指標并根據初始模型驗證設置性能閾值，包括準確度，精度，召回率和F1分數。然后，監控輸?特征。輸?數據中的不?致性或錯誤可能源?數據管道的更的修改或數據損壞。與訓練數據相?，輸?數據的U組織報?姐擁有玾。他們需搜通過使活斷細的我家空viBlueShift/REPORTBlueShift/REPORT007根據我們的訪談和進?步研究，我們收集了六個在企利用利用AI為跨職能研究項目形成最佳跨學科團隊問題研究機構難以為跨學科研究項?指定合適的審稿?，尋找正確組合耗時較?。他們必須考慮專業知識、位置、可?性、親和?和使?率。在為跨學科研究項?中的專家創建跨學科研究團隊時，也會遇到同樣的問題。技術設計初始引擎：常規卷積神經?絡（CNN），然后升級為深度學習模型；專家研究領域關系的知識圖專家簡介，歷史提案-評審匹配，研究提案內容?重分析師，?程師，科學家實施順序?先，構建了?個龐?的評審?員簡介數據庫，然后提取了將專家與研究領域相連接的知識圖，同時使?歷史??匹配訓練AI模該模型最初使?基于CNN的引擎部署，最近已更新為深度學習引擎最佳實踐采?綜合?法，結合專家簡介和提案分析；利?成功的歷史數據進???匹配；從?個??專注的團隊開始（兩?,兩年內占25%的時間）；持續改進模型（如從CNN升級到深度學習）。好處通過改進審閱?員的分配，提?效率和相關性，同時促進跨學科團隊的快速建?。使用的數據AI角色通過用貝葉斯網絡訓練模型來捕捉專家知識通過用貝葉斯網絡訓練模型來捕捉專家知識問題?葉斯?絡，以LLMs作為第?層通過專家訪談、內部數據來完成模型圖書管理員當統計?法不?以滿?要求時，?葉斯?絡是?個選擇。在這種情況下，采?現成模型，并通過?系列專家訪談由AI供應商進?微調。將來?不同領域的專家組合以獲得最佳結果；不要低估??因素，因為專家可能對這種做法持負?態度，并擔?被替代——?是將其呈現為?項集體努?。好處員?離職時保留專業知識有助于實現真正的創新，因為AI并不局限于現有數據。技術設計使用的數據AI角色實施順序該化妝品公司缺乏?夠數據來訓練可靠的??智能模型，?旦專家離開公司則?臨知識流失。最佳實踐BlueBlueShift/REPORT007在產品開發的每個步驟中整合人工智能，縮短上市時在產品開發的每個步驟中整合人工智能，縮短上市時間并降低工業失效率在競爭激烈的市場中，這家?品公司需要改變產品開發，縮短上市時間，并增加端到端效率，?直到制造環節。技術設計內部開發的模型，總部集中管理，涵蓋整個流程：??智能提升?常任務和知識管理。趨勢識別：??智能掃描成熟市場，找到成功產品的關鍵特征。配?預測：輸?所需?味，??智能提供快速解決?案，或者如果新法規要求更換成分，??智能找到最佳候選者。實驗設計：??智能制定符合法規的測試?案。制造故障排除：通過制造線的數字孿?體，??智能識別導致潛在制造問題的產品或機器問題內部研究，客?習慣，產品和機器特性分析師，?程師，科學家實施順序?先在總部開發模型，并提供收集的跨所有流程數據。變?管理團隊推動??智能接受，解釋好處，啟動采納，并進?每季度?下?上的反饋會議。建?理解物理與??智能功能應結合在?起的熟練團隊，進?定期對模型的檢查以監測輸出質量。好處減少30%的上市時間，降低40%的?業失敗率人工智能角色使用的數據最佳實踐問題更好地了解客戶，快速樹立品牌，在獲得意外的客戶更好地了解客戶，快速樹立品牌，在獲得意外的客戶見解方面取得成功這家零售?業參與者需要能夠快速開發產品，需要更快速更深?的市場研究能?，以更好地了解不斷變化的客?需求。機器學習模型，?于訪問平臺的接?或API，針對技術團隊。雖然有現成的解決?