人工智能驱动的变革即将到来，但2025年将是缓慢而稳定进步的一年。
图片来源：fizkes / Shutterstock
今年，人们对人工智能最初的炒作和兴奋逐渐平息，人们的期望越来越现实。这在企业部署中尤其如此，因为现有模型的功能加上许多业务工作流的复杂性，导致进展比许多人预期的要慢。其中的核心是，许多企业用户意识到人工智能中没有“我”——至少到目前为止是这样。LLM(大型语言模型)非常擅长发现各种数据中的模式，然后根据与这些模式相匹配的用户提示创建人工制品。但这不是人类意义上的智能。LLM倾向于编造看似合理但不准确的信息就是证据。
尽管存在这些限制以及首席信息官对人工智能成本的担忧，但今年人工智能已经取得了真正的进展，我们预计到2025年这一进展将进一步扩大。我认为这将在5个关键领域成形。
1.增强员工，而不是取代他们
无论是通过削减成本、创新产品和服务还是改善客户体验，建立竞争优势都是大多数技术部署的核心，人工智能也不例外。然而，法学硕士（开放和封闭）的广泛可用性以及部署它们的工具意味着所有组织都可以使用人工智能。就像80年代和90年代的个人电脑革命以及21世纪初云计算和SaaS【SaaS（Software as a Service，“软件即服务”）。这是一种软件分发模型，其中第三方提供商托管应用程序，并通过网络向客户分发，客户可以访问这些应用程序】的兴起一样，当每个人都可以使用相同的工具时，使用这些工具的方式才是竞争优势。
对于人工智能来说，这意味着要增强现有的技能基础并充分利用人力资产。将人工智能视为熟练和经验丰富的工人的替代品的企业将走上错误的道路。员工对公司产品、流程以及他们经营的市场和销售客户的知识往往是未编码和隐性的。假设一项技术可以捕捉这些风险将会失败，就像90年代许多知识管理“解决方案”试图实现不可能的事情一样。isAI信任与合规平台（isAI信任和合规平台是一个专注于人工智能领域的治理、风险和合规平台。这个平台旨在帮助组织确保其AI系统和工具的安全和伦理性，以及符合相关的法律和行业标准，包括监督机制，以解决偏见、隐私侵犯和滥用等风险，同时促进创新和建立信任）的创始人Michael Hobbs（迈克尔·霍布斯）【Michael Hobbs（迈克尔·霍布斯）是isAI信任和合规平台的创始人。他是一位在人工智能领域具有影响力的人物，专注于AI系统的治理、风险和合规性问题。Hobbs强调了在利用AI系统时，需要评估其提供的答案是否准确，以及这些系统是否有助于增强组织内部的技能基础】对此表示赞同。“你可以从新一代人工智能系统中快速获得答案，”他说。“但首席信息官需要问这些是否是好的答案，以及我是否在组织内增加技能基础，使用工具来增强它，还是从根本上减少它？”
如果对LLM达到饱和的担忧是正确的，我们可以预期，用于创建新模型的每个额外GPU的收益都会递减。在这种情况下，利用AI在现有知识库的基础上提高员工能力将是关键。
2.关注数据资产
基于上一点，到2025年，公司的数据资产及其员工将变得越来越有价值。FM(基础模型)的设计基于从多个公共来源抓取和获取的广泛数据。这种训练的规模使它们能够回答一般问题，但其价值仅限于大多数企业的特定需求。RAG(检索增强生成)提供了一种将专有数据与LLM功能相结合的途径，以获得更有针对性和更相关的结果。Forrester（Forrester是一家全球知名的独立研究和咨询公司，它为商业和技术领域的领导者提供服务，帮助他们以客户为中心来加速增长。提供的服务包括市场与战略研究、数据与洞察、定制化咨询、高端企业交流与会议活动以及培训与认证）预测，RAG服务将成为大多数云提供商在2025年的关键产品，为企业提供更广泛的供应商选择，并可能提供具有竞争力的价格产品。
为了从更广泛的RAG服务中受益，组织需要确保其数据已为AI做好准备。这涉及良好信息管理的平凡但必不可少的活动：数据清理、重复数据删除、验证、结构化和检查所有权。AI治理软件也将在此过程中变得越来越重要，Forrester预测，到2030年，现成解决方案的支出将增加四倍以上，达到近160亿美元。
