Najwa Aaraj 博士:(18:20)
如今,我们约有 1000 名研究人员,分布在与我们合作的 10 个不同的研究中心。当然,这些都是我们驻扎在不同岗位的,推动路线图实施的职员。此外,每个研究中心都有一个顾问委员会,由中心不同领域的知名教授、知名研究人员和知名技术专家组成。
Najwa Aaraj 博士:(18:53)
除此之外,我们还与全球各地的学术机构和研究机构(包括 AWS)开展了合作。也就是说,我们与东西方大约 38 个国家或地区的 100 多所大学建立了合作伙伴关系。我们开展这些合作的方式是,我们找到某个特定领域的专家教授,然后与他们共同开展合作。这样的合作与我们在 TII 特定中心实施的项目和路线图有着很大的关系。毕竟,你不可能把所有事情都放在内部解决。你应该乐意与他人合作,也愿意他人与你合作。这样才能将越来越多的专业知识纳入我们的路线图,运用到我们正在开发的技术中。
Tanuja Randery:(19:46)
我敢肯定,这也为您施展才华营造了非凡的环境。 在这样的环境中,他们能够分享自己的观点和经验,向跟您合作的这群来自全球的优秀合作伙伴学习。事实上,这也是我想与您探讨的一件事,因为整体技能差距是每个人都在谈论的问题。我认为,我遇到的每一位首席执行官都会谈论到如何利用所需的技能来实现目标,然后继续发展和培养这样的才能,打造让人有这种学习能力的文化。如何打造这样的文化,让团队成员具有挑战精神且乐于接受挑战,同时又富有创造性、创新性和成长精神?
Najwa Aaraj 博士:(20:38)
如果一家机构只专注于技术,那这个机构不会很成功。我总是会提到这个三角关系。为了成功实现某些目标,必须具有三个维度。一是必须了解技术本身。二是必须懂得政策、处理和治理知识。三是必须要有人力资本和团队。这个维度非常重要。 当今社会,没有团队,就无法交付任何成果。
Najwa Aaraj 博士:(21:09)
我们就来简单说说吧。 TII 有 1000 名研究人员。按国籍划分,他们来自 84 个国家/地区,也包括他们以前工作过的地方。也可以说,他们有着不同的文化背景。 而文化不仅是个人层面的文化,还包括我们如何创新、如何规避风险的文化。 我们的目标是解决短期问题吗? 我们的目标是解决中期问题吗? 我们的目标是解决长期问题吗? 也就是说,这关乎的是不同的心态、不同的文化、不同的研究和创新方式。
Najwa Aaraj 博士:(21:52)
我认为这就是让 TII 如此独特的原因。我想说的是,我们路线图上的大多数研究项目都是成功的,都有很强的创新性。这要归功于我们拥有的众多人才、团队成员拥有不同的背景和不同的好奇心,当然,还有他们的技术技能和高度的专业素养。从我们的角度来看,你需要在公司中营造一种激励性的环境和价值观,让这些人能够继续前进,继续做出贡献,让他们觉得自己的声音有被听到。我们欢迎不同的观点,但最终必须保持开放的态度,采取效果在长期使用中得到证实的观点。
Tanuja Randery:(22:40)
很高兴听您提到这一点,因为人们认为心理安全对于增强组织能力非常重要。我想您刚才说得非常好,既要鼓励勇于提问和挑战的文化,也要鼓励勇于向前看的文化,因为人不能把时间都花在没完没了的互相挑战上。鉴于我们在人工智能和生成式人工智能方面的现状,您如何看待这些技术对研究人员的支持以及对自动化的增强、加速和帮助? 从生产力的角度来看,你们是否也在内部利用该技术?
Najwa Aaraj 博士:(23:20)
从自动化开始到提高共享服务的效率来看,这项技术意义非凡,尤其是涉及采购、人力资源、法律和财务流程时。毫无疑问,这就是大家想要实施生成式人工智能的领域。在研究方面,我们也确定了一些领域,并且正朝着这些领域努力。一是研究本身。第二是工具能够尽可能多地收集先进技术、新技术领域的动态,总结世界上正在发生的事情,以及研究如何在应用程序和应用场景中使用? 出现了哪些新的初创企业或新的独角兽公司? 这些公司在做什么? 如此等等,如此等等。也就说,作为案例研究工具,该技术非常有用。
Najwa Aaraj 博士:(24:18)
如今,我们有许多工具都在使用代码、代码分析、源代码审查、静态分析等技术。这些工具可能十分有用。在某种程度上,我们甚至在探索人工智能中的更多神经网络,想找到可能显示这些加密算法存在的漏洞或弱点的属性和加密算法。例如,我可以使用人工智能找出算法中的差异特征吗? 这就是一种研究类型,探究我们如何利用人工智能和大型语言模型来解决特定的挑战,或者解决我们正在研究的特定技术挑战。
Tanuja Randery:(24:58)
我知道在 Amazon 和 AWS 中,我们实际上利用了 Q Builder 和 Q Developer 工具来帮助提高程序员的工作效率。不难想象,这实际上可以帮助更多的初级工程师真正获得高级工程师掌握的专业知识。设想一下,一个大型语言模型就可以将所有内容集中在一处。因此,我的确认为,无论是在后端还是前端,生产力都会得到全面提高,或者至少有所改善。例如,我们在 BT 启用了一个大型语言模型,让该公司成功摆脱了 12% 的繁琐任务。所以,我认为在这方面还有很多工作要做,但也需要人们改变心态和行为,这样我们才能更有效地利用该技术。