案，但模型是內部開發的。客?數據，購物籃內容和偏好（調查，在線評論等）分析師實施順序?先，公司收集并清理內部數據，包括從所有部?收集的信息，并購買專有數據以補充此數據。然后，模型在這個專有數據庫上訓練，并定期重新訓練以跟上最新趨勢。現在使?AI來識別客?購物籃中的模式，識別暢銷商品、趨勢以及更復雜的聯系（例如?起購買的產品組合和季節性）。最佳實踐盡早?成結構良好的數據，或快速清理歷史數據，以確保模型針對您的客?和品牌定制，與競爭對?區分開來。保留之前?動執?此??的員?；他們將?僅有數據科學家更好地訓練模型，并能夠解釋輸出結果。優勢成功產品推出的概率提?數據使用技術設計AI角色問題BlueBlueShift/REPORT007每次添加結果后進行實驗并重新訓練模型每次添加結果后進行實驗并重新訓練模型問題達到所需的化學性質需要進?探索性實驗，并根據每種元素的?例映射配?屬性。研究?員可以估計最有前途的?例，但仍需要做成千上萬次實驗來確認。這家化??業初創公司希望減少實驗次數，以提?速度和效率。內部?葉斯優化和?斯過程模型，基于調整過的開源算法，通過現有接?和API可?溶劑組合和?例，粘度測量?程師實現順序AI可以根據所選?例幫助設計實驗，測試并調整這些實驗以適應?次結果，并預測所有可能的實驗組合的屬性。該過程始于設置實驗，包括使?機械臂?動化進程。隨后進?了?百次實驗，遵循傳統的統計?法。這些數據被?來訓練模型并輸出第?批實驗設計。公司隨后進?了進?步的實驗，并根據每次產?的新結果重新訓練模型。即使找到最終的“完美”組合，也讓模型嘗試分岔以潛在地發現意想不到的結果。最佳做法在開始時有不完整數據時，請專家引導模型進?補償；充分將專家納?過程中，??替代他們；不要將模型泛化，因為它是特定于問題的利益通過進?10次實驗來確認期望的性能，?不是多達100次。使用的數據技術設計AI角色促進技術轉移，從研究機構到公司促進技術轉移，從研究機構到公司問題學術激勵主要關注出版，導致商業或產業影響被忽視，尤其是因為研究?員常常缺乏商業化意識或培訓。鑒于技術轉移辦公室??不?且范圍有限，許多創新在尋找上市途徑時遇到困難。該?學希望通過使???智能來增強技術轉移過程的每?步，同時將項?與商業需求相匹配，以提?成功率和效率。技術設計為技術轉移特定任務定制的封閉式??智能系統（例如協議?成和審查），符合HIPAA標準的?于處理機密知識產權信息的系統，以及?于將創新與商業需求匹配的LLM研究報告和出版物，公司興趣和重點領域分析師，?程師，科學家實施順序?學?先開發了?個基于??智能的信息提取系統，?于研究報告，同時創建了?份關于公司興趣和重點領域的數據庫，利?然后建?了?個技術轉移的開放模型沙盒，并實施了封閉的??智能系統，?于處理技術轉移特定任務。最后，與科學家和公司進?步探索了??智能驅動的創新的合作伙伴關系。最佳實踐使?私有的現成解決?案的AI實例，以確保數據的保密性和安全性；進?顯著的前期時間投?來培訓員?；?勵能夠倡導AI采納并指導他?培養創新?化的倡導者；強調??對AI?成的輸出質量的責任，以維持質量并防?將AI視為錯誤或糟糕決策的替罪?。益處某些技術轉移?作流任務效率提?了95%人工智能角色使用的數據BlueBlueShift/REPORT007作者安妮·布?羅過了?部分職業?涯，?前為?家公共和私?科技公司以及規模較?的初創公司提供建議。布?羅??），?事，之后?擔任Morpho公司（數字安全和?份解決?案）的?席執?官。她是巴黎?等BlueShift/REPORTBlueShift/REPORT007法國的抱負》中指出，??智能是?