生成式人工智能（Gen AI）正迅速成为各行各业的企业创新焦点。 生成式AI实验对于企业创新而言至关重要，不仅可以帮助企业识别最适合和最有影响的应用场景，还能促进组织沿着生成式 AI 学习曲线前进，建立早期的创新领导者和AI人才梯队，为未来的AI创新发展奠定基础。企业应谨慎选择AI实验起点，有意识地管理生成式 AI 的风险，并实施负责任的 AI 实践。
2023年火热的AI炒作，让众多企业进入2024都面临着同一个公司策略问题：我的企业该如何开始运用生成式 AI？
生成式 AI（Gen AI），专注于利用已有知识创造新内容的人工智能技术。Gen AI 拥有改变众多行业和功能的巨大潜力，并在过去几个月里迅速普及。
首先要明确的是，这是一个快速变化的创新领域，企业在采纳时必须小心谨慎。这项颠覆式技术也存在不少风险，包括误导信息、归属缺失、偏见和有害内容等。我们已经看到了许多不准确的声明，这通常称为“错觉”。在将这项技术推向终端用户和客户之前，必须进行人工监督以防范这些风险。本文不打算深入探讨技术风险，而是建议各公司负责任地试验这项技术，比如采用“负责任的AI”等方法。
本创新指南将介绍企业探索实验生成式AI的重要性，快速AI实验的益处，如何挑选最合适的应用场景，以及成功实验所需的能力和技术设施。
1. 为什么要生成式AI实验
让我们回溯一下历史。2000 年代初，互联网的出现带来了空前的颠覆。我们见证了电商的兴起，亚马逊（Amazon）、易趣（Ebay）和阿里巴巴（Alibaba）等公司迅速崛起。媒体行业也经历了巨大的变革：报纸和杂志转向线上，Netflix 和 YouTube 这样的新兴流媒体服务让观众能够随时观看内容。Expedia 和 Booking.com 等公司让旅行者更容易比价和预订航班、酒店和租车服务，绕过了传统旅行社。互联网为企业提供了新的客户接触渠道，从而颠覆了广告行业。总的来说，互联网在 2000 年代初影响了众多行业，迫使公司不得不适应新变化或面临被淘汰的风险。
类似地，像 ChatGPT 这样的生成式 AI 创新不容小觑。如果您管理的是一个企业组织，这同样适用于您的客户和员工（他们可能已经在使用这项技术）。生成式 AI 有可能影响诸多行业，从分子生成到客户服务，从产品设计到内容开发，涵盖艺术、设计、营销和娱乐等领域。通过利用现有数据创造新内容，生成式 AI 能够帮助企业节约时间和资源，同时仍能产出高质量和可信度高的成果。
生成式AI新兴应用的价值在以下7个大领域得到显现：
(1) 市场营销：我们正见证生成式 AI 营销应用的快速涌现，从生成型产品设计到内容个性化。还包括自动化用户界面设计，这加速了广告活动和产品登陆页面的创建。实际上，有些创新能基于单一提示立即生成数百个活动构思，实现实验和个性化的爆炸式增长。这些创新为缩短营销周期和提高更有针对性的活动交付创造了机会。
(2) 技能培训：虽然像 ChatGPT 这样的工具可能还未完全适合最终用户使用，但它们已能用来创建现有知识库的初稿或概要。正如前所述，这些生成式 AI 的输出需要人工审查以产生最终内容。除了文本创作，还有如 ElevenLabs 和 Synthesia.io 这样的新兴生成式 AI 技术能生成语音和视频。文本、语音和视频的结合将加速培训开发流程，有助于员工入职、产品培训和其他许多应用场景。
(3) 代码生成：OpenAI 的重大创新之一，Codex，可以理解自然语言并自动编写代码。它被用于支持 Github 的 Copilot，这是一种能根据文字提示编写代码的工具。Copilot 可以作为插件添加到常用编程工具，例如 Visual Studio Code。根据 Github 的数据，代码自动生成能大幅提升工程师的工作效率，提升幅度高达 88%。它还能减少错误，帮助开发者更多地专注于测试和功能提升等增值活动。
(4) 企业搜索：多年来公司积累了大量内部知识，通常储存在内部门户和搜索引擎中。过去，获取这些知识需要依靠预设的索引导航。生成式 AI 则有可能通过文本提示来简化知识搜索。企业搜索使公司能够迅速获取其全部数据资料，从而更广泛、更快速地分享知识。采纳生成式 AI 的先行者正在整合他们的内部知识库，并将其应用于生成式 AI 模型中。这使得员工在寻找知识时能够提出更相关的问题，有助于他们更有效地工作和学习。
