每 2024 位 CEO 应了了解的诞生式人智能报告

QuantumBlack,Al麦肯锡 每个CEO都应该知道的关于生成AI 生成式AI正以前所未有的速度发展，而CEO们仍在学习该技术的商业价值和潜在风险。在这里，我们提供一些生成式AI的基本要点。 这篇文章由MichaelChui、RogerRoberts、TanyaRodchenko、AlexSingla、AlexSukharevsky、LareinaYee和DelphineZurkiya共同完成，代表了麦肯锡技术委员会和QuantumBlack（麦肯锡旗下的人工智能部门）的观点。这两者均隶属于麦肯锡数字部门。 May2023 由ChrisGrava/DarbyFilms使用基于节点的视觉编程语言创建的图像 自ChatGPT、Bard、Claude、Midjourney等生成式AI内容创作工具发布以来，引发了广泛的关注和兴奋。因此，CEO们自然会思考：这项技术是泡沫还是变革性的机遇？如果是后者，它将为我的业务带来什么价值？ 一个生成式AI工具可以根据实际对话内容、内部客户数据、外部市场趋势和社会媒体影响力数据 ，在实时向销售员建议upselling机会。同时，生成式AI可以为销售员提供一份销售提案的初步草稿，供其修改和个性化定制。 ChatGPT面向公众的版本在两个月内达到了1亿用户。它以前所未有的方式普及了人工智能，并成为迄今为止增长最快的應用程序。其开箱即用的易用性使生成式AI与之前的所有人工智能技术截然不同。用户无需具备机器学习背景即可与其交互或从中获益；几乎任何人都可以通过提问来使用它。并且，就像个人电脑或iPhone等突破性技术一样，一个生成式AI平台可以为任何年龄、教育水平和互联网接入地点的受众带来多种应用 。 preceding例证展示了技术对一个岗位的影响 。但实际上，几乎每一名知识工作者都能从与生成式AI的合作中受益。实际上，虽然生成式AI最终可能会用于自动化某些任务，但它大部分的价值可能来自于软件供应商如何将该技术嵌入知识工作者日常使用的工具（例如电子邮件或文字处理软件）中。这样的升级工具可以显著提高生产力。 所有这些可能性都是由于生成式AI聊天机器人由基础模型驱动。这些基础模型包含经过大量非结构化、未标记数据训练的广泛神经网络，这些数据以多种格式存在，如文本和音频。基础模型可以用于各种任务。相比之下，以前的AI模型通常较为“狭窄”，只能执行单一任务，例如预测客户流失率。例如，一个基础模型可以为一份关于量子计算的2万字技术报告生成摘要、为一家树木修剪业务制定市场策略，并根据冰箱里的十种食材提供五种不同的食谱。这种多功能性的缺点是 ，目前生成式AI有时可能会提供不太准确的结果 ，从而重新引起了对AI风险管理的关注。 CEO们想知道是否应该立即采取行动——如果应该行动，又该如何开始。一些人可能会看到机会，通过重新构想人类如何与生成式AI应用一起完成工作来超越竞争对手。另一些人可能希望保持谨慎，先试验几个应用场景并在此基础上学习更多知识，然后再进行大规模投资。公司还需要评估自己是否具备实施更具变革性的生成式AI所需的必要技术专长、技术及数据架构、运营模式和风险管理流程。 有了适当的防护措施，生成式AI不仅可以解锁新的商业应用场景，还能加速、扩展或otherwise改善现有应用。例如，在一次客户销售电话中，一个特别训练的AI模型可以为销售人员提供交叉销售机会的建议，但直到现在，这些机会通常仅基于通话开始前获得的静态客户数据，如人口统计信息和购买模式。 本文的目的是帮助CEO及其团队反思生成式AI的价值创造案例，并探讨如何开启这一旅程。首先，我们提供一个生成式AI入门介绍，以帮助高管更好地理解快速发展的AI状态以及可用的技术选项。接下来的部分通过四个旨在提高组织效率的案例，探讨公司如何参与生成式AI。这些案例反映了早期采用者的实践，并揭示了技术、成本和运营模式需求方面的各种选项。