2025年尤⾥卡在类固醇上 以人工智能驱动的研究、开发和创新

以⼈⼯智能驱动的研究、开发和创新 “⼈⼯智能将加速科学研究，远远超出我们的想象。” —Joëlle Barral，Google DeepMind人工智能基础研究总监 尤⾥卡! 加强版 ⼈⼯智能驱动的研究、开发和创新 作者 阿尔伯特·梅杰博⼠, 蓝移⼯程总监, 艾瑟尔·利特公司 Zoé Huczok, 蓝移⼯程项⽬负责⼈, 艾瑟尔·利特公司 Arnaud Siraudin, 艾瑟尔·利特公司副总监 Donatello Fleck, 艾瑟尔·利特公司商业分析师 Geoffroy Barruel, 艾瑟尔·利特公司顾问 贡献者 ⽪埃尔·布鲁埃, GRTgaz研究、开发和创新总监 卡罗尔·卡兰塔, INRAE科学与创新副总监 保罗-乔埃尔·德里安, 集团副总裁创新与可持续发展, 阿维尔公司 菲利普·莫奎安, INRAE⾸席执⾏官菲利普·毛铝，INRAE首席执行官让-吕克·穆莱，法国高等教育和研究部参谋长⾼等教育和研究部克里斯托夫·佩尔图瓦索，Moët Hennessy首席研究与创新官Moët Hennessy安托万·佩蒂，国家科学研究中⼼主席兼⾸席执⾏官，Rick Eagar，亚瑟·迪·⾥特合伙紧急情况专家 居住专家 安妮·布韦罗，法国总统人工智能特使 执⾏摘要 6 序⾔ 12 第1章 ⼈⼯智能在研发和创新中的潜⼒16 第2章 如何确保成功24 插曲：专注于数据！36 第3章。⼯具和提供商38 第5章。战略⾏动64 执⾏摘要 尽管⼈⼯智能⾄少已⽤于特定的研究、开发和创新（R&D&I）应⽤已有⼗年，但⾃近两年以来，随着更强⼤的⽣成式⼈⼯智能（GenAI）和⼤型语⾔模型（LLMs）的问世，加速进程开始启动。尽管关于潜在应⽤的信息泛滥，但⼈⼯智能⼴泛整合到R&D&I过程中仍相对不成熟。将⼈⼯智能应⽤于许多R&D&I⽤例会带来重⼤挑战，尤其是在需要⽆误的结果以及在技术、经济、监管和社会可接受性⽅⾯⼈⼯智能将如何发展存在不确定性。 这项深⼊研究是由亚瑟·迪·利特（Arthur D. Little）的Blue Shift与五家主要的公共和私营部⻔组织合作进⾏的，这些组织已经在其R&D&I⼯作中使⽤⼈⼯智能：路威酩轩（LVMH）、阿维诺（Avril）、GRTgaz、法国国家科学研究中⼼（CNRS）和法国国家农业、⻝品和环境研究所（INRAE）。该研究探讨了R&D&I中⼈⼯智能的现状、挑战与最佳实践、解决⽅案提供商的格局以及未来场景。我们收集了 40多次针对AI提供商、独⽴AI专家以及当前最佳AI⽤⼾的访谈，以及对私营公司和公共机构的调查结果，该调查涵盖AI的成熟度、贡献、收益和障碍。 该调查共收到了200多份答复，调查对象包括私营公司和公共机构，调查内容涵盖了AI的成熟度、贡献、收益和障碍。 ⼈⼯智能在研发与创新中的潜⼒ 如何确保成功 第一章：人工智能通过不同角色在研发与创新过程的各个步骤中增强研究人员的能力，帮助解决棘手问题并做出决策。没有通用模型；数据可用性和问题类型决定了最佳方法。在绝大多数情况下，人工智能模型被嵌入在一个系统中。 第二章：确保人工智能在研发与创新中的成功需要灵活的方法论、健全的数据基础、战略优先级确定、分析折衷、稀缺数据科学人才管理、IT对齐、快速效益展示以及持续监控。 - 灵活的⽅法论。对于⼈⼯智能项⽬开发，偏好于快速迭代的敏捷⽅法，考虑到技术进展的速度。这种⽅法确保可以及早获得⼀些收益，即使“完美”的解决⽅案仍有⼀段距离。 - ⼈⼯智能的益处。⼈⼯智能增强了研究⼈员的能⼒，AI的出现是作为以⼈为中⼼的研发创新努⼒的⼀部分，旨在增强⼈类能⼒，⽽不是取代它们。它有助于解决以往研究⼈员⽆法解决的棘⼿问题。它已作为知识管理者、假设⽣成器和助⼿发挥作⽤。AI帮助做出决策的规划者/思考者原型正迅速崛起。 ⽽不是取代，作为以⼈为中⼼的研发与创新⼯作的⼀部分。