企业越早识别整个业务的数据资产，采用创造性的方法来利用它们，然后使其处于AI就绪状态，他们就越早能够利用2025年即将推出的全新RAG服务。
3.控制成本
根据Gartner【Gartner（高德纳咨询公司）是一家全球领先的信息技术研究和顾问咨询公司，成立于1979年，总部设在美国康涅狄克州斯坦福。Gartner提供深入的IT研究、市场数据和专业服务，帮助企业领导者做出明智的技术决策，推动创新和增长】的数据，2024年接受调查的CIO中超过90%认为成本管理限制了他们从AI投资中为企业创造价值的能力。Gartner认为，解决方案的一部分是在进行任何大规模部署之前计算成本将如何扩大。不这样做可能意味着他们的成本计算错误率将增加500%到1,000%。到2025年，我们可以期待看到Gartner、IDC（IDC是一家专注于市场情报、咨询服务、以及事件服务的全球市场研究公司）和Forrester等公司提供更好的计算这些成本的框架，这些框架建立在概念验证和早期部署不断增长的知识库之上。
随着Microsoft Azure（Microsoft Azure是微软提供的云计算和托管服务平台。它提供了一系列包括计算、分析、存储和网络服务在内的云服务，以支持各种业务需求。Azure支持多种编程语言、工具和框架，包括微软自己的技术和第三方技术）、AWS（AWS是亚马逊提供的一个广泛使用的云计算平台，它提供了一系列包括计算能力、存储空间、数据库服务、机器学习、物联网和企业应用服务在内的云服务）和Google Cloud（GCP是谷歌提供的一套云计算服务，它包括计算、存储、数据库、网络、大数据和机器学习等工具。GCP以其高性能的基础设施、全面的数据分析工具和机器学习技术而著称）等云提供商的AI产品在2025年不断发展，我们可以期待看到更具竞争力的定价，这有助于控制企业的成本。然而，这将取决于新的AI数据中心相对于需求的建设速度。麦肯锡计算出，从2023年到2030年，全球对数据中心容量的需求可能以每年19%到22%的速度增长。为这些新中心提供足够的电力将继续限制2025年及以后的需求。
4.衡量人工智能投资回报率
随着2025年在企业内部署AI的复杂性变得更加明显，对投资回报率的担忧也将加剧。然而，我们可能预计在未来一年会看到一种更细致入微的计算投资回报率的方法。多年来，从财务和生产力角度衡量新技术的影响一直是一项挑战。1987年，诺贝尔经济学奖得主Robert Solow(罗伯特·索洛)【Robert Solow(罗伯特·索洛)是一位著名的美国经济学家，因其在经济增长理论方面的卓越贡献而闻名，特别是他对资本理论和增长理论的开拓性研究。他的研究重点在于促进对经济增长机制的理解，特别是技术进步在经济增长中的作用】曾说过一句名言：“除了生产力统计数据，你随处可见计算机时代。”
2025年，这种情况仍将持续，因为管理者很难量化人工智能投资的收益。部分问题在于缺乏衡量回报的通用标准。成本相对容易计算，因为它们可以缩减为美元金额并与前几年进行比较。然而，要评估人工智能对工人产出的质量改进，则面临更大的挑战。与计算扩大人工智能部署成本一样，2025年将出现新的框架，帮助管理者衡量其投资的价值。这些将超越传统的KPI，需要纳入客户满意度、改进的决策和加速的创新流程等指标。
5.避免无关紧要
当前人工智能产品浪潮的变革性质威胁着许多企业的商业模式，就像互联网削弱并取代了Blockbuster（Blockbuster是一家曾经非常著名的家庭录像租赁连锁店，该连锁店在20世纪80年代到90年代非常流行，提供电影和游戏的租赁服务，但随着数字媒体和流媒体服务的兴起，Blockbuster的实体店铺逐渐衰落）、Borders（Borders是一家曾经的国际书店连锁品牌，主要销售书籍、音乐和DVD。Borders书店曾经在美国和其他一些国家设有分店，但随着电子书和在线书店的兴起，Borders面临着巨大的竞争压力，最终在2011年申请破产保护并关闭了所有店铺）和HMV（HMV是一家音像制品的零售商，总部位于加拿大。