生成式AI正在改变产品开发的方式。企业通过利用图像和文本生成工具，提升创新流程中的创造力、获取客户洞察力，并为专业应用创建自然语言界面。此类AI技术已用于改进设计工作流程、增强用户体验，并提供更加智能的用户交互接口。通过将生成式AI集成到产品开发流程中，企业能够加速创新并更好地满足市场需求。
随着企业对生成式人工智能用例的尝试，一个前景广阔的领域正在出现：将图像和文本生成工具纳入产品开发流程。 创新团队正在使用生成式人工智能来提高构思和创造力，获得市场和客户洞察力，并为复杂的系统添加用户友好界面。
在我们的实地研究和与管理人员的数十次访谈中，我们看到了 GenAI 如何成为改变传统创新工作流程的催化剂。 下面介绍的使用案例让我们深入了解公司如何通过整合这些技术来提高创新团队的工作效率。
应用1：增强创造力和设计工作流程
波士顿设计公司 Loft 只是众多在创意过程中使用生成式人工智能技术的创新公司之一。 在 2023 年 5 月启动的一个项目中，Loft 利用 GPT-4 通过已知的客户偏好提示来建议新的产品功能。 然后，GPT-4 通过额外的提示来识别和完善最有前景的创意。 与此同时，设计师们开始绘制产品概念草图，然后将草图上传到图像生成器 Midjourney 中，除了在纸上重新创作外，他们还可以通过提示完善视觉设计。 在创新过程的这些创意阶段，生成式人工智能倾向于产生幻觉–违背事实或逻辑的文本或图像–这并不重要，因为团队只是在寻找创意。 这种用例得到了研究的支持，该研究发现，人类在生成式人工智能的帮助下进行头脑风暴时，往往能提出更有用的想法。
当开发流程进入设计和工程阶段时，必须相信工具能够产生可靠的结果。 公共可用的生成式人工智能平台本可以帮助 Loft 团队构思创意并绘制早期原型草图，但该公司在这一阶段暂停使用生成式人工智能工具，而是让工程师根据选定的概念制作原型。
Loft 团队通过视频焦点小组和调查收集消费者对原型的反馈意见。 GenAI 用于生成消费者与原型的互动记录，然后对其进行分析，这是 ChatGPT 等大型语言模型 (LLM) 最擅长的工作。 LLM 对数据进行了总结和聚类，提出了需要改进的地方，并确定了消费者喜欢的功能，作为产品发布营销的输入。 然后，设计团队将从一般到具体的产品洞察结果整合到最初的设计概念中。
在这一阶段，Loft 避免向 LLM 提出超出输入数据范围的问题，以防止幻觉影响分析。
自最初的项目以来，利用生成式人工智能增强产品开发能力，Loft 的设计流程得到了显著改善。 例如，Loft 的设计师利用该技术为一款吉他玩具快速生成了 50 个具有不同产品特性的新概念。 如果没有生成式人工智能，他们可能要花很多时间阅读测试人员的反馈，并据此勾勒出新的概念。 生成式人工智能不仅帮助他们加快了工作速度，还能更有效地设想出最能满足特定消费者需求的产品变化。 该公司估计，使用生成式人工智能将其产品开发时间缩短了一半。
应用2：客户洞察和概念验证
Creative Dock 是捷克一家帮助客户创建新业务单元、产品和服务的公司，该公司的设计师们在推出商业模式概念之前，会将多轮市场反馈纳入多次迭代中。 利用现有的关于特定行业客户需求的大规模市场调研数据，该公司对人工智能代理进行编程，以生成模拟，例如对潜在客户（每个客户代表一个特定的角色）进行定性访谈，了解他们的需求和偏好，或者就新产品的替代价值主张获取反馈。 利用这些专有数据，该工具可以使用 GPT 等预先训练好的 LLM，并针对特定用例对其进行微调。 这些定制的语言模型可以解决每个细分市场的特定市场问题，使 Creative Dock 团队能够使用生成式人工智能进行构思、市场需求识别和快速概念测试。
该工具还能加速最小可行产品的设计、测试和创建。 公司创始人 Martin Pejsa 报告说，技术开发效率提高了 30%，平面设计效率提高了 40%，内容创建速度提高了三倍。 人工智能还被用于审查所有新的商业模式。 因此，Creative Dock 在没有增加全职员工的情况下，实现了 50% 的同比增长。