它帮助解决了研究⼈员以前⽆法解决的棘⼿问题。它已经充当了知识管理者、假设⽣成器和助⼿。AI帮助做决策的规划者/思考者原型正在迅速兴起。 - 健全的数据基础。数据收集， 存储，安全和治理对实现⼈⼯智能的益处⾄关重要。处理结构混乱或较⼩数据集的新技术变得更加重要。确保⼴泛的数据可访问性，跨组织协作以及有效的数据治理也是基本的。 - 基于AI的模型⽀持研发创新过程的各个阶段 ，涵盖了从技术和市场情报到创新战略、构思、组合和项⽬管理、知识产权管理、⽣态系统管理、知识管理，以及新产品/服务的推出和部署。 - 战略优先级。组织必须在制造、购买现成产品或微调AI模型之间做出战略性选择。多数核⼼研发和创新问题适于微调现有的开源模型，⽆论是LLMs、⽣成对抗⽹络（GANs）、扩散模型还是强化学习（RL）。 在制定策略时要在制作、购买现成的或微调AI模型之间做出选择。⼤多数核⼼研发创新问题适合于微调现有的开源模型，不管是LLM、⽣成对抗⽹络（GANs）、扩散模型还是强化学习（RL）。 - R&D&I任务没有适⽤于所有情况的通⽤模型。 在AI系统和其他⽅法之间进⾏选择取决于可⽤数据的类型和数量（例如更多/更少）以及问题的性质（例如开放/封闭）。在与其他系统的交互或控制中，LLMs经常扮演协调⻆⾊。AI并⾮总是万能的解决⽅案。传统科学⽅法，包括传统回归⽅法，在某些问题上表现可能更好。通常，AI模型嵌⼊在⼀个包含⼈⼯⼲预的系统中。 - 分析权衡。在概念验证（POC）的开发中必须仔细考虑权衡，包括获取与合成数据、优化精度与召回率、⽋拟合与过拟合数据。 在概念验证（POC）开发中需考虑的要素包括获取与合成数据、优化精度与召回率、以及⽋拟合与过拟合的数据。 - 数据科学⼈才管理短缺。解决对专业数据科学资源的获取的正确组织解决⽅案取决于需求，使⽤外部资源、培训内部专家、创建中央AI服务中⼼或将数据科学家嵌⼊研发团队都各有利弊。 访问专业数据科学资源的组织解决⽅案取决于需求 — 使⽤外部资源、培训内部专家、创建中央⼈⼯智能服务中⼼，或者将数据科学家嵌⼊研发团队，各有利弊。 选择AI系统和其他⽅法取决于可⽤数据的类型和数量，以及问题的性质。 - 与IT的对⻬。研发创新功能需要与IT部⻔对⻬，以满⾜安全性和合规性要求，同时保持实验所需的速度。 - 快速效益演⽰。优先考虑AI使⽤案例并迅速展⽰收益有助于避免概念验证项⽬停滞。 - 持续监控和改进。这对实验性AI模型尤其重要，因为它们的性能会随时间改变。- 持续监控和改进。这对实验性AI模型尤其重要，因为它们的性能会随时间变化。 - 持续监控和改进。这对实验性AI模型尤为重要，因为它们的表现可能随时间⽽变化。对于实验性⼈⼯智能模型来说尤为重要，因为它们的性能可能随时间变化。 引领未来 Blue Shift⼯具和提供商 第四章：研发创新中的AI将如何发展取决于三个主要因素的结果：性能、信任和可负担性。这些因素导致了六种可能的未来情景，从AI在研发创新的各个方面都得到转变一端，到仅在选择性、低风险的用例中使用另一端。 REPORT 007第三章：研发创新领域中的AI价值链在很大程度上依赖于主要的开放源模型，但较小的参与者也构成生态系统的关键部分 为研发创新过程的每个部分量身定制的应用程序存在，初创企业也瞄准特定垂直领域的问题。托管提供商还提供推断服务。 我们确定了塑造未来的16个趋势，分为三个主要因素： - 开放源的关键作⽤。AI在研发创新中的价值链可以分为三个层次： AI在研发创新中可以分为三层次： 1.性能- AI是否能达到许多研发创新问题所需的⾼标准 (1) 基础设施（计算），(2) 模型开发和 (3) 研发与创新应⽤。开源模型是整个链条的⽀柱，由主要参与者如 Meta（Llama），微软（Phi）和英伟达（NVLM，TensorFlow，StyleGAN）开发和训练。像 Mistral 和 Cohere（Aya 23）以及法国国家科学研究中⼼和GENCI（BLOOM）等学术机构也在很⼤程度上为开源⽣态系统做出贡献。