从头开始：生成式人工智能能否帮助公司解决其人工智能议程的执行差距？
20141008070904006050301020图1来源：Kearney分析从零开始：生成式人工智能能否帮助公司解决其人工智能议程执行差距？11980年代生成式人工智能进化ChatGPT是一个极其强大、用户友好的工具输入输出请为我生成一个视觉吸引力强的网页代码。满足以下要求。随着人们对人工智能巨大承诺的热情日益高涨，企业面临着一个巨大的困境：如何弥合人工智能战略与执行之间的差距。特别是，他们一直面临着寻找和建立有能力团队、获取由高质量数据支持的高质量人工智能模型，以及确定首个用例部署在何处的挑战。人工智能（AI）在近几十年里取得了长足的进步，从简单的基于规则的系统演变为能够产生创造性和创新输出的复杂深度学习网络。— 主题：生成式人工智能的演进 — 技术：只需要使用网络浏览器即可运行。请使用HTML、CSS和JavaScript。 — 内容：请提供详细的笔记，按段落划分，解释过去40年间生成式人工智能的发展。每十年一个段落。文本基于最可靠的报纸和科学期刊。 — 生成用于展示近年来人工智能技术市场增长的交互式条形图的代码和数据。20世纪80年代标志着人工智能进入主流的开始，专家系统开始普及。专家系统是旨在模拟人类专家在特定领域决策能力的计算机程序。日本第五代计算机系统计划是一个重要的里程碑，推动了人工智能的研究与发展。然而，这个时期也见证了人工智能寒冬，人工智能研究经费和兴趣减少，因为膨胀的期望与该技术的初始进展和能力不符。近年来该领域发展迅速，催生了生成式AI，这是一种能够生成内容（包括音频、代码、图像、文本、模拟和视频）的AI技术类别。这项技术有能力从根本上改变我们的思维方式、创作方式和问题解决方式，彻底革新了各行各业多个高影响力商业案例。在本文中，我们将探讨生成式AI至今的发展历程，并看看它将把带我们走向何方。 20152016201720182020201920210说明示例人工智能技术市场增长市场规模（以十亿美元计）这个简单的练习仅暗示了生成式AI的强大能力。它将把我们带向何方？生成式AI有无数种方法可以帮助缩小AI执行差距，但在讨论这些方法之前，让我们先看看我们是如何到达这里的。然而，由于近期生成式人工智能的发展，这种情况即将改变，主要体现在大型语言和图像模型（LLIMs）上，以及这些模型在无代码平台和简单用户界面方面对非技术用户的可访问性显著提高。生成式人工智能降低了公司采用尖端人工智能技术的门槛，更重要的是，帮助它们理解这些技术可能为其组织带来价值的位置。OpenAI的ChatGPT因其即插即用功能和提高生产力的能力而受到了广泛的赞誉。作为一个展示这个工具强大功能的例子，我们要求ChatGPT-4编写一个用于网页上生成式AI进化的脚本（JavaScript、HTML和CSS）。提示以及ChatGPT提供的代码的渲染输出可以在图1中看到。 转换器的卓越特性不仅在于其生成功能，还在于它们如何克服深度学习应用的主要障碍。转换器模型可以由无监督学习和自监督学习进行训练，这意味着它们只需要少量人工标注数据。早在2014年，生成式人工智能就因生成对抗网络（GAN）的出现而轰动一时，这是一种可以从噪声图中生成逼真图像的深度学习架构。与变分自编码器（VAE）相结合，GAN为深度伪造技术铺平了道路，这是一种修改图像和视频的技术，通过创建逼真但虚假的公众人物（例如，政治家）的视频而变得流行。与许多其他人工智能系统不同，用户可以看到他们的输入对生成输出的直接影响。尽管围绕生成式AI的最新热潮——包括由DALL-E等生成式机器学习模型创建的图像以及完全由ChatGPT撰写的领英帖子——生成式AI已经陪伴我们几年了，尽管有一些显著的例外。2017年谷歌发布了第一个Transformer模型，它是支撑GPT-4等LLIMs的核心深度学习架构，GPT-4由OpenAI于2023年3月发布。