場?法避免的技術?命，影響著所有領域。研發和創新也不實際上，??智能和研發創新是內在聯系的，不僅共存?且相輔相點：授予DemisHassabis和JohnJumper的化學諾?爾獎展?了如今??智能如何推動,從?在?物學領域取得了重?進展。同樣，授予JohnHopfield和GeoffreyHinton的物理學諾?爾獎是因為他們在統計物理學??的?作奠定了神經?絡的基礎，這些?絡如今驅動數據獲取與計算能?:Hassabis和Jumper的成就得益于已經收集到的豐富蛋?質數據集。但是，在其他領域，數據仍然是。必須確保公共部?和私營企業能夠獲得處理這些?規模數據集的重要的是這些基礎設施能夠公平提供。在技術挑戰之外，關于數據治理的國際合作歐洲，特別是法國，擁有?個豐富的??智能?才?態系統，像巴拉、YannLeCun（Meta）和ArthurMensch（MistralAI）這樣的知名?物。盡管這些專家中有些?已經出國發展事業，但許多?已經返然?，要留住他們，我們必須在公共和私營部?提供有吸引?的?作條件，特別是展階段的投資能?。《我們的??智能：我們對法國這項投資不僅應該側重于基礎設施，還應該通過持續培訓和提升研發團隊的能?來外，諸如對超級計算機使?的稅收抵免等財政激勵措施可能在普及這些先進技術的總??之，我想引?物理學家瑪麗·居?的?句話：“?活中沒有什么可怕的，只要去理解。”這提醒我們，雖然??智能帶來新的?險，但也提供了巨?的機遇，可以構建?個更具創3TOOLS&BlueBlueShift/REPORT007AI在研發和創新價值鏈中?度依賴主要BlueBlueShift/REPORT0071基礎設施。計算由超級計算機、GP2模型開發者。主要通過開源模型，由主要參與者（如Meta（Llama）、Microsoft（Phi）和Nvidia（NVLM，TensorFlow，StyleGAN)等）開發和訓練，還有較?的參與者和學術機構。模型開發人員基礎設施應用模型開發人員基礎設施數據處理與管理訓練數據檢索數據訓練數據基礎模型AI基礎模型AI模型開發者:設計架構，訓練，微調，優化性能超級計算器用的服務軟件解決?案開發?員利?超級計算器用的服務云計算提?動化功能（現成或定制云計算提供商)供商UsersGPU提供商Users開發工具協作平臺超出本研究范圍代碼流數據流來源:ArthurD.Little創新戰略制定創新戰略制定創新引擎市場情報entropikReu市場情報entropikReuzelue創意生成與管理投資組合管理研發與創新項目技術情報wozokuentropik支持流程支持流程知識產權管理生態系統管理生態系統管理知識管理注意:進?的研究旨在尋找基于??智能的解決?案提供者：500家供應商被篩選到90家，這些供應商與框架進?了映射—通過訪談進?了豐富，形成了?個包含130家相關提供者的?列表；?些解決?案可以管理多個創新功能來源:ArthurD.Little，YvesCaseau，法國國家技術科學院(NATF)BlueShift/REPORTBlueShift/REPORT007的優秀產品。雖然不是詳盡?遺的，但它提供了當臺4Sakana.ai-使?基礎模型和LLMs進?全?動科學發現的有前景6Alysophil-結合??智能和流動化學技術的解決?案，實現靈活7LandingAI-?于短時間市場快速投產?業?產線的計算機視覺云平臺BlueShift/REPORT007BlueShift/REPORT0074CHAPTERNAVIGATINGBlueBlueShift/REPORT007AI在研發和創新中的發展取決于三個主要因這些因素導致了六種可能的未來場景，介于AI在?