(5) 客户服务：现今客户期待获得个性化体验，并对其交易的公司提出更高要求。生成式 AI 可以通过生成个性化推荐和动态内容来满足这些期待，并提供快捷方便的客户支持。在过去十年中，客户变得更懂得数字技术和数据。因此，他们追求个性化和快速响应，在他们选择的时间，通过他们偏好的渠道（聊天、移动、网站、面对面）获得服务。能够在与客户接触时提供及时智能服务的公司将走在行业前沿。
(6) 经营分析：生成式 AI 能帮助公司通过数据驱动的方式获得传统方法无法达到的洞察。目前，生成式 AI 模型在提供精确结果和处理数字或逻辑问题方面还存在困难。然而，新兴的性能结果显示，生成式 AI 模型在训练成本和实施工作量方面已经开始超越传统的 AI 分类模型，如图像分类。鉴于生成式 AI 领域的快速发展，我预计这些准确性的不足将在未来几个月得到解决。
(7) 流程自动化：生成式 AI 能够帮助公司通过自动化重复性工作和简化流程来节约时间和资源。这不仅可以降低成本，提高效率，还能为更多战略性的项目释放资源。早期的实验结果显示，在文本内容生成相关任务中，可以达到 50% 到 90% 的效率提升，准确率在 85% 到 90% 之间。
2. 如何构建生成式AI实验场景
快速实验对于推动生成式 AI 的广泛应用至关重要。通过迅速测试和迭代各种模型和应用场景，组织可以快速识别哪些方法有效、哪些不行，从而更好地决定哪些策略最有效，哪些准备好大规模推广。
企业需要全面考虑他们当前和未来的模型，识别全面机会模式下的应用场景。首先，他们需要了解生成式AI如何影响客户体验。其次，公司需要考虑生成式AI如何创新产品和服务。第三，公司需评估生成式 AI如何提高运营效率。最后，公司需构建能力，扩大生成式AI的应用。
(1) 客户体验：专注于改善全程客户体验的用例。包括个性化的产品或服务推荐、聊天机器人和虚拟助手、动态内容生成（如网站文案、营销材料）以及自动化客户服务。例如：
- 利用生成式 AI 的力量，公司能够提升客户参与度，提高客户满意度，并推动业务增长。
- 数字营销和聊天机器人的能力可以通过生成式 AI 的自然语言处理（NLP）能力得到提升。
(2) 产品和服务：专注于通过自动化重复性和耗时任务来加速产品创新的用例（如自动生成产品描述、提出产品特性）。例如：
- 在医疗保健研发中，生成式 AI 用于提出新疗法和生成分子组合。
- 生成式 AI 将用于创造更个性化的产品特性（如个性化条款、个性化药物等）。
(3) 业务运营：专注于提升效率、减少手动工作和内容生成。例如：
- 在数字营销领域，生成式 AI 用于快速生成和迭代产品图像和营销文案。
- 在回应请求提案（RFP）时，组织正在使用生成式 AI 制作初稿。
- 生成式 AI 能够总结文档（如会议记录、法律文件）。
- 公司正在尝试使用他们自己的知识库训练大语言模型，这将帮助员工通过自然语言界面访问所有企业知识。
(4) 生成式 AI 能力：在这一领域，公司将专注于建立关键能力，以便解锁更广泛的应用。例如：
- 负责任的 AI 将使公司能够测试 AI 模型的偏见和不良行为，并加以消除，这将使高层领导和监管者更有信心谨慎、深思熟虑地推进。
- 数据科学将帮助实施和微调模型，对于持续测试新的大语言模型和构建特殊用途模型至关重要。
3. 如何优选生成式AI的实验场景
在考虑进行生成式 AI 的实验时，关键在于慎重选择最有可能从这项技术中受益的应用场景。这可能需要考虑的因素包括所生成内容的类型、目标受众，以及进行实验的可用资源。 以下是一份初步的标准列表，帮助您优先考虑生成式 AI 的应用场景：
(1) 创造价值：这一标准关注生成式 AI 应用场景在创造价值方面的潜力。那些有可能显著提升收入、降低成本或提高效率的应用场景应该被优先考虑。这种方法有助于快速建立动力，并在早期形成良性循环。
(2) 战略契合：接下来，企业应当选择与其商业战略和优先事项相符合的应用场景。这包括改善客户体验、加速产品上市和降低成本等。例如，如果一家公司致力于提升客户体验，那么能够提供个性化推荐或创新产品描述的生成式 AI 应用场景就会非常合适。
(3) 功能可行性：重点关注在文本、图像、语音、视频等内容生成方面能带来好处的应用场景。目前，文本和图像领域已有多个生成式 AI 应用，并且我预计在未来几个月内其他类型的内容也将迅速发展。
(4) 技术可行性：此标准涵盖数据可用性、内容策划、技术能力、安全性、数据隐私、性能等因素。