Transformer具有强大的生成能力，包括软件代码、蛋白质结构和自然文本，这可以在ChatGPT中看到。 3. 输入和输出之间的连接是1. 该技术以用户为中心构建从零开始：生成式人工智能能否帮助公司解决其人工智能议程的执行差距？2这提出了一个问题：是什么导致了最近的兴奋？本质上，我们认为生成式AI的突破可以追溯到三个潜在因素：尽管许多底层的生成式人工智能模型已经存在了几年，该领域直到最近才获得了投资者和公众的这种巨大关注（参见第3页的图2）。实体虽然生成式人工智能可能无法完全解释底层模型所面临的挑战，但它确实让用户得以亲身体验人类如何向模型提供输入，并在几秒钟内获得高度相关的输出。与其他许多人工智能系统不同，用户可以亲眼看到他们对生成输出的直接影响，从而产生一种透明感和赋权感。2. 基础设施已得到改善。除了对驱动生成式人工智能能力的算法和界面的独立改进之外，生成式人工智能的计算基础设施和平台也平行发展。据谷歌CEO Sundar Pichai称，“目前，最大的人工智能计算的规模每六个月翻一番，远远超过了摩尔定律。”（作为提醒，摩尔定律，即计算能力每两年翻一番，几十年来一直是科技领域的黄金法则。）应用程序。为了让用户对生成式AI输出获得更多控制权，他们必须对体验拥有更多控制。近年来像ChatGPT和DALL-E这样的应用程序的一个共同因素是，用户可以通过编辑、重新生成或配置模型输出来直接与模型行为交互。此外，像OpenAI和Hugging Face这样的平台通过提供可在按需基础上运行API解决方案，消除了构建和运行可扩展机器学习模型的复杂性。例如：如果我们想要我们示例中网站的代码使用另一种语法编写，我们可以相应地编辑输入提示。 从训练轮开始交易计数交易价值（十亿美元）OpenAIChatGPT生成式人工智能近年来受到了投资者和公众的极大关注但生成式AI的优势已不再局限于大型科技公司。该技术的开源可实现性与生成式AI的实体特性相结合，为几乎所有类型的公司部署AI开辟了新篇章，无需前期投入从头构建模型，并利用它们解决具体问题。来源：金融时报，GoogleAnalytics；凯文尼分析所以，今天我们坐在这里，这些强大的新工具已经准备好成就伟大。我们如何利用这个潜力？迄今为止的赢家是大型科技公司。这些公司拥有海量数据，拥有巨大的内部计算能力，并且销售一系列市场领先的产品和服务，他们可以在这些产品和服务中添加生成式人工智能功能。例如，微软正在充分利用其成熟的云基础设施来构建一个由生成式人工智能驱动的强大产品组合。该公司已经在其微软365应用程序中集成了该技术旨在大幅提高用户生产力。 从零开始：生成式AI能否帮助公司解决其AI议程执行差距？3自动化创意任务。目前，许多公司面临着双重挑战：既要应对人才问题（要么是招聘冻结，要么是找不到合适的人才），同时又要期望保持与后疫情时代相同的增长速度。鉴于生成式AI的创造性能力，公司可以利用这项技术来替代人类通常执行的某些例行创意任务——通常包括发布和传播或与沟通相关的任务，例如社交媒体帖子、销售邮件、广告、网站文案以及其他面向客户的内容。公司应该在何处部署这些模型？机会是无限的，但四个用例是生成式AI可以提供重大价值的强大初始候选。 从零开始：生成式人工智能能否帮助企业解决其人工智能议程执行差距？4综上所述，生成式人工智能还有另一方面。尽管最近取得了成功并拥有光明的未来，但生成式人工智能行业以及采用底层技术的公司仍然必须解决一系列挑战。目前，有效利用生成式人工智能需要人在整个过程中参与。以ChatGPT为例。人必须以提示的形式提供上下文来生成内容。事实上，对提示的兴起需求导致了提示市场,其中提示语可以小额付费购买。并且一旦生成内容，人类也需要对其进行评估和迭代以达到预期的输出水平。例如，由生成模型创建的代码在集成到更大的技术程序之前仍需仔细审查。而且，如果人类不验证其输出，技术的“幻觉”倾向，即编造内容，可能会造成重大问题——如近期一桩法律事务所示在其中一名律师使用ChatGPT进行与即将到来的法律诉讼相关的调查。