端轉變研發和創新的各個?AI的可承受性對研發和塑造研發創新未來的成果未來將推動??智能在研發創新中的采?和效益的三個因素:2信任。團隊是否會信任??智能模型和結果？對??智能的信任是?個但信任可能會受到不切實際的期望、公眾態度或擔?。3可負擔性。??智能系統在財務、環境和運營??的可負擔性會是多少???智能的可負擔性對于研發創新?關重要，因為預算較?，使?案例不太具規模化。雖然??智能模型的實施可能會變得更加經濟實惠(在時間、?錢、技能和資源??但它可能受到數據1多模態模型的成熟度。多模態模型能夠處理），各種媒體輸?中學習以獲得單?輸出（通常是?本）.最近發布的多模態基礎模型（GPT-4、GeminiUltra、Claude3.5、Llama3.2）展?了它們在管理圖像和?本以及某些情況下?頻（OpenAIWhisper）??的多功能性.多個研發和創新應?已經部署，包括?命科學領域（從多種?檔類型進?患者診斷預測）和消費品領域（多模態情感分)2,使其特別適?于分析社交?絡和分?結構。GNN的?級應?正在不同的研究領域中不斷增?。例如，它們已經被?于環境報（例如，?歌的GraphCast）、化學領域研究分?或化合物的圖結構（例如，?歌DeepMind的AlphaFold），以及材料科學?于探索新材BlueBlueShift/REPORT007BlueBlueShift/REPORT007RL適?于對新想 3混合模型的出現。混合模型將概率架構與符號架構（例如，?階邏輯或物理定律）相結合。根據系統和實施?式，的品質。Meta基于YannaLeCun的混合JEPA框架實現的圖像識別模型I先進的性能。預計混合模型在需要“感官4通過RL進?進?步的科學探索。強化學習是?種機器學習類型，其中代動，環境向代理提供正?或負?獎勵，代理學會最?化應地更新其未來?動的策略。RL模型已成功應?于物理學中的藥物發現中的醫學，數學中的定理證明以及?于發現?RL適?于對新想法的開放探索，這種能?特別適?于更基本的研發問題泛使?，包括?動駕駛汽?，并可能使實驗室中的。然?，RL在計算上?常耗費資源，并且?于RL的托管服務?態系統尚未像?于LLMs?樣通?化。5代理?作流的進展。代理系統是由AI驅動的框架，旨在以類似于?類這些系統的特點是能夠感知其環境，做出決策，采取?動，學習和適應。更?級別的?作流包括不同類型的AI代理（例如，反思性，使??具，規劃或協作）協同?作，共享?標，并做出集體決策以更有效地解決任務。?），接下來是MetaGPT，CrewAI和LangChain的LangGraph。多代理系統的?個流?的開源?例是ChatDevAI，其中?組AI代理?起?作來構建軟件程序。Sakana.ai的AIScientist是?個專為研究量?定制的構思稿件撰寫構思稿件撰寫實驗模板LLM想法/計劃創新實驗模板通過LLM和助?進??本Δ新穎性?票sem.學者更新計劃通過LLM新穎性?票sem.學者更新計劃想法評分/存檔實驗執?腳本數值數據/圖形LLM想法評分/存檔實驗執?腳本數值數據/圖形 反饋循環221從初始代碼“模板2根據設想和模板，執行提出的實驗探討?個已有4審查一個持續反饋探討?個已有4主要結果?初始運行生成各種主題或“領悟”關?作，背景，?法，實驗設置,結果，結論和參考?獻?人工智能科學家有時會嘗試通過修改和執行自己的腳本來增加成功的可能性?例如，如果實驗花費太長時間完成，它會修改自己的代碼以延長超時時間BlueShift/RBlueShift/REPORT007出處：ArthurD.LittleSakana,沒有提供預測的解釋或原因，并且不容易審計，這損害了??