(5) 风险与收益：最后，评估实施生成式 AI 应用场景的风险非常重要。其中一个需要考虑的风险是内部知识的保护。组织需要注意，与公共语言模型（如 OpenAI 的 ChatGPT）共享的数据可能会被任何人访问，因此建议实施私有模型或在分享前清洗数据。另一个需要考虑的风险是模型输出可能存在的不准确性、偏见或有害内容。目前，建议将生成式 AI 应用优先于内部用户，而不是最终客户。为了应对这些风险，组织需要建立负责任的 AI 实践，监控风险并就实施提供指导。
4. 生成式AI实验所需的技能
开展生成式AI实验不仅需要对行业有深入的理解，还需要在数据科学、负责任 AI 和产品开发方面具备技术专长。此外，强烈的业务和领域知识也非常重要，以确保AI实验与公司的目标和目标一致。
组建一个全能型的AI创新实验团队，针对每个应用场景，大致需要以下角色：
- 生成式 AI 产品负责人：负责明确生成式 AI 应用场景的价值，并领导跨学科团队。他们需要深谙生成式 AI，理解其如何创造价值并管理风险（例如偏见、有害内容和不准确性）。
- 业务分析师：深入了解需解决的具体业务场景（如优化、创新），并理解生成式 AI 解决方案如何融入业务流程。他们在定义需求、策划知识、用户测试和实施方面发挥着关键作用。
- 生成式 AI UX/UI 设计师：与业务分析师合作，识别每个用户角色的痛点和需求。设计师负责开发、测试并迭代用户界面设计，交付视觉指南、UI 线框图和可点击原型，为工程师构建应用层提供必要支持。
- 数据科学家：负责实施和测试生成式 AI 模型，微调大语言模型（LLM）设置，建立模型监督措施，并输入训练数据。他们还需告知模型的能力限制，并就准确性和负责任 AI 提出风险警告。
- 数据工程师：负责构建生成式 AI 的平台基础设施和与大语言模型（LLM）组件的 API 集成，实现数据和内容流程，开发测试自动化用例，以及构建面向最终用户的前端应用程序。
- DevOps 和 SRE 工程师：为生成式 AI 工程师和数据科学家提供所需的基础设施即代码、大语言模型（LLM）监控和运营，以及数据内容管道的批量调度和模型训练。
除了上述技能，团队还需要掌握与生成式 AI 相关的特殊能力，比如知识策划、模型微调和提示工程。这确保了实验结构合理，结果可靠且可重复。
5. 可行的生成式AI技术架构
可行的生成式 AI 实验平台取决于具体用例和可用资源。选择平台时需要考虑的关键因素包括快速训练和测试模型的能力、与现有系统的集成能力，以及技术支持的水平。 生成式 AI 实验平台可以分为三个架构层次 – 应用层、模型层和数据层。
- 应用层：让最终用户与语言模型交互。这一层包括文本提示的用户界面、企业搜索引擎、数据可视化应用、API 集成等。这一领域有许多成熟的技术，包括云原生解决方案。
- 模型层：负责训练和提供 AI 语言模型，支持各种生成性用例。当前有越来越多的大语言模型（LLM）平台可供选择（如 OpenAI、Cohere、Microsoft Azure OpenAI），未来几个月还将出现更多。此外，许多开发者正在构建特殊用途的模型和应用程序，并在模型中心（如 Hugging Face）发布。需要特别注意的是机器学习运营（MLOps）工具，用于支持模型开发、训练和部署等活动。
- 数据层：负责数据摄取、存储、策划和丰富。这一层的技术选择非常成熟，包括在位和基于云的解决方案，适用于结构化和非结构化数据。需要特别关注的是策划和索引知识的能力，以及为特定目的训练生成式 AI 语言模型的设计。例如，组织需要决定如何用正确的关键词标记知识数据，构建数据表示（嵌入）以及训练数据设计的试验。
在 进入2024 年的这个阶段，企业应保持对大语言模型（LLM）解决方案的中立，设计一个 AI 实验平台，以降低在不同大语言模型（LLM）、模型和应用技术之间切换的成本。这将帮助企业测试不同的大语言模型（LLM）并选择最适合其用例需求的模型。
6. 总而言之
生成式 AI 实验是一个迅速发展的领域，将使组织能够了解哪些应用场景最适合和最有影响，以及哪些应用场景尚未成熟。实验还将帮助组织沿着生成式 AI 学习曲线前进，并建立早期的领军者、人才和平台原型。企业应深思熟虑地选择从哪些用例开始，有意识地对待生成式 AI 的风险，并开始实施负责任的 AI 实践来解决这些问题。
