AI如何在代理商各个领域里提供帮助？福布斯代理商委员会提供了答案，分享人工智能和自动化提高机构生产力的方法。

清华大学联合多所知校发布的这项重磅研究全面分析了大语言模型推理能力发展现状，深入探讨了强化学习如何让AI学会思考。研究涵盖了从数据构建到模型训练、从测试时增强到开源项目的完整技术图景，特别分析了OpenAI o1系列的突破性进展，为AI推理能力的未来发展提供了宝贵指引。

谷歌DeepMind研究团队开发出革命性AI训练方法，让AI学会深度思考。通过"连续推理空间"技术，AI能在回答前进行内部分析和规划，一次性提供高质量解决方案。新方法在数学推理、逻辑分析等任务中表现显著提升，错误率明显降低。该技术有望应用于教育、医疗、商业咨询等领域，为用户提供更智能可靠的AI助手服务。

凯捷研究院调研显示，尽管AI在自动化重复性业务任务方面带来显著成本节约，但应用场景相对简单。调研涵盖1607名来自年收入超10亿美元企业的高管，发现AI可降低客户运营成本40%、人员运营成本26%。然而，四分之三的高管仍偏好专有AI模型，其中43%选择超大规模云服务商产品。尽管开源模型如DeepSeek能实现11倍计算成本降低，企业领导者仍因技术专业性要求、安全风险和社区支持等因素，对开源AI方案保持谨慎态度。

时光壶公司发布了全新的翻译耳机产品，这款耳机的最大特色是专为分享设计。用户可以与他人共享使用，实现实时语言翻译功能，打破语言沟通障碍。该产品采用先进的翻译技术，支持多种语言互译，为跨语言交流提供了便捷解决方案，特别适合旅行、商务会谈等场景使用。

上海AI实验室联合多所高校开发出VisualPRM系统，这是首个专门用于多模态推理的过程奖励模型。该系统能像老师批改作业一样逐步检查AI的推理过程，显著提升了AI在视觉推理任务上的表现。研究团队构建了包含40万样本的训练数据集和专门的评估基准，实现了在七个推理基准上的全面性能提升，即使是最先进的大型模型也获得了5.9个百分点的改进。

组织中的自动化项目，往往以小规模试点、自下而上的方式逐级推进。但作为全球知名厂商，美国强生却采取了面向企业整体的数字策略制定思路。

根据Gartner的研究，随着全球隐私法规数量的不断增加，企业机构应关注五项重大隐私趋势，以应对保护个人数据和遵守监管要求方面的挑战。

上海AI实验室提出SOPHIA方法，通过半外部策略强化学习让视觉AI学会深度推理。该方法结合模型自身视觉理解与外部推理能力，有效避免视觉幻觉问题。在多个基准测试中显著提升性能，InternVL3.0-38B平均提升8.50%，在挑战性数学和科学推理任务上甚至超越部分闭源模型，为多模态AI的"慢思考"能力发展提供了新路径。

人工智能时代自动化的崭新未来和巨大商业价值

大数据可观测性初创公司Monte Carlo Data推出全新Agent Observability产品，为AI应用提供全方位数据和AI可观测性。该工具帮助团队检测、分类和修复生产环境中AI应用的可靠性问题，防止代价高昂的"幻觉"现象，避免客户信任度下降和系统宕机。新产品采用大语言模型作为评判器的技术，能够同时监控AI数据输入和输出，提供统一的AI可观测性解决方案。

Google 将其 Android 系统的"圈选搜索"功能引入 iPhone，通过 Google 和 Chrome 应用实现。用户可以通过绘画、高亮或点击屏幕上的对象进行搜索，快速获取相关信息。这项功能本周将在 iOS 版 Google 应用上推出，为 iPhone 用户提供更便捷的搜索体验。

浙江大学研究团队发现AI写作中的"时间振荡"现象：AI在生成过程的中间步骤往往给出正确答案，但最终输出时却被错误答案覆盖。团队提出"时间自一致性投票"和"时间一致性强化"两种解决方案，通过利用中间过程信息显著提升AI性能，在多个数学推理任务上实现2-25%的准确率提升，为AI系统的可靠性改进提供了新思路。

Zoom研究团队发现了让AI"写少想快"的新方法——思维草稿法，通过模仿人类简洁思考方式，让AI只记录关键信息而非详细解释。实验显示这种方法在保持90%以上准确率的同时，只需使用传统方法7.6%的文字量，大幅提升处理速度并降低成本，为AI应用的普及和可持续发展开辟了新路径。

随着数字化转型成为战略重点，企业纷纷投入资源，但成效不一。麦肯锡研究显示，90%的公司启动了数字化转型，但平均仅实现了预期收益的三分之一。展望2025年，生成式AI等技术的进步正在改变数字化转型格局。为确保成功，企业需要重新校准预期，区分数字化增强与真正的数字化转型，并采取更有效的预算结构。

总部位于美国宾夕法尼亚州的财产和意外伤害保险公司Erie Insurance首席信息官Partha Srinivasa谈到了他培养变革型员工的方法。

人们正疯狂逃离「小蓝鸟」。

哥本哈根大学等机构研究发现，主流视觉语言模型在将图像转换为文字描述时会丢失40%-90%的视觉信息。研究开发了两种创新方法来量化这种信息丢失：邻居关系分析和嵌入重建技术。实验表明信息丢失直接影响AI的检索和问答性能，研究还实现了丢失区域的精确可视化，为优化AI视觉系统提供了重要工具。

本文探讨了一种防范通用人工智能（AGI）和人工超级智能（ASI）存在性风险的方法：将它们置于计算机仿真世界中进行测试。虽然这种方法看似合理，但存在诸多挑战。AGI可能会隐藏恶意行为，或因被欺骗而转向恶意。此外，仿真环境可能无法完全模拟真实世界，导致测试结果不准确。构建高质量仿真系统的成本和技术难度也不容忽视。文章认为，仿真测试虽有价值，但并非万能解决方案。

这项研究提出了一种通过"替身模型"训练视觉编码器并实现零样本嫁接到大型语言模型的创新方法。研究团队分析发现大语言模型内部存在明显的处理阶段转折点，据此构建的替身模型保留早期处理层而压缩后期层。使用替身训练的视觉编码器可直接插入目标大模型而无需额外训练，或作为全面训练的高效起点。实验证明，这种方法不仅能将Llama-70B的训练成本降低约45%，还在部分基准测试中实现了超越全面训练的性能。