top of page
  • Summer Atlantic

生成式人工智能,人工智能的新范式


生成式人工智能以其卓越的类人创造力站在了人工智能技术的前沿, 并彻底改造着内容生成、文本分析、客户服务和编码等领域。据估计,它的生产力水平是人类劳动的4.4倍以上。

 

生成式人工智能在各个领域的快速发展和整合可以归因于模型的重大进展、计算能力的增强以及支持性生态系统的拓展。

 

1. 模型。Transformer模型在2017年发布, ChatGPT在2020年发布,众多多模态生态系统和大规模视觉模型方面的持续突破,标志着生成式人工智能在文本领域迈出了重要一步。

2. 计算能力。计算硬件基础设施变得更快、更便宜。可以看到,NVIDIA正在提升其GPU性能,而微软、亚马逊、谷歌和Facebook等领先的科技公司正在加大在人工智能计算云服务方面,和他们自己的人工智能芯片开发上的投资。

 

3. 生态系统。人工智能组件层(AI Stack)的完善以及工业分工的细化为模型训练、数据整合、应用程序开发和部署提供了全生命周期支持。

 

根据Gartner的说法,从替换重复性任务到生成创新内容,人工智能涵盖广泛。它还预测,到2023年,20%的组织机构将使用人工智能服务;到2025年,人工智能对企业收入增长的贡献将达到10%。当然,如果出于种种原因,比如缺乏识别业务和机会的能力,组织可能会错失人工智能驱动的增长时机。

应用场景

金融

在过去的几十年里,金融行业在技术的支持下经历了彻底的转型。例如,购物不再需要现金或刷卡;交易越多,银行内的排队就越少等。

 

在实际应用中,拥有专业风险预防和控制技术能力的大型模型提供商确实已经成为国内外金融机构的主要合作伙伴。例如,世界各地许多金融公司选择了在微软Azure上的OpenAI作为他们的合作伙伴。其人工智能解决方案能够检测合成声音,帮助汇丰银行节省了超过4亿美元与身份盗窃和欺诈预防相关的成本。此外,Swift与微软合作进行反洗钱,利用Azure保密计算和大型人工智能模型来检测银行间资金流动中的欺诈模式,而无需访问银行客户的数据。

 

医疗保健

生成式人工智能通过交叉参考患者的医疗和理赔记录来支持交互式语音应答(IVR)流程,从而为用户创造更个性化的体验,同时减少需要员工处理的呼叫量。它还可以总结患者过去的治疗情况,为后续随访创建未来的管理计划。此外,通过分析客户的文本和趋势,如最常见的索赔和医疗访问类型、客户最不满意的时刻以及最容易使客户困惑的问题,它能够帮助医疗保健提供者识别“木桶最短板”。

 

制造业

在采矿流程中,需要预防设备的过早故障,避免昂贵的维修和更换,并延长资产的使用寿命。生成式人工智能通过考虑设备使用情况、生产要求和维护成本等运营因素,可以为企业推荐最经济实惠的维护计划。它还可以分析设备使用和性能数据,以最小化停机时间,从而帮助优化维护计划。

 

文化和娱乐

在内容创建中,生成式人工智能用于剧本编写、原始对话设计和角色生成。在媒体中,它涵盖内容标签提取和帧间恢复。在通讯领域,它可用于新闻制作和生成视频材料。以下是一个应用示例。


服务供应商

亚马逊

  • Amazon Titan:用于文本摘要、文本生成、分类、开放式问题回答、信息提取、嵌入和搜索等。

  • AI21 Labs Jurassic-2 Multilingual LLM:用于生成各种语言的文本。

  • Anthropic Claude 2:基于Constitutional AI和无害性训练,用于启示性的对话、内容创建、复杂推理、创造力和编写代码的大语言模型。

  • Stability AI Stable Diffusion:生成独特、逼真、高质量的图像、艺术品、标志和设计。

  • Cohere Command + Embed:用于业务应用的文本生成模型,以及用于搜索、聚类或分类的嵌入模型,支持100多种语言。


这是一个AWS架构示例:

Azure 

Azure将OpenAI模型整合到云服务领域。这使更多企业能够使用先进的AI模型,包括GPT-3.5、Codex和DALL·E 2。

 

自2000年以来,微软的发展大致经历了三个阶段:1)2000年代:2000-2001年,微软推出了Windows 2000/XP,但错过了移动互联网的发展机会,导致股价大幅下跌;2)2010年代:2008年,微软推出了Azure,布局了其云计算战略,并于2015年开源并适应了Linux,从而快速提升了性能;3)自2019年以来:微软一直专注于人工智能领域,包括投资于OpenAI和Nuance等人工智能公司。在2023年,微软宣布进一步投资OpenAI,他们的合作关系进入了第三阶段。

 

