今年,国际人才发展协会(Association for Talent Development,简称“ATD”)公布2022年度全球ATD学习发展杰出实践奖获奖名单(ATD 2022 Excellence in Practice Award),紫光股份旗下新华三集团新华三人才研学中心凭借“内训项目:新华三集团千里马计划”获此殊荣。2021-2022年度,全球共有32家企业的40个实践项目获得该奖项,其中有11家中国企业摘获殊荣,中国银行、中国邮政、加拿大帝国商业银行和美国纽约人寿保险公司等众多国内国际知名企业都在获奖之列。

同时,ATD峰会虚拟会议于10月23日-10月26日举行,会议邀请了来自埃森哲、谷歌、玛氏集团、IBM等企业和机构的嘉宾,共同从人才发展从业者的角度讨论人才培养和企业数字化发展,新华三集团新华三人才研学中心副主任张涛受邀出席并发表演讲。

ATD卓越实践奖(ATD 2022 Excellence in Practice Award)是全球公认的人才发展行业重量级奖项,授予在实现组织目标方面取得清晰可衡量的成果、满足既定需求、具有一定设计价值且可与其他绩效改善措施相结合的企业人才发展实践项目。
人才是企业最大的资产,人才梯队建设也一直是企业发展的重中之重。青年人才的培养更是企业永葆活力、基业长青的关键。新华三集团此次获奖的“千里马计划”以储备高度契合公司文化、具备领导潜质的综合性人才为目的,通过系统性、多元化的学习与培养加速员工成长,提供充分历练自我、展示才华的舞台,通过科学全面选拔、竞争性成长、不拘一格的任用,为公司管理干部队伍输送新鲜血液,为新华三筑起“最强大脑”。以终为始的培训需求界定和评估、游戏化设计的完整体验以及有效的学习转化推动,是“千里马计划”的三大突出亮点。这个集选、育、留为一体的人才发展项目,为新华三保育了有潜质的核心人才,推动了公司战略及业绩目标的实现。

在数字化转型过程中,企业只有将人才发展战略与业务战略保持一致,才可使自身脱颖而出。ATD2022中国峰会邀请国内外众多优秀的思想领袖与实践者分享他们的洞见,从商业本质到战略与最佳实践,再到落地工具与方法论,为人才发展从业者提供借鉴和指导,从而切实帮助员工实现技能升级以及技能重塑,应对不断变化的工作环境与岗位要求。
与会期间,新华三集团新华三人才研学中心副主任张涛受邀,进行了以《拥抱与告别:组织人才学习发展工作的科学思考》为主题的分享,他表示,企业在数字化变革中面临的最大动荡就是仍用过去的逻辑做事,如今新技术不断涌现,公司组织正在走向一个以秩序和混沌融合的复杂系统。张涛还以埃菲尔铁塔椋鸟群飞的故事为例,讲述了个体之间的协作可以给复杂系统带来积极反馈,证明群智涌现会帮助个体和系统实现共赢。他指出,新华三人才研学中心作为新华三的企业大学,积极顺应未来趋势,形成开放优于封闭、外焦点优于内焦点、整体优于局部、自组织优于他组织、迭代优于计划五大原则应对复杂系统,并总结出要避免过度建模和追究完美顶层设计,注重发展员工非线性能力,力求缩短权利指数,以此不断靠近T参数,寻找人才培养与公司发展的新平衡,从而在提升员工自身素质、促进自身发展的基础上,为公司培养高潜人才。

新华三人才研学中心五大组织原则
创新之道,唯在得人,得人之要,必广其途以储之。未来,新华三集团新华三人才研学中心将继续专注于培养杰出的数字化产业人才,在不断探索人才培养更优模式的过程中,以人才之力助力百行百业数字化转型,为推动数字中国的建设发展作出贡献。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。