今天小編分享的互聯網經驗：文檔智能，“AI改變生活”的新注解，歡迎閲讀。
當代職場人，" 随地移動辦公 " 是一種常态。
前一秒還在 city walk，下一秒掏出筆記本往台階上一放、就地辦公；候機室裏，總有那麼幾個人直到登機的前一秒還在筆記本上敲字疾書。
這是信息爆炸、連接無處不在的現代社會，在給予人類生活方便之餘，随手附贈的無奈。
合同籤訂前關鍵信息修改、稿件發布前的查漏補缺，種種突發狀況，都讓移動辦公處理文檔成為當下職場人的剛需。
手機螢幕越做越大，給人們在移動中閲讀更長的文檔提供了方便，但 " 處理 " 的步驟仍在困住職場人的手腳，随身攜帶的筆記本仍然是肩頭沉重的負擔。
大模型的到來給解放職場人的肩膀帶來了可能，也給產學界攻克 " 難啃的硬骨頭 " ——文檔 AI，帶來了突破口。
1992 年，Adobe 聯合創始人查爾斯 · 希莫尼發明了 PDF，連同十年前微軟的查爾斯 · 希莫尼發明的 Word，聯手開啓了數字化辦公的時代。
堆積如山的紙質文檔工作被濃縮在一方螢幕之中，一度将人們處理文檔的效率推向了新的層級。但兩個查爾斯都不會想到，幾十年後的現在，這些數字文檔會反過來拖累職場人的工作效率。
工程師敲代碼前需要閲讀的技術文檔動辄幾百頁，分析師寫行業報告需要從幾十、上百家公司财報中抽絲剝繭、獲取趨勢共性，物理世界的紙質檔案化身為 14 寸螢幕堆不下的數字文檔，同樣可以淹沒無數職場人。
人工智能發展幾十年，產學界很早就試圖用 AI 技術輔助人們處理文檔工作。從最早的規則啓發到神經網絡引入權重和數據訓練，基本的思路都是" 人為歸納規則 -> 轉換為機器語言（函數和代碼）-> 教授計算機規則 "。
然而，随着人們需要在電腦上處理的工作範圍越來越廣，文檔的復雜化發展沒有盡頭，有限的硬體算力和仍待完善的算法，都使得大部分文檔智能不那麼智能。
例如一旦文章過長或是包含的圖文要素過多，文檔智能給出的摘要常常不夠準确，甚至和文檔内容風馬牛不相及；
或是用户希望針對某一問題在文檔内容中找到相應的解答，文檔智能雖然會給出答案，卻不能溯源定位到原文，使得用户無法進一步确定答案的準确性。
同時，随着數字化深入到各行各業，文檔類型越發繁雜，每一類文檔對應一種處理規則，一種規則再對應一套算法的建立和後續的調試，整個流程逐漸變成了難以負擔，并且不具備經濟效益的繁重工作。
自動駕駛的難度眾所周知，而文檔AI面臨的挑戰并不比自動駕駛少。
一是數據。根據 IDC 口徑，2018 年 -2025 年，全球數據量将從 33ZB 到增長到 175ZB，其中 80% 是非結構化數據 [ 1 ] ，包括影像、音頻、傳感器數據等，共同特點是沒有統一格式、缺乏定義，難以表征；
二是理解能力。語言中的復雜語義、文檔的結構化都需要更強的邏輯演繹能力來理解和解讀，比如從 " 任務很困難，但小明堅持完成了 "，推導出 " 小明持之以恒 "，再比如一級标題和二級标題之間的遞進、表格表頭與數據的一一對應等。
三是專業性。尤其是在專業性極強的垂直行業，例如專業的論文，财經報告，律師卷宗等等，解讀這類文檔需要專業知識的長期積累。
直到大模型的出現，無需人工标注的數據和自監督學習機制，賦予了計算機自主進化的能力。
作為產學界最難啃的骨頭之一，文檔 AI 因此得到了突破的機會，HUAWEI Mate X6 的系統級 AI 助手小藝率先作出了示範。
今年 10 月 " 原生鴻蒙 "HarmonyOS NEXT 正式登場，11 月華為 Mate 品牌盛典，軟體層煥然一新，再次進化的智能體小藝聚焦了視線。
HUAWEI Mate X6 的大屏和輕便為移動辦公而生，HarmonyOS NEXT 将 AI 與作業系統深度融合，賦予了小藝處理復雜文檔時的突破性表現。
學術論文是典型的復雜文檔，其中包含大量抽象概念，混合艱深晦澀的文字表述，加上龐雜的數據圖表，依靠肉眼閲讀、人腦理解都費時費力。
但論文寫作逃不開閲讀、引用大量前人論文，尤其是文獻綜述環節，是學術圈知名 " 老大難 "。
用 HUAWEI Mate X6 的檔案管理器打開一篇學術論文，點擊右上角小藝星環呼喚出小藝，先生成一張思維導圖，快速掌握文章的邏輯脈絡和核心觀點。
