人工智能的新篇章生成式人工智能对企业的影响和意义 德勤人工智能研究院 生成式AI对企业的影响和意义 摘要 2022年是人工智能(AI)的一个分水岭,ChatGPT,DALL.E和Lensa等几个面向消费者的应用程序发布了,它们的共同主题是使用生成式人工智能-这是人工智能领域的一次范式转换。当前 的人工智能使用模式检测或遵循规则来帮助分析数据和做出预测,而Transformer架构的出现则开启了一个新领域:生成式人 工智能。生成式人工智能可以通过创建类似于其所训练的数据 的新颖数据来模仿人类的创造过程,将人工智能从“赋能者”提升为(潜在的)“协作者”。实际上,Gartner估计,到2025年,超过10%的数据将是由人工智能生成的,预示着一个新时 代—人类与(WithTM)机器协作的时代—的到来。 虽然目前生成式人工智能主要应用于面向消费者的产品,但它也有潜力为企业工作流程增加情景感知和类似于人类的决策能力,并彻底改变我们的商业模式。例如,谷歌的客服中心人工 智能(CCAI)旨在帮助实现采用自然语言进行客户服务交互,而NVIDIA的BioNeMo则可以加速新药的研发。这些解决方案可能只是刚刚开始产生影响,我们将看到更多基于生成式人工智能的解决方案应用到企业中,改变我们的商业模式。 生成式人工智能已经引起了传统风险投资、并购等方面以及新兴生态系统合作伙伴关系的兴趣。仅在2022年,风险投资公司就投资了超过20亿美元,而技术领先企业也进行了重大投资,例如微软对OpenAI的100亿美元投资和谷歌对Anthropic的3亿美元投资。这显示出生成式人工智能作为一个新兴领域的巨大潜力。 随着生成式人工智能的不断推广和应用,其产生的深远影响和潜在价值正在加速推动从实验到消费者领域再很快进入企业领域的应用。尽管媒体关注的大多数是消费者应用,但这种技术的应用机会是广泛的,并且已经有一些应用案例。尽管如此,人们仍然存在疑问,即个人和企业如何利用生成式人工智能来实现效率提升、产品改进、新体验或业务变革。我们同样只是刚刚开始探究生成式人工智能如何商业化以及如何建立可持续的商业模式。 虽然生成式人工智能领域正在快速发展,但它仍然处于萌芽阶段,存在着许多风险。其中,隐私和安全、偏见管理、结果的透明性和可追溯性、知识产权以及弱势群体的平等 获取,是我们需要重点关注和解决的问题。因此,参与者应该综合考虑商业化、监管、伦理、共同创造等多方面的因素,扩大利益相关者的参与和贡献,而不仅仅是局限于技术人员和爱好者的范畴。 生成式人工智能可能会创造出一种更为深刻的人机关系,甚至比云计算、智能手机和互联网所带来的影响还要大。 分析师估计,到2032年,生成式人工智能市场规模将达到 2,000亿美元,占据人工智能支出总额的约20%,比目前的 5%高出许多。换言之,未来十年市场规模可能每两年就会翻一番。除了数字之外,我们认为这种技术的经济影响潜力巨大。为了帮助各位理解其潜在影响,本文是一份兼具预测性和启发性的文章,旨在为快速变化的市场提供一份清晰、有条理的参考。我们首先简要阐述了生成式人工 智能的基础概念,接着探讨了企业和消费者的应用场景,然后转移到市场参与者如何建立可持续商业模式的问题上,最后对未来进行了展望并提出了一些值得关注的问题。 2 生成式AI对企业的影响和意义 目录 第一节 解密生成式人工智能的魔法技巧5 第二节 生成式人工智能在消费者和企业领域的应用案例9 第三节 生成式人工智能中的商机和竞争17 第四节 生成式人工智能的采用和商业化27 关于德勤人工智能研究院 德勤人工智能研究院帮助企业从不同的维度将富有活力的、高度动态的且快速发展的AI生态系统联系起来。人工智能研究院引领跨行业应用AI创新的交流,利用前沿洞察促进赋能 (With™)时代的人机协作。 德勤人工智能研究院旨在促进AI的对话和发展,激发创新,并研究实施人工智能面临的挑战和解决方法。