的信2AI被研發團隊所接受。研究?員和開發?員對AI使?的接受程度受到各種動機和因素的驅使，從對AI性能的認知到對數據使?和偏?的倫理關切，以及?類對被取代的恐懼。根據我們的調查對象BlueShift/REPORT0073公眾對??智能的接受程度。公眾對??智能的接受程度各不相同，速度相抵觸，鑒于該技術的?能耗。?些關于??智,公眾對??智能持“謹慎”態度，有54%的?認為??智能的好處勝過以下?群中要?得多，?在?收?國家、以及X世代和嬰?潮?代中要低得多。公眾對??智能的接受程度對于公共研究機構?常眾對轉基因?品的擔憂對該領域的研究造成了?定影響，BlueShift/REPORT0071?語?模型（SLMs）的普及。SLMs是在?LLMs更?、更具體、通常質量更?的數據集上訓練的機器學習算法。它們的stral7B、Llama7B和Phi家族，在?般語?基準測試中可以與?常?的），成熟實驗性成熟級別成熟級別行為屬性的基于概念的機械的從輸?到輸出揭?精確的從輸?到輸出揭?精確的因果機制表征?SAEs是?種?監督技術，?于將神經?絡的激活分解為可解釋的組件之和示例：SHapleyAdditiveexPlanations(?SAEs是?種?監督技術，?于將神經?絡的激活分解為可解釋的組件之和?SHAP值是?種?于解釋模型輸出的?法，通過將每個特征的貢獻歸因給最終預測?例如，GTRgaz在與基于??智能的維護分析活動相關的結果解釋中使?Shapley值來源：ArthurD.Little，Bereska＆Gavves，2024BlueShift/RBlueShift/REPORT007智能?機、傳感器或物聯?（IoT）設備。這使得可以?即進?數據處理案。在?艘帆船??機上對?型數據集的分3.推?開源托管和優化服務。圍繞開源模型正在發展出?套動態的提供者?態系統。PyTorch，TensorFlow等編碼?具以及HuggingFace等協作平臺提供分散的開源庫，包括各種模型微調模式（例如圖13中解釋的LoRA）。托管提供商在云中提供模型推斷（作為?種推斷使各托管提供商在云中提供模型推理（推理作為?種服務世界各地的政府和機構規劃和通過法律和法規，以2023年12月年4月2023年12月年4月3月2023年2月2023年3月2023年2月2023年3月年4月來源：亞瑟·迪特爾BlueBlueShift/REPORT007 W權重.??原始?程為output=W0x+b0，其中x是輸?，W0和b0是原始密集層（凍結）的權重矩陣和偏置項?LoRA?程為output=W0x+b0+BAx，其中A和B是秩分解矩陣來源:ArthurD.Little,TheHuggingFace治理指南?于實施治理指南?于實施AI原則（經濟產業省）各國通過的與人工智能相關法案數量（2016-0截?2023年，已有32個國家頒布了?少?項與??智能相關的法案沒有可?數據具有法律約束?的法規AI?險管理框架(NIST)(7?24?)AI監管（待審查）??智能法案加拿大??智能和數據法案(第?審議)英國作為靈活框架的??智能監管??書(2?24?)加利福尼亞加利福尼亞參議院議案1047加利福尼亞加利福尼亞參議院議案1047負責任的??智能（NITIAayog負責任的??智能（NITIAayog臨時AI措施是有關GenAI的第?項?政法規（2021METI=經濟、貿易和?業省;NIST=國家標準與技術研究所;NITI來源:ArthurD.Little最近在歐洲和美國通過了兩項重要法律。?些?