用户對生疏概念進行提問，小藝會給與解答，利用小藝連續問答精準溯源的能力，通過将相關文字高亮，用户可以直接定位到原文做進一步理解，或是根據解答繼續追問。這個舉動就像人類寫論文标注數據來源和出處的習慣，為的就是追求嚴謹和準确，打消閲讀者對生成内容準确性的顧慮。同時，借助高亮溯源的特性，閲讀者也能快速找到想詳細了解的段落，進一步提升閲讀效率。
閲讀過程中，遇到陌生的概念，不用到搜索引擎上搜索，直接問小藝，從 " 深度學習和神經網絡的關系 " 到 " 多模态 LLM 和一般模型的區别 "，都能迅速給與解答。
得益于多模态内容感知能力，哪怕是論文包含復雜的圖表和大段抽象的文字表述，也可以讓小藝将其轉換為精美易讀的圖文摘要，繪聲繪色、通俗易懂。比如讓小藝進行論文解讀，用小藝根據文檔生成好看易讀的圖文編排呈現，能更清晰地給出抽象概念的區别，便于理解。不得不説，在需要處理非結構化、多樣化表格或圖文混排等復雜文檔情況下，華為的版面理解模型在内容解析能力上的提升，讓小藝具有了更大的優勢。
表格數據也是學術論文中常常出現的表達形式，但其在呈現趨勢、差異等方面存在不夠直觀的問題。
依托于鴻蒙系統打造的系統級文檔助手，也讓小藝有了智能感知用户意圖的能力，在遇到類似 "LLM 歷年參數規模 " 的表格數據時，就可以復制其中的大部分文字，小藝完整識别後提取數據，生成 "LLM 參數規模散點圖 / 直線圖 "，展現趨勢，一句話即可根據文檔内容生成圖表，就省得我們自己倒進數據表再手動拉數據畫圖了。而這就是系統與 AI 深度綁定的結果。
小藝之所以能正确識别文檔，并給出準确的摘要，這也要歸功于華為的版面理解模型，正因為有了這項能力的賦能，小藝才能做到準确的高亮溯源、一句話生成圖表等動作，事實上它還可以理解文檔的頁碼，即便是将文檔的某一頁删掉或保留這種操作，都能動動嘴巴讓小藝代勞。
國内學者還經常遭遇全英文文獻的困擾，貫穿全文的英文專有名詞，即使翻譯 APP 不離手，也免不了閲讀速度大大降低。小藝不僅能提供全文翻譯，還可以生成中文摘要、提供中文問答來幫助用户更快地領會文獻核心。
幾十頁的學術論文，靠小藝可以極大地縮短閲讀時間，将自己從繁雜的信息中解放出來，更高效地獲取對自己的研究真正有價值的論據和數據。
财報同樣充斥着大量的文字、數據和圖表内容。分析師寫行業報告，需要梳理幾十上百份财報，抽取出關鍵數據做線性回歸分析。
有了小藝，想要對财報中的表格數據進一步分析，同樣可以借助小藝的多模内容精準感知解讀的能力，獲得分析繪圖，還可以直接一句話生成自定義表格，例如 " 把第一季度、第二季度收入畫成餅狀圖 " 等要求。
小藝能夠輕松扮演 " 研究助手 "、" 助理分析師 "，最關鍵的就是前面所提到的，其依托的是領先業内的版面理解模型。
版面分析模型是復雜文檔處理的基礎，它将文檔按照區網域劃分，定位标題、文字、圖片、表格等關鍵信息，再進行解讀，是執行表格提取等後續操作的前提，其精度決定了這些操作的準确性。
小藝背後的版面理解模型通過增加長序列、RAG、Grounding 等技術辦法，提升了解析文檔的能力，并實現了端對端的優化。
其中，長序列是指文檔中的上下文，也就是 " 前景提要 " 和 " 背景知識 "，模型能夠利用的上下文越長，對内容的理解能力越強，直接影響摘要生成、翻譯等功能。
RAG 即檢索增強生成技術，當用户向小藝提出一個問題，RAG 技術負責從各類數據源檢索相關聯的信息提供給模型，綜合這些信息回答用户的問題。
Grounding 則用來引用具體的概念、事件，通過建立與現實世界的聯系，确保小藝生成内容的可靠性，更準确地理解、描述影像、視頻等多媒體數據。
強大的模型賦予了小藝領先業内的文檔處理能力，是其綜合能力的其中一隅。
職場上要求的不只是工作能力，主觀能動性、有求必應也被視作責任心的體現。
類似地，用户對于文檔智能助手的期待也不只是足夠強的處理文檔 " 硬實力 "，更容易開啓、随叫随到等等 " 軟實力 "，也對用户體驗至關重要。
而小藝的深厚 " 内功 " 就在于此。
與 HarmonyOS NEXT 的深度融合，使得小藝晉升為系統級 AI 助手，調配算力、線程、内存等系統資源更加靈活。
相當于跑堂傳話的小厮升職成為執掌人事調度、采買等事務的大管家，真正擁有了接管用户生活、工作瑣事的能力。
小藝的文檔智能也因此實現了 " 随叫随到 "，與用户的互動方式更加自然，将調用方式濃縮為了幾個簡單而日常的動作：
