2023年6月13日 –在近期举办的2023大中华区高管交流大会上, Gartner发布最新调研结果显示,中国企业正在将人工智能项目从原型转向生产,大多数企业已不再纠结于为何需要AI能力,而更加关注AI工程化能力的建设,以数据驱动决策为目标,持续为业务创造价值。一些领先的中国AI企业已经在各个场景中运用生成AI和其他新型AI技术,构建原生AI企业。
尽管CIO们普遍认为AI对业务具有巨大的价值,但董事会成员对AI持有怀疑态度,其实际效果未能达到预期。然而,ChatGPT的推出使得董事会成员和企业高管首次接触到生成AI的巨大潜力,开始相信生成AI能够为业务带来变革和巨大价值。这给CIO们带来了一些焦虑和压力,他们担心错过了生成AI的投资机会。
Gartner发布中国企业人工智能趋势浪潮3.0,旨在帮助企业首席信息官(CIO)更好地规划AI能力,提升业务效果。
守成和创新
目前,中国企业平均已部署超过5个AI用例,每个企业平均已开始部署24个AI用例。虽然许多业务用户或企业高管认为AI只是像安装插件一样简单,但实际上,运营AI涉及数据加工、业务指标梳理、数据集成、业务集成、持续监控和优化等多个环节,需要全局考虑端到端的AI用例和流程。5个中国企业中仅有1个企业的AI能够完全满足业务需求,这也是为什么越来越多的领先企业不再将AI视为单个项目的投入,而是以产品运营和组合运营的方式,从端到端、业务结果导向的角度来整体运营AI,使其在全生命周期中持续产生业务效果。
Gartner高级研究总监方琦表示:“大多数企业会保持现有业务成果,并在有能力的情况下利用生成式AI进行算法改进类的局部创新。对于一些企业而言,进行流程,算法,系统的全局创新可能带来更有价值的应用,但也伴随着较大的风险。在最新的中国企业调研中,有75%的企业认为生成式AI的未来能力可能超过其带来的风险。尽管目前企业对风险的感知较低,但一旦出现风险,可能会对企业造成巨大商誉损失和客户流失。”
平衡风险和价值
在应用生成型AI时,企业往往会规避风险,即在不引起严重后果或潜在争议的情况下使用AI技术。这种谨慎的态度是合理的,但也可能导致错失一些潜在的商业机会。因此,企业需要在实现商业价值和管理风险之间寻求平衡。
Gartner高级研究总监方琦表示:“为了平衡价值和风险,我们应该延续巩固已有投资,持续应对已知的风险,将精力投入到机会或高业务价值低风险的持续投入中。对于高风险低价值的用例,我们应果断地去除它们。同时,我们也可以从创新的角度追逐高业务价值和高风险的用例,通过隐私计算等方式保护用户数据隐私,并通过数据的统计值帮助业务持续实现其价值,打造差异性能力。”
为了确保AI应用的可信度和可解释性,企业应该采取透明度和可解释性的方法,确保AI决策过程的透明度,以及提供对AI决策的解释和辩解能力。在应用生成型AI时,企业需要仔细评估可能涉及的道德、法律和社会问题,并确保符合相关法规和道德标准。通过建立明确的监管和治理框架,企业可以在平衡创新和风险的基础上实现AI的商业潜力。
融合团队
在明确风险和价值之后,我们还需要思考如何选择人才和调整组织架构,以帮助AI战略性地落地。在中国企业落地AI时,超过一半的企业认为人才是最大的挑战。与此相比,在国外只有不到30%的企业认为AI人才是最大的挑战。这可能是因为不同的组织对人才和组织关系的要求不同。领先的机构通常能够整合不同的业务理解、IT技能和数据科学技能,使AI能够更完整、更全面、更有效地落地。
Gartner高级研究总监方琦表示:“在落地AI方面,选择合适的人才是首要任务,但也不能忽视组织架构和企业文化对人才适配的重要作用。通过守成为先、管理风险、择人任势这三个理念,更加战略地规划,落地,运营相应的AI能力。”
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。