生成式AI发酵一年多,明确两个事情。
一个是资本“燃料”足够充分,热度还会增加。IDC预测,2024年全球将涌现超过5亿个智能化应用,这相当于过去40年的总和。
另一个是炒作效应大于宏观影响力,多数生成式AI“吆喝声大”,落地价值有待观察。如果不能把萎靡不振的生产增长率,从1.2%提高到3%甚至4%,这场技术狂欢形同闹剧。
基于以上,我们试着从资本投入、AI生产力、发展挑战几方面,讨论生成式AI改变生产方式的进程及效果。
67%生成式AI发展依靠“窃取”IT预算
从ETR追踪的近30个行业来看,过去两年,受经济环境下行、市场低迷等影响,企业IT整体支出已经从7.5%的高增长预期,跌落至2.9%。
而生成式AI的爆火,既需要砸钱入场,又无法在短期变现,这导致大部分企业无法分配出新资金来支撑AI投入。深入研究结果显示,在全球2000强受访者中,有67%的人表示没有使用新资金进行生成式AI评估,主要从其他IT预算中获取;33%的人则真正引入新资金来发展新一代AI。
多处于实验阶段,生产应用滞后
从2023年4月起,企业对生成式AI的关注、评估急剧上升,尤其全球2000强企业,评估比例远高于行业平均水平,仅有约14%表示没有进行相关评估。
然而,大多数企业虽保持持续关注,开始评估其商业案例的可行性,但在预算紧张、商业环境不明朗的当下,表现依旧十分谨慎,少有进行下一步动作。
从实际业务用例来看,生成式AI缺乏标杆性应用,普遍应用于文本、数据摘要、对话、生成式文档等。其作为行业“助手”的潜力尚未被充分挖掘,比如利用医疗数据,协助病情诊断;通过金融数据评估,协助预测市场趋势、分析财务数据等等。
日后,随着生成式AI的精细化落地,它在不同行业中的应用先进性、商业范例有望打破企业考察常态。
开发、落地实施面临多重挑战
生成式AI要发挥实效,势必需要解决来自技术开发、行业数据集、伦理法律和商业规范等全方位的问题。
01
数据训练问题
数据是生成式AI构建的关键资源。在开发过程中,开发人员必须考虑数据集的范围、准确性和采购方法。尤其对于行业类模型,数据集要更侧重行业匹配度、规范性,同时考虑特定国家或地区的政策法规,以及民俗道德标准等。
还需要注意一点,数据集需要的越多、训练的越多,成本越高。如何平衡准确性、规范性和性价比等,是必须要考量的。
02
与业务融合问题
将生成式AI集成到现有业务应用程序、系统中,这是一个复杂的过程。要考虑业务基础架构的兼容性、数据储存方法、数据传输与安全,以及部署成本等,同时还要灵活协调业务与技术的一致性,保证投资回报率。
根据 Gartner 的数据,到2024年,50%的AI投资将被量化并与特定的关键绩效指标相关联,以衡量投资回报。
03
安全问题
两个角度。一方面,技术发展过快,现有法律法规可能无法充分应对相关新问题,无法完全保障数据隐私、版权、知识产权等权益到位;另一方面,生成式AI在开发安全性、部署安全性等,需要更多时间验证。比如可能遭受对抗性攻击,影响其性能和可靠性。
04
伦理偏见问题
技术不同于人,没有明确的是非观念。生成式AI可以被人为引导,去创造虚假、歧视类内容,这引发了人们对技术滥用的担忧。
因此,设计者应该考虑如何确保它们不被非法目的、歧视行为等驯化,例如在用于招聘系统时,对女性存在偏见、偏爱男性。
生成式AI已经成为技术转型的一大趋势,这不仅是一种单纯技术转变,还有望重塑各行各业,激发新动力。接纳、拥抱这场变革是企业保持创新、竞争力的必要手段,至于它能掀起多大的经济效益、哪些厂商会成为最终的获益者等等,还需要时间给出答案。