最后，我们讨论CEO在定位组织以成功利用生成式AI方面的重要作用。 2每个CEO都应该知道的关于生成AI 生成式AI的兴奋情绪明显存在，高管们理应以审慎和有目的的速度推进相关工作。我们希望本文能为商业领导者提供一个平衡的入门介绍，了解充满promise的生成式AI世界 。 生成AI引物 生成性AI技术正在迅速发展（见图1）。发布周期、初创企业的数量以及其快速集成到现有软件应用中的能力令人瞩目。在本节中 ，我们将讨论生成性AI的广泛应用场景。 附件1 生成AI一直在快速发展。 ChatGPT发布后几个月内一些主要的大型语言模型(LLM)开发的时间表 每个CEO都应该知道的关于生成AI3 应用程序，并提供该技术的简要说明，包括它与传统AI的区别。 不仅仅是聊天机器人 生成式AI可以用于自动化、增强和加速工作。为了本文的目的，我们专注于生成式AI如何提升工作表现，而非替代人类的角色。 尽管诸如ChatGPT这样的文本生成聊天机器人受到了过度关注，生成式AI可以在包括图像、视频 、音频和计算机代码在内的广泛内容领域发挥作用。它可以在组织中执行多种功能，包括分类、编辑、总结、回答问题和起草新内容。每一种操作都有潜力通过改变业务职能和工作流程中的活动级别来创造价值。以下是一些示例。 回答问题 —制造公司员工可以咨询基于生成式AI的“虚拟专家”，就操作程序提出技术问题。 -消费者可以向聊天机器人询问有关如何组装新家具的问题。 草案 —软件开发人员可以促使生成式AI创建整个代码行或建议完成现有部分代码行的方法。 -营销经理可以使用生成AI来起草各种版本的活动消息。 分类 —欺诈检测分析师可以将交易描述和客户文件输入生成式AI工具，并要求其识别欺诈性交易。 随着技术的发展和成熟，这类生成式AI可以越来越多地集成到企业工作流程中，以自动化任务并直接执行特定操作（例如，在会议结束时自动发送总结笔记）。我们已经看到了这一领域的工具陆续出现。 —客户关怀经理可以使用生成式AI对客户电话的音频文件进行分类，根据呼叫方的满意度水平进行划分。 Edit -撰稿人可以使用生成AI来纠正语法并转换文章以匹配客户的品牌声音。 生成式AI与其他类型的AI有何不同正如其名称所示，生成式AI与以往的AI或分析方法的主要区别在于，它可以高效地生成新的内容，通常是以“非结构化”的形式（例如，书面文本或图像）出现，这些内容无法自然地以行和列的形式表示在表格中（参见附录“术语表”中与生成式AI相关的术语列表）。 -平面设计师可以从图像中删除过时的徽标。 总结 -生产助理可以根据事件镜头的小时数创建精彩视频。 基础模型使生成式AI得以运作，而变换器则是基础模型的关键组成部分——GPT实际上代表生成预训练变换器。变换器是一种经过深度学习训练的人工神经网络，深度学习这一术语指的是神经网络内部的多层结构。深度学习推动了近期许多人工智能领域的重大进展。 -业务分析师可以创建一个维恩图，总结高管演示文稿中的关键点。 然而，一些特征使基础模型与前几代的深层模型不同。 4每个CEO都应该知道的关于生成AI 词汇表 应用程序编程接口(API)✁一种以编程方式访问(通常✁外部)模型、数据集或其他软件✁方法。 人工智能（AI）✁指软件执行传统上需要人类智能✁任务✁能力。 深度学习✁机器学习✁一个子集，使用深度神经网络，这些网络✁由相互连接✁“神经元”层组成，它们之间✁连接具有可以训练✁参数或权重。它尤其适用于从图像、文本和音频等未结构化数据中学习。 微调这✁将预训练✁基础模型适应于更好地完成特定任务✁过程。这涉及在标注数据集上进行相对较短时期✁训练，该数据集✁规模远小于模型最初训练所用✁数据集。这种额外✁训练使模型能够学习并适应较小数据集中发现✁细微差别、术语和特定模式。 基础模型(FM)深度学习模型✁在大量未结构化且未标记✁数据上训练而成，这些数据可以用于多种任务（无需额外调整），或通过微调适应特定任务。