2024生成式AI泡沫破裂，警惕热潮后资本崩盘

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。