|
|
人工智能从未如ChatGPT这般普及，超过1亿用户主动体验的背后，是业务发展需求驱动AI应用场景探索与实践的重大转变，传统的AI开发模式需要针对不同的任务和场景进行定制化开发，大模型显著降低开发复杂度，提升部署与应用的便捷度，大模型对于人机交互方式的变革显著增强客户/用户体验与员工体验，有利于中后台赋能升级，以及员工原生数智动能发展。
人工智能从未如ChatGPT这般普及，超过1亿用户主动体验的背后，是业务发展需求驱动AI应用场景探索与实践的重大转变。
传统的AI开发模式需要针对不同的任务和场景进行定制化开发，大模型显著降低开发复杂度，提升部署与应用的便捷度。
大模型对于人机交互方式的变革显著增强客户/用户体验与员工体验，有利于中后台赋能升级，以及员工原生数智动能发展。
• 知识更新与自主学习能力，目前大语言模型仍然为静态数据驱动的学习范式，无法实现新知识的快速学习与迭代，尤其是涉及到时效数据与专有数据的场景下存在障碍，OpenAI正在通过Plugins生态来突破这一局限。
• 垂直领域泛化能力，通用任务的卓越能力已经显现，但是进入垂直细分领域与知识体系下，大模型的性能与泛化能力仍然需要增强，行业大模型训练是当前挑战的破局之道之一。
• 长期记忆能力，目前正在通过增大上下文容量、数据向量化，以及AI agent等多种方式探索突破。
• 训练与微调成本，该训练成本仅针对企业应用基础模型结合行业知识与数据集进行训练与微调的成本，并非基础大模型训练成本，与上述“垂直领域泛化能力”相对应，该成本仍然为行业知识壁垒显著的企业必须承担的成本，开源基础模型在一定程度上可以降低这一阶段的训练成本。
• 推理成本，大模型在参数体量巨大的情况下，仍然存在较高的推理成本，这方面可以通过模型压缩与剪枝等技术的发展进一步降低。
• 模型能力与业务场景的适应成本，这部分成本虽然由于人机交互方式的变化显著降低，但是前期仍然需要考虑提示工程在特定场景的磨合成本。
• 模型安全与可控制性问题，这是人工智能普遍面临的问题，大模型并不能幸免，包括模型攻防、数据注入等问题；同时，模型能力来自于“涌现”，需要进行模型能力，尤其是生成结果的可控制，方能进入到生产环境。
• 对齐问题，既包括人工智能与人类社会价值观保持一致，也包括与不同国家价值观，不同类型企业经营以及商业法则相匹配等，前者最为关键，这也是目前最为关注的AI不受控制的风险之一，目前在通过RLHF与RLAIF不同方式来实现。
• 隐私与数据安全问题，无论是大模型的训练推理，还是对话应用的过程中，都存在过多的隐私暴露与数据安全风险，这有赖于技术突破和监管合规的进一步建立。
• 前端对客的核心价值与场景主要为提升服务体验，包括智能营销、智能客服等方面，同时也在中后台运营管理方面，例如信贷审批、核保理赔等流程性任务层面提升工作效率。
• 智能投研与投顾、智能财富管理与量化交易等金融特定任务方面则需要进行金融大模型的训练与微调，探索创新价值。
• 核心价值目前主要体现在面向用户运营侧的服务体验提升，以及营销运营过程中的内容生成与提效，主要应用场景包括智能客服、商品海报与文案生成等；
• 包括影视视频、游戏等在内的娱乐行业是高度依赖于内容资产行业，包括图像、音视频、3D资产等，借助于大模型与AIGC能力首先提高内容生产效率是当务之急；
• 无论是影视还是游戏，都在营造世界观与价值观的过程中需要故事线的引导与文本对话的链接，相对应地，短期看文本与对话生成等，中长期看智能NPC乃至游戏策略设计。
• 围绕受教育者与C端用户：覆盖K12、高等教育、职业教育等不同类型，主要侧重于提升交互体验以及个性化教学方面展开；
• 围绕赋能教育机构与施教者/老师：覆盖备课、教学、考试评测与学生管理多个环节，在原有教育信息化的基础上进行智能化升级。
• 工业/制造行业是知识密集型行业，尤其是进入到工业细分行业，知识密度与信息壁垒，包括工艺、成分、流程等，都高度差异化，相应地，工业行业大模型的必要性甚高；
• 目前主要在AI辅助研发设计、工业质检（即质量检测与缺陷分析）、生产流程智能化等方面应用，未来则需要探索AI+机器人的智能化升级，用大模型链接物理世界。
• “AI+医疗”主要应用场景与价值在于电子病历生成与分析、AI辅助诊疗，包括AI影像识别与临床辅助决策等，赋能医生与医疗机构提高平均专业水平，提高工作质量与效率；
• 新药研发利用语言模型等进行靶点发现、化合物筛选、临床实验研究等，尤其是在药物发现环节充分发挥探索性价值。
“所有行业都值得用大模型重新做一遍”，前提是围绕用户与客户价值的体验升级与业务发展，相应地，人工智能与企业数智化转型一致，业务驱动是核心原则，围绕业务发展扫描数智化洼地，规划人工智能应用用例，获取业务价值，并形成迭代优化扩大AI应用范围的闭环。
无论是自主训练大语言模型，还是围绕自身行业与业务场景进行模型精调大模型对企业数智化升级，都需要依赖于企业过往积累的专业领域知识沉淀，进行专有数据语料的准备，从而能够让基础模型的“通才”能力发展成为具备行业属性的“专才”，专有数据是未来模型能力平民化后的重要差异化。
生成式人工智能仍然可能出现“幻觉”、数据泄露等各种风险；同时，关于人工智能与大模型应用方面的立法与规范仍然处于意见征集与调研的过程中，企业有必要主动制定人工智能应用合规与风险管控机制，包括AI开发、应用与审核规范，数据安全规范，员工应用权限规范等等，从而“安全合规”地应用人工智能提升企业竞争力。
未来组织能力围绕人工智能发展，既包括创造人工智能，也包括应用人工智能，前者是少数，主要在于提升人工智能专业与高级人才密度，并通过组织协同设计，系统化地提升人工智能科研与工程化水平。
后者是多数，也就是大部分人工智能企业更需要考虑的是，人工智能应用，尤其是生成式人工智能全面铺开的过程中，对于组织架构、组织中关键角色与职能、以及对于员工的潜在影响等。
对于个体而言，普遍关注“人工智能会/不会替代什么职业”，甚至引发了对于某些职业发展方向的焦虑，一方面，积极的员工与个体正在迅速拥抱人工智能，在工作的过程中应用生成式人工智能提升工作效率，可能正在出现人工智能赋能于员工优先于组织的情况；另一方面，大众员工可能出现观望、等待甚至无所适从，“无用”内卷的状况与业务经营的影响与应对。
这就需求企业对于组织角色与员工发展进行整体规划，不同职能与角色人与人工智能的协同边界如何确定，组织中关键角色与员工的技能与“AI商”升级如何系统化通过培训等手段推动，都是企业系统化提升组织能力与竞争力的关键举措。
聚焦互联网科技创业领域，提供前沿的科技财经创业等资讯，为创业者、投资人及相关业内人士提供交流学习、资源对接的桥梁。
|
|
发表于 2023-8-1 00:29