FlecheTech 公司也在使用生成式人工智能来收集客户需求，但采用的方式却截然不同。 这家瑞士初创公司开发了一款专家应用程序，用于设计和快速制作印刷电路板（PCB）原型。 它的目标用户是业余爱好者、企业家，以及任何需要为硬件原型或小批量生产定制印刷电路板，但可能对电气工程和印刷电路板设计了解不深的人。 FlecheTech 利用一个包含大量 PCB 设计及其描述的数据库，对经过预培训的 LLM 进行了微调，从而创建了一个用户可以用通俗语言进行交互的界面，例如 “我需要测量这个物理值”、”让 X 以 Y 的速度旋转 “或 “与此协议通信”，从而设计出电路。
随着 LLM 的自动识别，更复杂的 PCB 设计查询会被分解成更简单的子任务。 此外，拥有复杂设计的客户可以让 FlecheTech 团队在进行原型设计之前审查其 GenAI 辅助的 PCB 设计。 该公司表示，这将人类设计师通常需要 6 到 8 周才能完成的工作电路板设计平均缩短了 80% 以上，新手用户的工作效率也大大提高（因此该公司产品的市场也更广阔）。 与竞争对手相比，FlecheTech 还具有相当大的成本优势，因为其员工不一定要与每个客户进行互动，以了解他们对定制 PCB 的具体需求；该公司已将这一流程大部分外包给了基于 GenAI 的聊天机器人。
应用3：LLM 作为复杂系统的自然语言界面
LLM 的语言流畅性以及用户与 LLM 交互的便捷性支持了产品设计过程中的另一种使用案例：将 LLM 用作高级仿真和工程系统的前端界面。 西门子的工业部门最近为其高度复杂的工程和设计软件增加了生成式人工智能功能，使更多用户能够与这些系统进行交互。 其工具之一 Simcenter 是一款成熟的仿真软件包，允许工程师对产品或流程的物理行为进行精确建模，用数字原型和试验台取代物理原型和试验台。
Simcenter 虽然功能强大，但通常需要较长的启动时间和广泛的用户培训，而且解释其结果需要专业知识。 西门子将该工具与基于 GenAI 的用户界面相结合，创建了 HiSimcenter。 HiSimcenter 可以处理一系列任务，例如回答有关为特定任务选择最佳计算机辅助工程工具的简单询问，或执行全自动生成设计功能，输入产品要求并直接生成符合要求的设计。 基于 ChatGPT 的应用程序帮助工程师建立和运行复杂的仿真模型，使建模效率提高了 50% 以上。
建立这样一个系统并非易事。 开发 HiSimcenter 的西门子工程师意识到，拥有可靠的基本事实是构建混合专家系统的关键挑战。 由于他们预计训练数据对于使用生成式人工智能开发更多专家应用程序至关重要，因此他们在所有主要工程任务中对选定的员工进行训练，以评估与特定任务相关的数据质量，然后再用于训练 LLM 模型。
西门子选择了一小组专家来开发 HiSimcenter。 这种集中式方法使专家团队能够保持控制，并确保 GenAI 输出的质量及其符合西门子的政策和工程标准。
寻找战略契合点
除了炒作，生成式AI还是能为公司的创新和开发流程带来实实在在的好处。 管理者应考虑如何将上述三种使用生成式AI的方法与自己的行业和创新战略相结合。 企业需要清楚地了解期望和预期成果，并认识到不同的创新任务需要不同的方法。
像 ChatGPT 或 Midjourney 这样公开可用的生成式人工智能工具非常适合创意和构思，我们所研究的设计公司就是这样做的。 对于更有针对性的应用，比如用合成角色来验证概念，必须用特定环境下的训练数据来增强预训练模型。 训练数据的数量、多样性和质量决定了信任度，并对 GenAI 针对特定环境或细分市场的输出质量产生重大影响。
如果需要非常高的精度和对结果的信心，则需要传统的模拟平台和专家系统。 正如西门子和 FlecheTech 所证明的那样，LLM 可以作为这些系统的高效用户界面，让更多的用户（例如那些拥有领域专业知识但不熟悉仿真系统的用户）使用它们来完成复杂的工程或科学研究任务。 我们预计，当用户不需要仿真专家为他们管理专家系统时，他们将运行更多的仿真–使用这些工具进行探索，而不仅仅是验证。
最后，考虑到这些技术的发展速度，组织内部的整合问题变得更加重要。 正如西门子公司所展示的那样，自上而下地对内部开发和战略合作伙伴关系进行战略投资是一种整合方法。 然而，这些举措需要时间，而且实施的延迟可能导致技术部署在可用时已经过时。 因此，我们还建议采用自下而上的民主化方法，让团队和个人根据自身情况选择、使用和构建工具。 我们的研究表明，这两种方法的结合可以让企业战略性地建立更好的数据和可信的解决方案，同时允许进行动态实验。