该诉讼包括ChatGPT“找到”的六个案例支持律师的论点，但最终发现ChatGPT只是凭空编造了这些案例——这让律师非常懊恼，他在去法庭之前从未检查过该工具的工作。此外，人工智能还有伦理层面的问题。到目前为止，生成“深度伪造”图像——即由人工智能操纵或创建以描绘现实——需要巨大的计算能力。如今，鉴于许多生成式人工智能系统的开源性质，任何人都可以为欺诈目的生成图像甚至视频。因此，生成式人工智能的出现也给IT安全与合规职能带来了全新的挑战。除了深度伪造，这些挑战还包括但不限于：钓鱼邮件、社会工程、恶意软件和勒索软件代码、剽窃、版权侵权、滥用和有害内容、虚假信息和宣传。值得注意的是，我们已经看到生成式人工智能被用来通过合成消费者声音的模仿来欺诈“了解你的客户”语音系统，以获取敏感消费者数据。因此，公司不仅需要理解人工智能防御的概念，还必须采取措施保护其流程免受人工智能驱动的不良行为者的侵害。还有比阳光和彩虹更多的事情 生成和增强数据。生成式人工智能可以创建与给定数据集相似的合成数据。这对于没有足够真实世界数据来训练人工智能模型的公司，或者想要用更多示例来扩充现有数据的公司都是有用的。生成式人工智能还可以用来创建现有数据的更多变体，这有助于提高机器学习模型的性能。个性化客户体验。个性化常被视为生成式AI的最大价值之一。在这种背景下，公司可以使用工具来应对日益增长的个性化需求，例如为客户提供智能客服和产品支持协助，同时增强客服专业人员使用智能工具，以更好地、更有效地满足客户的需求。此类智能的一个例子是谷歌的LaMDA，当一个公司工程师确信它是有感知能力的生物时，它最近成为新闻报道的焦点。重要的是，客户协助不再仅限于文字，因为GPT-4的多模态特性使其能够处理视觉图像和文本。提升开发者能力。OpenAI的Codex基于GPT-3，已被证明在帮助开发者更快、更有效地编写代码方面非常有效。给定一小段代码，Codex可以生成多种语言的代码，甚至可以修复自己的代码并附带解释——从而使整个软件开发过程更加敏捷和高效。此外，OpenAI最新的LLIM GPT-4仅根据餐巾纸上的草图即可生成代码来创建完全功能性的网站。 聚焦AI部署的最佳点。起飞确定一个你想要用生成式人工智能解决的问题或用例。通过逆向工程的方法，了解生成式AI所能带来的巨大可能性，你应该花时间清晰地定义你试图解决的问题。这样做，你可以更好地理解系统需要的输入和它应该产生的输出，并相应地进行优化。例如，如果你试图构建一个生成式AI系统为公司创造新的产品理念，你需要仔细考虑公司感兴趣生产的产品类型，它瞄准的客户类型，以及相关的市场趋势和消费者偏好。通过这种方式仔细定义问题，你可以确保你构建的AI系统能够产生与公司目标相关且可行的理念，而不是与公司目标完全脱节的理念。人工智能技术实施的不懈问题是，“我接下来该去哪里？”生成式人工智能也不例外。然而，正如本文所强调的，生成式人工智能近期受欢迎的关键因素之一是其实体性和开源可用性。因此，尽管生成式人工智能的未来如何及其持续成功，公司仍可采取几项无后悔行动，以进一步加强其人工智能地位并增加创造真实价值的机会。一旦你确定了可以从生成式AI中获益的问题或用例，下一步就是确定这项技术可以在特定流程中的哪个环节得到最佳应用。在整合过程中，完全自动化一个流程与利用生成式AI增强人类互动的问题是一个重要的考量，每种方式都有其独特的挑战和优势，具体取决于用例和目标。虽然用完全自动化的生成式AI解决方案取代人工劳动可能带来长期成本节约，但目标也可能是提高个人生产力，在这种情况下，AI辅助流程可能是正确的方向。然而，在自动化和增强之间找到正确的平衡，对于充分发挥生成式AI的潜力以及应对大规模部署AI解决方案时所面临的一些社会考量至关重要。 从零开始：生成式人工智能能否帮助企业解决其人工智能议程执行差距？5 公司可以采取几种无后悔的行动来增加其创造真实价值的机会。 ————————图3生成式人工智能格局（非详尽）从零开