認,旨在對基礎模型開發者施加嚴格的保障措施。批評者指出，這可能導致開發周期延?、模型性能下降，以及對使?案例的限BlueBlueShift/REPORT007另外，?些公共數據可能由于對公平使?的擔憂?,正如《紐約時報訴OpenAI訴訟》所?。具有悠久數據?成歷史的組織可以利?其來訓練從維護的研發與創新??智能模型。發展數據?化，?勵系記、存儲和管理數據，對于實現研發與創新中的??智能值以及在雄?勃勃的數據項?中需要外包?持的興趣?益究機構可能發?范式轉變，因為它們將承擔新的??，即保其??的計算能?，并減少對Nvidia和MicrosoftAzure的依賴。此外,?前集中在OpenAI、Anthropic、Google和Meta的LLM（?型語?模型）的寡頭壟斷可能會因這些公司業務模式的相對成功市場的未來配置對??將具有重要意義，如模型選擇較少格上漲。?前尚不清楚開源模型的開發和訓練（這是?項Meta、Nvidia和Google以及更?程度上的?玩家如Mist8?才持續短缺。對于具有??智能技能的個?的競爭?益激烈，各個領的引?，“缺乏內部技能”是實施??智能最重要的題的規模。這些擔憂將在某種程度上得到緩解，但不LCNC解決?案的發展可?于微調和多種ML運營的外包服BlueBlueShift/REPORT007種場景。每個場景描繪了AI在研發和創新中的不同未來，從?個每個?都從AI中受益的完全成熟的市場（Blockbuster）到?六種場景為未來中的AI在研發和創新中S賣座??：S賣座??：AI成為研發周期中的焦點，重塑組織。通過AI改變組織的?式，數據成為新的前沿。R√S明珠：AI帶來?產?和科學突破，但只有那些負擔得起的組織才能享受—導致研發和創SR√S明珠：AI帶來?產?和科學突破，但只有那些負擔得起的組織才能享受—導致研發和創S博眼球：AI?便、價格實惠，?于?常?作，但在提供科學/創造價值??表現不佳。六種情景未來的六種情景AI在研發與創新中的未來研發與創新組織依然擔憂數據安全、倫理道德和缺乏可解釋性難關：盡管有?些標志性的使?案例和經濟實惠的解決?案，研發與創新組織依然擔憂數據安全、倫理道德和缺乏可解釋性難關：盡管有?些標志性的使?案例和經濟實惠的解決?案，AI未能展?其價值最佳秘密：AI性能提?，但?成本使組織更加?險規避。低信任和繁?縟節限制了采?。很少有新的?膽實驗被啟動S最佳保密:AI績效提升，但?成本使組織更加?險規避。低信任和繁?縟節限制了采?。很少有新的?膽實口口廉價與粗鄙：AI?泛應?于低?險使?案例，但僅作廉價與粗鄙：AI?泛應?于低?險使?案例，但僅作為原型設計或頭腦?暴?具。不可信的系統嚴格審核,產出經過驗證，降低了?產效率的增益BlueShift/REPORT007BlueShift/REPORT007BlueBlueShift/REPORT007 場景1:場景1:Blockbuster基礎模型通過投資和競爭得到改進，推動各種架構下的?在硬件??，?效的GPU和邊緣??智能使?泛的本地和設備端模型部署成為可能。增加的透明度和可解釋性提升了?們對??規劃，同時智能??和機器?使實驗室實現全?動化。??智者和創新者執?概念設計來輔助創造?。所有這些導致多個領該?業看到?規模倡議，旨在滿?對訓練數據的不護和傳播數據庫，調整科學交流?法以從??智能中獲的數據?程?才減輕了機器學習運營的壓?，同時組織獲勝者可以通過各種?式訪問豐富且結構良好的數據護法可能會阻礙某些領域的進展。那些處理AI友好問題的研發部?獲益最 . BlueBlueShift/REPORT007AI?便、價格實惠，被?于?常?