人工智能研究院是由学术研究团体、初创企业、企业家、创新者、成熟的AI产品领导者和AI远见者组成的生态合作系统,致力于探索AI的关键领域,包括风险、政策、道德、未来的工作方式和人才,以及AI案例的应用。结合德勤在AI应用方面的深厚知识和经验,该研究院帮助企业理解这个复杂的生态系统,从而提供有影响力的观点,做出明智的AI决策来取得成功。 关于德勤数智研究院 德勤数智研究院是“勤启数智”的重要组成力量,持续关注德勤中国的人工智能和数据的关键领域,包括风险、政策、战略、治理、未来工作、人才和技术应用。我们还积极促进与德勤全球人工智能网络的交流与合作,推动“赋能时代”的人机协作。 3 生成式AI对企业的影响和意义 4 第一节 解密生成式人工智能的魔法技巧 人们对生成式人工智能寄予的高度期望,取决于硬件、软件和数据提供商生态系统相互关联的领域中持续不断地取得进步和创新。 生成式人工智能背后的技术栈在某些方面与之前的技术栈类似,它由三层组成:基础设施、平台和应用程序。 基础设施层通常被认为是最成熟、稳定 和商业化的。现有的龙头企业提供计算、网络和存储等基础设施,包括使用专门为人工智能工作负载优化的芯片(如NVIDIA的GPU和Google的TPU)。与此同时,应用层正在快速发展,其中包括利 用和扩展基础模型,这相当于生成式人 工智能的平台。 5 2 模型层 3 应用生态系统 开放/封闭式APIs 垂直整合基础模型 预先构建面向用户的B2B或B2C应用的专有模型 应用程序开发 面向用户的B2B和B2C应用程序, 与专有模型合作或基于其上开发。 基础模型 开源或闭源模型 微调模型 针对特定用例优化模型 生成式AI技术栈 终端用户 芯片 用于训练和推断的专用微处理器/加速器 超大规模计算 算力、网络、存储和中间件 1 基础设施/硬件 Source:Deloitte 6 基础模型(FoundationModel)是区别生成式人工智能技术栈和之前人工智能的关键。基础模型是斯坦福大学基础模型 研究中心创造的术语,它是一个在广泛数据集上预先训练的机器学习模型,可以用于解决一系列问题。就像微软的Win32为开发人员提供API来访问底层的硬件和操作系统功能,以及NVIDIA的CUDA允许图形密集型应用程序(例如游戏引擎)简化访问GPU资源一样,模型层的设计旨在将雄心勃勃的应用程序开发人员与优化硬件连接起来,从而帮助加速和普及生成式人工智能技术。 这些模型通常可以通过开放或封闭的API提供给开发人员使用,开发人员可以通过额外的训练数据对模型进行微调,以提高其对特定用例的上下文理解、相关性推理和性能,同时优化交付成本。 基础模型通常经过以下四个阶段的开 发,如下所示。 尽管这个框架适用于各种人工智能架构,但目前最先进的基础模型(例如GPT-3、StableDiffusion、Megatron-Turing)都基于一种名为Transformer的神经网络架构,该架构由GoogleBrain团队于2017年发明。Transformer代表了机器学习性能的一个飞跃,并且在分配上下文、跟踪关系和预测结果方面的能力不同于先前的架构。目前最成熟的基础模型大部分在文本领域,由于有大量训练数据推动,这加速了“大语言模型”(LLMs)的发 展,,这种生成式AI基础模型通过预测序列中的下一个单词或段落中缺失的单词来训练生成文本的能力。 此外,生成式人工智能可以多模态生成内容,包括代码、图像、视频、音频和3D模型。 这可能会在多个能力领域中引发颠覆性的变革和推动生产力的巨大提升,从文案撰写到科研,再到软件工程等等。例如, 在广告领域,生成式人工智能可以在几秒钟内创建原创文案、产品描述和图像。在医疗保健领域,它可以生成合成X射线图像,帮助医师进行诊断培训。 的确,生成式人工智能可以彻底改变企业与客户之间的运作和互动方式,甚至可能重新定义我们对“员工”的认知。