通过⿎励共同创建和共享微调⼯具的论坛，如 Hugging Face，加强了协作。 2.信任-研究⼈员、开发⼈员、客⼾和公众信任和接受⼈⼯智能⽣成的输出的程度 3.可负担性-⼈⼯智能实施受成本、技能、资源和环境影响的约束程度 这些因素导致了两端的六种可能情形: 1.性价⽐低劣。在光谱的⼀端是反映性能和信任低但可负担性⾼的性价⽐事件。在此情景下，⼈⼯智能仅⽤于选择性较低⻛险⽤例，并进⾏严格审查，以遏制⽣产⼒增⻓。- 初创企业和玩家。⼈⼯智能⽤例存在于研发与创新过程的每个构建模块中，从战略和情报到构思、组合/项⽬管理、知识产权管理、知识管理、⽣态系统管理和部署。应⽤市场还包括针对科学、研究和创新问题的垂直特定初创企业，尤其是在⽣命科学领域。研发创新过程的每个构建块，从战略和情报到构思、组合/项⽬管理、知识产权管理、知识管理、⽣态系统管理 和部署。应⽤市场还包括针对科学、研究和创新问题的特定垂直创业公司，尤其是⽣命科学领域。 2.⼤⽚。在光谱的另⼀端是⼤⽚情景，反映了⾼性能、信任和平价。 中间是反映其他组合的情景，每种情景对⽇常研发创新⼯作、组织演变以及赢家和输家都会产⽣不同后果。识别这些情景对研发创新机构制定前进⽅向很重要。 - 推理服务——⼀个有前途的服务。 各种托管提供商还提供推理作为服务模式，该模式包括在云中托管模型运⾏所需的计算能⼒（例如，每个LLM查询），以帮助客⼾避免⾼昂的计算成本。 5重新思考超越IT的组织和治理。为⼈⼯智能建⽴适当的治理系统。这意味着向企业整体和数字团队内的关键个⼈分配清晰的⼈⼯智能和数据治理责任和职责，超越IT职能。 战略举措 第5章：我们建议组织采取六个无悔之举，无论未来六种场景如何。 这些包括共享计算能⼒、⿎励数据共享、管理⼈⼯智能⼈才、培训员⼯掌握⼈⼯智能基础知识、重新设置数据和⼈⼯智能治理⽅法，以及改进输出控制。除此之外，组织应该采取符合公司⽬标的谨慎战略赌注。 这些包括共享计算能力、鼓励数据共享、管理人工智能人才、为人员培训人工智能基础知识、重设数据和人工智能治理方法以及改善输出控制。除此之外，组织还应该根据企业目标考虑采取谨慎的战略赌注。 对于关键的⼈⼯智能应⽤案例，治理的集中可能是可取的，以克服协调流程，直接向执⾏领导报告。 6共享计算资源。寻找与合作伙伴通过共享化增加计算能⼒可负担性的机会。 - 研发和创新组织的六个⽆悔之举 应该着⼿为⼈⼯智能的未来做准备，⽆论情景如何发展: 1- 管理和赋予⼈才权⼒。正确评估外部资源并建⽴内部能⼒。鉴于低代码/⽆代码（LCNC）⼈⼯智能解决⽅案变得越来越普遍，数据⼯程配置⽂件可能⽐数据科学配置⽂件更重要。 在决策过程中，研发和创新机构应该考虑AI应⽤场景的范围、成本和效益；优先考虑努⼒；并重新审视整体创新战略，以适应⼈⼯智能的未来。应当应⽤投资组合逻辑，以确保适当平衡： 2- 控制AI⽣成的内容。扩⼤质量和知识产权控制系统，以处理AI⽣成的内容和数据的规模扩⼤。 - 对冲⼈⼯智能举措，以确保对未来⼲扰的迅速响应- 投机性的⾼⻛险/⾼回报的⼈⼯智能机会 - ⾼⻛险⾼回报的⼈⼯智能机会 3建立数据共享和协作 - 在未来AI领域进⾏缩短，可以特别容易受到性能不佳、信任⽔平低或成本过⾼影响的领域 积极推动数据共享倡议，寻求互惠利益和克服竞争关切的⽅法 4为⻓远培训。持续向尽可能⼴泛的受众传授⼈⼯智能培训，超越⽴即⽤⼾。这应涉及⼈⼯智能的技术基础知识，功能能⼒，实施要求和潜在⻛险 AI将赋能研发和创新的各个环节，包括涉及创造⼒的部分 AI的影响不仅仅是炒作 —— 它正在影响研发和创新的⽣产⼒和创造⼒。那些悄悄利⽤通⽤类型的LLM和较⼩的专⻔模型的公司已经在某些情况下看到了10倍的⽣产⼒提升 AI作为协调者，⽽不是独奏者 2 AI应该作为不同数字⼯具之间的协调者，例如模拟，传统⼈⼯智能 (GOFA