產任務隨著LLMs的擴展規律達到極限，AI然?，將低價值功能?業化到具有降低推理。這意味著研發和創新團隊使?AI?產?具，獲得適度研究?員將AI?于?關鍵任務，作為低質量的“理智檢查”。與此同時，AI在?常運營中增強資源管理和客?服務系統，盡管對AI的不必要?度信任有時會導致昂貴的錯誤。總體??，成熟的AI使?案例變得普遍組織依賴商品化的AI解決?案處理采購和?政任務，AI的部署由IT、數流?的?例，限制了新數據投資。研發和創新在將AI納?科學戰數據科學能?有限的組織并不處于顯著的競爭劣勢，因為然?，由于規模較?，復雜的組織從??智能驅動的報告中獲益最?，?較?的組織則從??智能中體驗到更微妙跨體系結構的??智能突破提?了魯棒性和效率，特別是在RLHF和機器?技術??。解釋性的進展提升了研究?員合導致價格上漲，開源市場整合為僅剩兩家主要參與者研究?員按成本設計，有選擇地將??智能應?于復雜問BlueBlueShift/REPORT007資源充裥的組織投資于本地計算能?，?公私合?產率增?，?在技能??，組織?勵研究?差距。利???智能獲得運營優勢的組織在計算和?才??級計算機的訪問對某些研發和創新團隊成為重要優勢。在友,中低級別團隊的相對影響?有所下降。 盡管有?些標志性的應?案例和經濟實惠的解決?基礎模型通過持續投資和各種架構的競爭?得到改進，??效的GPU和邊BlueShift/REPORT007然?，?調的??智能事故破壞了信任，阻礙了??智能的采?。在解釋性研究中缺乏進展也破壞了信任，持續批研究?員利???智能進?低?險任務和內記錄的選擇性探索案例中發揮作?，例如蛋?質折疊庫，并適應新的數據需求。然?，對驗證和監督的持續需能夠平衡??智能帶來的好處并管理潛在?險的組織夠處理友好于??智能的問題并擅?擴?概念驗證BlueBlueShift/REPORT007AI促成各個領域的重 基礎模型通過投資和競爭得到改進，推動各種架構的???效GPU和邊緣??智能促進?泛的本地智能和機器?技術實現實驗室的完全?動化。?新數據?程?才的涌現減輕了機器學習運營的壓?，贏家可以通過各種來源訪問豐富、結構良好的數據，盡法律可能會在某些領域阻礙進展。致?于解決AI友好問題的研發與創新部AI被?泛?于低?險?例，但僅作為原型設計或頭腦?暴?具。不可靠企業AI采?通過激進的銷售策略和競爭性定價傳播，?效的GPU和開源開發使?泛的模型部署成為可能。然?，AI性能出現停滯，新架構沒有顯著突破，解釋性??的進展停滯不前，這?切導致了“AI寒冬”和降低的BlueShift/REPORT007研究?員將AI?于?關鍵任務，作為低質量的“理智檢查”，需要即時?程技能來彌補達成結果所需的多次交互。AI增強系因為AI使?仍然需要?泛的驗證，分析師??沒有發?變化，組織僅????獲得了有限的?產?增益，盡管RAG正在成為知識管趨勢。AI部署由IT、數字或運營部?推動，?不是由研發創新部?主導。?型組織最能從基于??智能的報告和資源織在采???智能后?乎沒有變化。那些對??智能持懷專注于其他能?，?這些質疑??智能的實體在???智通過場景描繪可能的未來，讓組織有備?患地做好準備，為戰略規劃提供框架，并根據其需求和能?進?戰略5ACTIONSBlueBlueShift/REPORT007,重塑數據和??智能治理?法，以及改在某些情況下，??智能已經能夠在制定、產品開發、智化學發現化學發現配方30%藥物發現中的時間節約借助??智能，我們可以在合成前預測分?的特性，從?讓我們集中精?放在最有前途的候選者上我們減少了實現?標特性所需的測試數量，從?節省時間總裁所需實驗減少??