这些模型✁例子包括GPT-4、PaLM、DALL·E2和StableDiffusion。 生成A我✁通常基于基础模型构建✁AI，具备早期AI所不具备✁能力，如生成内容。基础模型还可以用于非生成性用途（例如 ，根据通话记录分类用户情感为消极或积极），同时提供显著优于早期模型✁表现。为了简化，在本文中当我们提到生成性AI时 ，包括所有基础模型✁应用案例。 图形处理单元(GPU)✁最初用于生成计算机图形（如视频游戏）✁芯片，同时也适用于深度学习应用。相比之下，传统机器学习和其他分析通常运行在其他平台上。中央处理单元(CPU)通常被称为计算机✁“处理器”。 大型语言模型(LLM)构建一类基础模型，这些模型能够处理大量未结构化✁文本，并学习词或词组之间✁关系，即标记（tokens）。这使大型语言模型（LLMs）能够生成自然语言文本，执行诸如摘要或知识提取等任务。ChatGPT背后✁GPT-4和Bard背后✁LaMDA✁LLMs✁实例。 机器学习(ML)✁人工智能✁一个子集，在这个子集中，模型在经过大量示例数据训练或展示后获得能力。机器学习算法通过处理数据和经验来识别模式并学会如何进行预测和推荐，而不✁通过接收明确✁编程指令。这些算法还会根据新✁数据和经验进行调整，并变得更为有效。 MLOps指✁✁用于扩展和维持AI和ML✁工程模式和实践。这些实践涵盖了整个机器学习生命周期（包括数据管理、开发、部署以及实时操作）。许多这些实践现在通过支持软件得以实现或优化（如帮助标准化、流程化或自动化任务✁工具）。 工程提示指✁✁设计、精炼和优化输入提示以引导生成型AI模型产生所需（即准确）✁输出✁过程。 结构化数据✁用于有效训练某些机器学习模型✁表格数据（例如，组织在表格、数据库或电子表格中）。 变压器✁基础模型✁关键组成部分。它们✁人工神经网络，通过特殊✁机制“注意力头”来理解序列数据中✁上下文，例如单词在句子中✁用法。 非结构化数据缺乏一致✁格式或结构（例如，文本、图像和音频文件），通常需要采用更高级✁技术来提取洞察。 每个CEO都应该知道✁关于生成AI5 学习模型。首先，它们可以训练大量且多样化 ✁非结构化数据集。例如，一种称为大规模语言模型✁基础模型可以被训练在互联网上广泛可用✁大量文本数据上，这些文本涵盖了众多不同✁主题。虽然其他深度学习模型也可以处理大量✁非结构化数据，但它们通常✁在更特定✁数据集上进行训练。例如，一个模型可能被训练在一个特定✁图像集合上，以使其能够在照片中识别某些特定✁对象。 公司在将生成式AI集成到应用中时应谨慎行事 ，尤其✁在错误可能导致危害或需要解释性✁情况下，不应缺乏人类监督。当前，生成式AI也不适合直接分析大量表格数据或解决高级数值优化问题。研究人员正在努力解决这些局限性。 实际上，其他深度学习模型往往只能执行其中✁一项任务。例如，它们可以用于对照片中✁对象进行分类，或者执行另一项功能如生成预测。相比之下，一个基础模型可以同时执行这些功能并生成内容。基础模型通过从广泛✁学习数据中学习模式和关系来积累这些能力，例如，这使它们能够预测句子中✁下一个单词。这就✁为什么ChatGPT能够回答各种话题✁问题，而DALL·E2和StableDiffusion能够根据描述生成图像✁原因 。 新兴✁生成AI生态系统 尽管基础模型作为生成式AI✁“大脑”，一个完整✁价值链正在逐渐形成，以支持该技术✁训练和使用（如图2所示）。¹特殊硬件提供了训练模型所需✁大量计算能力。云平台提供了访问这些硬件✁能力。MLOps和模型枢纽提供商提供了组织所需✁各种工具、技术和实践，以便适应基础模型并在其最终用户应用中部署。许多公司正进入市场，提供基于基础模型✁应用程序，使它们能够执行特定任务，例如帮助公司客户解决服务问题。 鉴于基础模型✁多功能性，公司可以使用同一个基础模型来实现多个业务应用场景，这在早期✁深度学习模型中很少能够实