现有挑战 

模型提供商在模型训练阶段面临以下一系列关键挑战。


1. 大数据:用于训练大型模型的数据需要更大的数量、更高的质量和更强的安全性,以及面临着确保在不影响数据实用性的前提下,有效保护隐私等重大挑战。

2. 大参数:大型模型往往具有数万亿个参数。在训练过程中,文件存储、读写以及集群稳定性等方面需要高度的架构要求。

3. 高计算能力:需要确保计算性能和稳定性,同时降低总体成本。

 

开发人员负责在规模上实施技术,面临以下挑战:


1. 模型选择和评估。实际业务中的应用场景复杂多样,需要考虑不同供应商模型和部署环境的兼容性问题。

2. 解决数据孤岛。大型模型使多模态数据的集成使用成为可能。这需要开发人员部署适当的API、数据仓库和流水线,以实现组织内不同部门或系统之间数据的自由流动,发挥整个数据资产的潜力。

 

用户面临以下挑战:


1. 隐私问题。用户担心使用第三方模型和云可能导致核心数据泄露。

2. 成本控制。希望在确保高并发和低延迟的同时降低基础设施和付费服务的成本。

3. 人员培训。企业相关技术工作人员的短缺。

 

政策

美国

2021年6月,美国政府问责办公室在《人工智能:联邦机构和其他实体的问责框架》中定义了围绕治理、数据、绩效和监控等原则的问责实践。

 

2022年10月,白宫科技政策办公室发布了一份名为《AI权利法案蓝图——使自动化系统为美国人民服务》的白皮书,概述了人工智能的五项基本原则。

 

2023年1月,美国商务部的子公司国家标准与技术研究院发布了《人工智能风险管理框架》及其配套用户指南,定义了与人工智能相关的风险。


中国

针对中国大陆的生成式人工智能服务必遵从一些规章制度的要求。

亚太地区潜力

根据Infosys的调查,亚太地区公司在过去一年中在生成式人工智能上的支出比欧洲多了14亿美元,但仍落后于北美公司。未来,亚太地区公司计划将其在生成式人工智能上的支出增加超过140%,到2024年达到34亿美元。这一预期增长率超过了欧洲预测的115%,预计将进一步缩小与北美地区的支出差距,可能使增长率翻倍,并在该地区扩大领先地位。

中国,凭借其高度发达的技术行业,预计将在亚太地区处于领先地位。

一项涵盖澳大利亚、中国、印度、日本、新西兰和新加坡的12个行业的研究显示,金融服务、高科技、保险和制造业部门,相比其他受调查行业,采用了更多的创造性的举措;而医疗保健行业在实施的努力程度和创造业务价值方面明显落后于其他行业。

Salesforce的一份报告收集了来自28个国家的超过4,000名IT领导者的见解,其中包括来自亚太地区的1,400名领导者。其中88%的人强调了生成式人工智能在该地区技术格局中日益重要的地位。

 

Salesforce最新发布的亚太地区准备指数评估了该地区12个国家的人工智能准备情况。

在亚太地区,像新加坡、中国、日本、韩国和澳大利亚等国家已经实施了旨在利用生成式人工智能机遇的政策。然而,越南和菲律宾等排名较低的国家则不然。尽管整体上政府准备度增加,但高低得分之间的差异仍然保持一致。越南的增长最小。实际上,越南在人工智能方面投入了大量资金,但由于缺乏人工智能人才和专业知识,进展受到了阻碍。

 

总之,各国成功利用生成式人工智能潜力的程度取决于健全的制度、基础设施、组织和道德框架。

 

据预测,到2030年,生成式人工智能在澳大利亚可能每年为经济增加约1150亿澳元(约合760亿美元),前提是其采用率以及工人顺利过渡到替代岗位的情况。同样,在日本,生成式人工智能预计将释放相当于约148.7万亿日元(约合1.1万亿美元)的生产能力。

 

"根据调查结果,普遍认为生成式人工智能技术有望显著提升员工生产力和客户满意度,"Adobe大中华区总经理Tony Ng表示。

 

生成式人工智能的潜力可以通过具体的应用示例来展示。新加坡国立大学健康系统(NUHS)等组织正在与亚马逊网络服务(AWS)等科技巨头合作,在医疗保健领域试点生成式人工智能解决方案。他们的重点是任务自动化,例如创建患者出院摘要,并注重生成式人工智能应用的精度、安全性和全面测试。

 

尽管一些亚太地区的组织愿意为集成了生成式人工智能的产品或服务支付溢价,但相当比例的组织表示出不确定性,并强调了需要健全的财务运营(FinOps)来有效管理生成式人工智能工作负载费用,需要采取战略性的方法去应对生成式人工智能采用的复杂性。麦肯锡的Bhargs Srivathsan强调选择适合组织需求的合适模型的重要性,并警告不要在不必要复杂的模型上过度支出。明智地管理生成式人工智能的使用可以极大地影响其融入业务框架的可行性和成功性。

 

总之,生成式人工智能(GenAI)拥有多元且巨大的潜力。它可以彻底改变业务运营,并为更高效、更具动态性的未来铺平道路。

Comments


bottom of page