近来，关于生成式人工智能（gen AI）或ChatGPT的头条新闻几乎无处不在。突然之间，人工智能再次成为热门话题，每个人都希望跟上潮流：创业者希望成立人工智能公司，企业高管希望将人工智能应用于业务，投资者希望投资人工智能。
作为大型语言模型（LLM）的倡导者，我相信生成式人工智能具有巨大的潜力。这些模型已经在提高个人生产力方面展示出实际价值。例如，我在工作中使用了LLM生成的代码，甚至使用GPT-4来校对本文。
生成式人工智能是否是企业的灵丹妙药？
现在亟待回答的问题是：对于那些不参与LLM创建的中小企业，他们如何利用生成式人工智能提高业绩？
不幸的是，使用LLM提高个人生产力与为商业利润而使用存在巨大差距。与开发任何商业软件解决方案一样，背后的工作远非表面上看起来那么简单。以使用GPT-4创建聊天机器人解决方案为例，仅创建一个聊天机器人可能需要数月时间，并且成本可能高达数百万美元！
本文将概述将生成式人工智能应用于业务利益的挑战和机遇，揭示给创业者、企业高管和投资者的人工智能领域现状，帮助他们发现这项技术的商业价值。
对人工智能的商业期望
如今，技术已成为商业的一部分。当企业采用新技术时，它期望新技术能提高运营效率，推动更好的业务成果。无论是何种类型，企业都期望人工智能能够达到这一目标。
另一方面，企业的成功并不仅取决于技术。良好管理的企业将继续繁荣，而管理不善的企业将继续面临困境，无论是否出现生成式人工智能或类似ChatGPT的工具。
就像实施任何商业软件解决方案一样，成功采用人工智能需要两个关键要素：技术必须如预期地提供实际商业价值，并且采用组织必须知道如何管理人工智能，就像管理其他业务操作一样，以取得成功。
生成式人工智能的炒作和幻灭
与每项新技术一样，生成式人工智能注定要经历加特纳炒作周期（Gartner Hype Cycle）。随着ChatGPT等热门应用引发了大众对生成式人工智能的关注，我们几乎达到了期望过高的巅峰。不久之后，“幻灭的低谷”将到来，兴趣减退，实验失败，投资损失殆尽。
尽管“幻灭的低谷”可能有多种原因，例如技术不成熟和不适合的应用，但以下是两个常见的生成式人工智能幻灭，可能会令许多创业者、企业高管和投资者感到沮丧。如果不认识到这些幻灭，一个人可能会低估采用该技术所面临的实际挑战，或错失及时而明智地进行人工智能投资的机会。
一个常见的幻灭：生成式人工智能使竞争公平化
由于数百万人正在与生成式人工智能工具进行互动，执行各种任务——从获取信息到编写代码——似乎生成式人工智能使每个企业的竞争公平化：任何人都可以使用它，英语成为新的编程语言。
虽然对于某些内容创作用例（如市场营销文案），这可能是真实的，但生成式人工智能毕竟专注于自然语言理解（NLU）和自然语言生成（NLG）。考虑到技术的本质，它在需要深入领域知识的任务上存在困难。例如，ChatGPT生成的医学文章存在“显著的不准确性”，并未通过CFA考试。
虽然领域专家拥有深入的知识，但他们可能不熟悉人工智能或信息技术，也不了解生成式人工智能的内部运作。例如，他们可能不知道如何有效地提示ChatGPT以获得期望的结果，更不用说使用AI API来编写解决方案了。
人工智能领域的快速进步和激烈竞争也使得基础LLM逐渐成为一种商品。任何基于LLM的商业解决方案的竞争优势必须存在于某些高价值的专有数据或某些领域特定专业知识的掌握上。
现有企业往往已经积累了这种领域特定知识和专业技能的优势。虽然拥有这种优势，但他们可能也有阻碍快速采用生成式人工智能的传统流程。新兴企业可以从零开始充分利用该技术的优势，但他们必须迅速使业务起步，以获取关键的领域知识。两者面临的根本挑战基本相同。
关键挑战是使业务领域专家能够在不要求他们成为专家的情况下培训和监督人工智能，并利用他们的领域数据或专业知识。请参考下面我提出的关键考虑来应对这样的挑战。
采用生成式人工智能的成功要考虑的因素
虽然生成式人工智能在语言理解和生成技术方面取得了重大进展，但它并不能解决所有问题。重要的是要利用这项技术，同时避免其局限性。我强调几个关键技术考虑因素，供考虑投资生成式人工智能的创业者、企业高管和投资者参考。
- 人工智能专业知识：生成式人工智能远非完美。如果决定构建内部解决方案，请确保拥有真正理解人工智能内部运作并能随时进行改进的内部专家。如果决定与外部公司合作创建解决方案，请确保这些公司拥有深厚的专业知识，能够帮助您充分发挥生成式人工智能的优势。
- 软件工程专业知识：构建生成式人工智能解决方案就像构建任何其他软件解决方案一样，需要专门的工程努力。如果决定构建内部解决方案，您将需要拥有精湛的软件工程人才来构建、维护和更新这些解决方案。如果决定与外部公司合作，确保它们将为您完成重要的工作（为您提供无需编码的平台，方便您轻松构建、维护和更新解决方案）。
- 领域专业知识：构建生成式人工智能解决方案通常需要获取领域知识并使用该领域知识来定制技术。确保您拥有能够提供和使用此类知识的领域专家，无论您是内部构建还是与外部合作伙伴合作。对于您（或解决方案提供商）来说，使领域专家能够与人工智能系统协作至关重要。
- 数据访问和数据质量：生成式人工智能需要大量的数据来进行训练，而且数据的质量对模型的性能至关重要。确保您有足够的数据可供使用，并且数据质量良好。如果您的数据不足或质量不佳，您可能需要进行数据采购、数据清洗和数据标注等额外工作。
- 遵守法规和伦理规范：人工智能技术使用应遵守适用的法规和伦理规范。在采用生成式人工智能之前，了解相关的法律法规，并确保您的解决方案符合这些要求。
综上所述，生成式人工智能确实具有商业潜力，但在实际应用中仍面临挑战。了解这些挑战并制定相应的解决方案对于创业者、企业高管和投资者来说至关重要。通过合理的期望、正确的团队和适当的策略，生成式人工智能可以为企业带来实际的商业价值，并推动业务发展。