执行摘要
尽管人工智能在研发、开发和创新（R&D&I）领域已有十年的应用历史，但自近两年以来，随着生成式人工智能（GenAI）和大型语言模型（LLMs）的出现，其加速进程才真正启动。尽管关于潜在应用的信息泛滥，但人工智能在R&D&I过程中的广泛整合仍相对不成熟。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。
本研究由亚瑟·迪·利特（ArthurD.Little）的BlueShift与五家主要的公共和私营部门组织合作进行，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、食品和环境研究所（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用户的访谈，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。
第一章：人工智能在研发与创新中的潜力
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。
- 人工智能的好处：
- 人工智能扩充了研究人员，而不是取代他们，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。
- 它已作为知识管理者、假设生成器和助手发挥作用。
- AI帮助做决策的规划者/思考者原型正在迅速崛起。
- AI在研发与创新中的用例：
- 技术和市场情报
- 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
- 新产品/服务的推出和部署
- AI在研发创新中的好处：
- 人工智能扩充了研究人员，而不是取代他们。
- 人工智能有助于解决棘手问题。
- 人工智能将扮演“策划者-思考者”角色。
- AI在研发创新中的用例：
- 技术情报
- 市场情报
- 创新战略制定
- 情景规划与战略制定
- 自动化市场分析与竞争情报
- 自动化技术趋势与弱信号监测
- 创新引擎
- 监管事务与合规监测
- 部署（市场推出，制造）
- 创意生成与管理
- 投资组合管理
- 资源分配和项目管理
- 知识管理
- 知识产权管理
- 生态系统管理
- 软件开发与研发工具
- 测试
- 文档管理与合规性
- 协助申请补助金和资金
第二章：如何确保成功
确保在AI研发和创新实施中取得成功需要灵活的方法论、健全的数据基础、战略性优先、分析折衷、稀缺数据科学人才管理、IT对齐、快速效益展示和持续监测。
- 灵活的方法论：偏好于快速迭代的敏捷方法，考虑到技术进展的速度。
- 人工智能的益处：增强了研究人员的能力，而不是取代，作为以人为中心的研发与创新工作的一部分。
- 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。
- 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。
- 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）。
- 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。
- 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。
- 与IT的对齐：研发创新功能需要与IT部门对齐，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。
第三章：工具和提供商
AI在研发和创新价值链中高度依赖主要开源模型，但较小的参与者也构成生态系统的重要组成部分。专为研发和创新各个阶段量身定制的应用程序存在，创业公司也将目光投向特定垂直领域的问题。托管提供商还提供推理作为服务。
- AI在研发和创新价值链中可以分为三个层次：
- 基础设施（计算）
- 模型开发和训练
- 应用
- 具有潜力的研发创新人工智能应用：
- GetFocus
- Quid(Netbase)
- Wazoku
- Sakana.ai
- OsiumAI
- Alysophil
- LandingAI
- Patsnap
- Bayesia
- Sinequa
- CausalityLink
- Simporter
第四章：导航未来
AI在研发和创新中的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场景，介于AI在一端转变研发和创新的各个方面，到仅在选择性、低风险用例中使用于另一端。
- 三个主要因素：
- 性能：人工智能在解决研发创新问题方面能达到何种水平？
- 信任：团队是否会信任人工智能模型和结果？
- 可负担性：人工智能系统在财务、环境和运营方面的可负担性会是多少？
- 六种场景：
- Blockbuster：人工智能贯穿研发周期，重塑组织结构。数据成为新的前沿。
- Audience-Oriented：AI方便、价格实惠，被用于日常生产任务，但在提供科学/创造性价值方面表现不佳。
- Crown Jewel：人工智能提高生产力和科学突破，但仅限于负担得起的组织—导致研发和创新领域的双速世界。
- Problem Child：尽管有一些标志性的应用案例和经济实惠的解决方案，但人工智能未能展示其价值——研发与创新组织仍对数据安全、道德准则和可解释性感到担忧。
- Best-Kept Secret：人工智能绩效提升，但高成本使机构更加风险规避。低信任和官僚主义限制采用。很少启动新的大胆实验。
- Cheap & Nasty：AI广泛应用于低风险用例，但仅作为原型设计或头脑风暴工具。不可靠系统经过严格审查，输出经过验证，限制了生产力的提升。
第五章：战略行动
我们建议组织采取六项无悔的举措，无论未来六种情景如何。这些包括共享计算能力、鼓励数据共享、管理人工智能人才、为员工提供人工智能基础知识培训、重新设置数据和人工智能治理方法，以及改善输出控制。除此之外，组织还应该考虑根据公司目标采取审慎的战略决策。
- 六个至关重要的无悔之举：
- 管理和激励人才
- 控制人工智能生成的内容
- 建立数据共享和合作
- 为长远发展而进行培训
- 重新审视IT之外的组织和治理
- 共享计算资源
- AI战略投注：
- 选择性战略投注
- 大胆投资于具有多功能人工智能能力，以便在机会出现时能够构建
- 针对特定问题开展工作，从而为其他方法或项目腾出资金和时间
- 值得进行高风险/高回报的投注
研究结论
- 人工智能在研发和创新领域具有巨大的潜力，可以增强研究人员的能力，解决棘手问题，并提高效率。
- 成功实施人工智能需要灵活的方法论、健全的数据基础、战略性优先、分析折衷、稀缺数据科学人才管理、IT对齐、快速效益展示和持续监测。
- AI在研发和创新中的发展取决于性能、信任和可负担性三个主要因素。
- 组织应该采取无悔的举措，并为人工智能的未来做好准备，无论未来场景如何发展。
- 研发和创新机构需要在创新项目组合优化的过程中放置AI打赌，进行套期保值、投机或做空，这应基于其战略目标、能力和市场情报，以及其运营环境。