智能指導我們進?實驗，并告訴我們如何以最?效的?式填補數據空?。有了它，我們從10萬次實驗減少到只有??次人工智能內部負責人配方失敗率降低節省的強制性測試配方失敗率降低通過整合??智能，我們可以輸?特定的?標特性，使系統能夠預測最有效的測試和調整以完善配?...我們可以節省50-100萬歐元的規定相關測試費?高級研發執行官??智能在導航制定領域??發揮了關鍵作?，將測試的失敗率從25%降低到不到10%。我們能夠迅速對法規變化、競爭性推出和新發現做出反應高級研發負責人BlueBlueShift/REPORT007工業化產品開發科技智能30%30%提高生產效率縮短上市時間文獻綜述節省的時間總裁??智能優化尋找最佳效率和質量的'??批次'。通過這些最佳?產參數，我們的效率提?許多項?需要基準、最先進技術或不同解決?案和技術的搜索。這占研究?員時間的?達?作時間。我們通過??智能幫助高級研發主管。值得注意的是，通過分析?產線傳感器的數據，??智能識別潛在問題并加以預防，從?減少?”高級研發主管?品飲料來源：阿爾瑟·迪特?BlueShift/REPORT007BlueShift/REPORT007然?，?論我們處于哪種情境，六個?悔之舉將幫建?韌性，并從??智能中獲益:AI系統性能越好、越管理AI?才將仍然是?個重?挑戰。然?，AI的?主化和外部化更多的戰術?學的數據科學博?畢業??乎才剛剛進?就業市這種?才短缺對公共機構的影響最為嚴重，它們?法然?，AI的持續?主化，例如通過LCNCAI構建解決?案的出現，可能使,因為他們更初級且更容易培訓。同樣，利?AI賦能?們更好地創新的理最?限度地提?了速度，并且?常適合應對不確定性。AI系統表現越好、越可靠，中央團隊（或服務中?）成功的可能性就越?。相反，AI系統越不成熟，研究?員和數據科學團隊之間在現場共同創造的需求控制AI?成的內容質量和知識產權控制必須能夠擴展，以應對AI?成內容和數據的增加。例如，AI?成的內容檢測系統必須進?徹底的測試，并且在所有相關?例上進??規模實施，包括出實驗的驗證?法以及測試數據，將激勵AI?險管理中的良好實踐并建?信任BlueShift/RBlueShift/REPORT007加強數據和知識?態系統對于實現成功的??智能部署?關,數據的可?性存在差異，?些領先的項?可以為未來的數據共享努?提供參考。其中包括?型項?，?如歐洲?物信息研究所提供的政府資助的海量公開數據，哈佛數據空間，?個全?數據集及更專業、資源充?的社區，?如全球果蠅社區創建的FlyB在私營部?，由于擔?失去競爭優勢，數據共享仍然零散?了?些實驗，?如寶?、戴姆勒和?眾分享數,但公司收集的實驗數據很少被分享，尤其在?命科學等領域。這種情況不太可能隨著時間的推移?改變。與此同時，公私合作伙伴關系是規模化AI數據共享的?個有前景的途徑，?如?歌、SkyTruth和Oceana之間的合作伙伴關系，共同創建了全球觀察漁業的全球漁業觀察計劃，以?法捕撈的數據。展望未來，我們很可能會看時間內不會有?規模共享的情況。”??智能基礎培訓應持續對不僅是?即??采納速度并更好地管理?險。通過向盡可能?泛的聽眾提培訓應包括??智能的技術基礎知識、功能能?、。教育??智能本?（例如以交互形式）可以被利?來定制培的培訓需求，因為這些??將隨著?具的發展?發?變化度。成功培訓的另?個好處是對增加??智能使?率和更BlueBlueShift/REPORT007這是?個維護過程。”重新思考組織與治理，超越IT對于對任務或業務?關重要的?例，?個像“AI系統部?”這樣的集中治理??智能治理應直接向執?委員會或董事會匯報，以