它起源于1921年英国作曲家埃尔加在伦敦牛津大街创办的一个唱片零售店，后公司不断扩大，在世界各地开办了多家分店，并开展网上销售业务。随着数字音乐的兴起，HMV也面临挑战，但它依然是音乐和电影爱好者的一个标志性品牌）等公司一样。Clayton Christensen(克莱顿·克里斯坦森)【Clayton Christensen（克莱顿·克里斯坦森）是一位著名的美国学者，被誉为“颠覆性创新”理论的创始人，这一理论被广泛认为是现代商业中最重要的思想之一，对全球的企业家和管理者产生了深远的影响。他的研究和教学领域集中在新产品和技术开发管理以及如何为新技术开拓市场】提出的创新者窘境概念解释了新进入者如何利用新技术和商业实践以创新方式淘汰经营良好、成功的企业。今年，我们看到在线教育巨头Chegg（Chegg成立于2005年，最初以教科书租赁业务为起点，逐渐发展成为一站式在线教育平台，为学生提供广泛的学习服务和资源。Chegg的使命是帮助每个学生在学校和学校之外都能取得最好的成绩，通过提供在线工具支持学生的学术和职业发展）市值缩水99%，即145亿美元，原因是学生们转而使用ChatGPT免费帮助完成家庭作业，而不是每月支付19.95美元订阅服务。
我们可以预期在2025年会出现类似但可能不那么引人注目的例子。这些例子将涉及B2C和B2B环境中的营销、出版、娱乐和教育等多个领域。Chegg的不幸应该给所有企业敲响警钟，但也可以看作是许多企业的机遇。情景规划应该像SWOT分析一样成为优先事项，这是一个很好的起点：您的企业有哪些优势可以利用人工智能的优势，外部机会和威胁会如何影响这些优势？
明年在很多方面都将充满挑战。从企业的角度来看，人工智能驱动的变革只会加速，尽管进展缓慢而稳定。如此多的模型的可访问性以及它们越来越多地融入现有应用程序意味着任何希望采用它们的企业都可以使用它们。如何部署和使用它们来补充现有的企业优势和数据资产，以及如何与战略目标保持一致，将决定谁是赢家。
作者：Martin De Saulles（马丁·德·索勒斯）
译者：穿山甲
【睿观：人工智能的现实回归与企业部署的挑战
核心观点：
人工智能热情的降温： 初期的过度炒作逐渐平息，人们对人工智能的期望变得更加务实。
企业部署的瓶颈： 现有模型的功能限制、业务流程的复杂性导致人工智能在企业中的应用进展缓慢。
LLM的局限性： LLM擅长模式识别和文本生成，但缺乏真正的人类智能，容易产生虚假信息。
企业用户认知的转变： 企业用户逐渐意识到人工智能并非万能，存在诸多限制。
详细说明：
人工智能的现实回归：
期望与现实的差距： 初期人们对人工智能寄予厚望，认为其能够解决所有问题。但随着技术的深入发展，人们发现人工智能仍处于发展初期，存在诸多局限性。
务实态度的转变： 人们开始更加理性地看待人工智能，认识到其优势和不足，从而更加务实地规划人工智能的应用场景。
企业部署的挑战：
模型功能的限制： 现有的LLM等模型虽然在某些方面表现出色，但仍无法完全满足企业多样化的需求。
业务流程的复杂性： 将人工智能模型集成到企业的现有业务流程中是一项复杂工程，需要考虑诸多因素，如数据质量、模型适配、流程优化等。
进展缓慢的原因： 上述因素的叠加导致人工智能在企业中的部署进展比预期慢。
LLM的局限性：
模式识别与文本生成： LLM擅长从大量数据中发现模式，并根据这些模式生成文本，但并不具备真正的理解能力。
虚假信息的产生： LLM生成的文本看似合理，但可能并不准确，甚至可能包含虚假信息。
缺乏常识与推理： LLM缺乏人类所拥有的常识和推理能力，无法像人类一样进行深入思考和判断。
企业用户认知的转变：
人工智能并非万能： 企业用户逐渐意识到，人工智能并不是万能的，不能解决所有问题。
关注点转向实际应用： 企业用户更加关注人工智能在实际业务场景中的应用效果，而非追求技术上的炫酷。
总结：
人工智能的发展虽然迅速，但仍处于初级阶段。企业在部署人工智能时，需要充分认识到其局限性，并结合自身业务特点，选择合适的应用场景，以实现人工智能的最大价值。同时，研究人员也需要不断努力，提升模型的性能，使其更加接近人类智能。】