在某些消费者和企业领域,这种转型已经在进行中。 基础模型的开发 架构 模型的结构和设计,以及用于训练的算法。 预训练 在大规模数据集上训练,以创建一组定义好的参数。 微调 调整参数以提高 特定任务的性能。 生产 部署到可以通过APIs来访问模型的生产环境中。 模型参数 调整模型参数 1234 训练数据集精选数据集 过程要素:处理 输出 输入 Source:Deloitte 7 生成式AI对企业的影响和意义 8 8 第二节 生成式人工智能在消费者和企业领域的应用案例 在2022年,OpenAI的DALL·E2因其文本生成图像的能力而引起了全世界的关注。这个模型可以根据简单的文字提示创建图像,有直接的提示,比如“丛林中的一只狮子”,还有更加滑稽有趣的提示,比如“以毕加索风格描绘两只狮子打篮球。” 自那时起,生成式人工智能一直是新闻界的热门话题,同时也不断推陈出新,比如ChatGPT等产品的推出和MusicLM等技术的预演。因此,我们看到了大量的广泛市场的消费者应用,例如Bing利用OpenAI的ChatGPT实现的互联网搜索功能。这些应用象征着消费型应用程序的“寒武纪大爆发”,几乎涉及到所有领域,从搜索到治疗都有所涉及。 为了更好地说明这种爆发,我们将消费者用例--即个人在其生活中的用例--根据所提供的实用性分为四个大类: 效率|优化计划、研究和产品开发等任务指导|提供个性化指导或学习内容 创作|生成或增强内容,复制创意过程 娱乐|建造游戏、虚拟人物和其他娱乐项目 这只是市场的初步观察,随着工作的深入,类别之间可能会有重叠。而且,随着未来几代人工智能的发展(例如,那些能够实现多模态交互或完全在单个设备上运行的人工智能),预计会出现新的类别的用例。 9 由于变化的速度太快,使得预测变得极富挑战性,但截至2023年初,我们预计具有以下特点的消费者用例将拥有持久的影响力: 快速进入市场 消费者的认知度,越来越多地通过社 交媒体提高,可以降低企业的获客成本,使其能够利用覆盖率,解决产品问题,并通过积极和高贡献的用户群体高效地扩大规模。 职业效用 像写作助手这类能够为职场创造价值 的产品,更容易在可持续的商业模式中被适当运用,与之相反的是那些被捆绑在“炒作周期”上的产品,比如社交媒体上的“滤镜”。 无缝集成 能够整合到平台中的解决方案可以通 过现有的工作流程被发现,从而促进更多用户采用并形成更强的“粘性”。Grammarly(语法检查工具)在PC上早早采用了这种策略,而最近,OpenAI与Bing的合作也实现了这种平台整合的策略。 高复杂度 如今可用的一些消费者用例示例 效率 指导 创作 娱乐 创建健康状况和健康计划 与虚拟伙伴进行交流 生成和编辑视频文件 创建原创游戏 发现新产品 创建个性化的财务计划 创建室内设计模拟图 与流行文化人物进行聊天 进行带有引证的研究 教授新语言 策划服装和时尚理念 渲染3D环境 整理内容 综合研究论文 修改和编辑设计文件 重新混音或采样音乐 回答一般问题 指导和为个人写作提供信息 创作艺术和编辑图像 生成原创的虚构短篇小说 供应商示例Synthesis.aiConsensus GrammarlyLingostar.ai LuminarAILensa JasperScenario 低复杂度 Source:Deloitte 10 消费者应用案例也可以预示着企业中存在的可能性。然而,与消费者不同,企业需要先进的功能、经过验证的投资回报率、定制化、组织内容、安全性和技术支持。在生成式人工智能的形成时期,最受欢迎的企业应用案例,将是用于推动内部或B2B产出的,通用的或适用于跨行业跨职能(“横向”)的用例。然而,与之前出现的技术一样,通常在特定行业的“垂直”应用案例存在着更可持续的价值创造机会。 潜在的横向应用案例通常针对的是已建立的自动化中心,这些中心提供了大量的训练数据(例如知识库、客服聊天记录),并且是成本优化和