生成式AI下的企业:是不是该成立新部门封新官了?

本文涉及的产品
NLP自然语言处理_高级版,每接口累计50万次
NLP自然语言处理_基础版,每接口每天50万次
NLP 自学习平台,3个模型定制额度 1个月
简介: 讲什么信息化、数字化、智能化的花哨概念都好,最终的根本只有一个:软件化一切。今年是Marc Andreessen在《华尔街日报》发表「Why Software Is Eating The World」的第12个年头,还是实实在在看看生成式AI到来后对软件化一切所带来的影响吧。新技能、新岗位、新招牌、新头衔的背后,什么是核心?

image.png

文章来源:FinClip Blog

“软件正在吞噬世界”,2011年8月20日,Marc Andreessen在《华尔街日报》如是说。到今年,12个生肖正好凑齐。回顾之下,还是老实折腾软件最实在吧。什么“信息化”、“数字化转型”,都是一些制造焦虑的概念 - 各种咨询管理公司搞出来各种莫测高深的理论,最大的效果作用,就是把传统企业里跟不上科技进步的高管们绕的云山雾罩、晕头转向,视之为莫测高深,然后...购买“数字化转型”的咨询服务作为治愈焦虑的灵丹妙药。但是,“Talk is cheap. Show me the code” - 蛋不要扯太多,扯多了廉价,从一个老实巴交砌软件的码农的角度看,数字化最后的最后,不还是把一切代码化吗?讲那么多?

Software 1.0、Software 2.0、Software 3.0

回到软件世界,软件发展总体上也有几个阶段,用软件人喜欢的习惯,把这几个阶段也打上版本号:

Alpha阶段 - 真的是计算机发展的早期,系统甚至不是图灵完备的,都是单一目的(Special Purpose Computer),只能专做一件事情,正如你家的“智能电饭煲”,它虽然有芯片,也干不了别的活

1.0阶段 - 延续至今,其实大部分码农还在这个阶段,以人脑设计和人肉实现算法为导向。不过说实在的,很多企业里的IT工程师,其实也无所谓“设计”算法,都是在写“glue code”(浆糊型粘合他人代码的代码),就是调用一下别人的API接口、聚合一下数据、处理一下不同软件层的数据格式和类型的转换。按一定的顺序去调用API,再做点异常处理的兜底,这真算不上什么“算法”,或者姑且称之为“业务逻辑”吧
2.0阶段 - 移动互联网大发展后兴起,以“大数据”为标志,更多的软件设计开始聚焦“数据集设计”,有了数据,开始利用机器学习、深度学习,去作算法训练。有了“模型”的概念,模型有一定的分析、预测能力,可以较为自动化的执行一定的特殊任务(有点像Alpha阶段的特殊目的计算机,只能干某种事情)
3.0阶段:软件用最“自然”的、符合人类语言习惯的对话方式,提示、指示大语言模型去生成。在1.0、2.0阶段,计算机资源只能由少部分掌握特定语言的人(也就是码农)才能去调度、利用。这些特定语言相比英语、汉语等人类日常生活中使用的语言而言,荒僻、晦涩、古怪、复杂,掌握这些“方言”的人,就像古代沟通“神界”的巫师,他们是如何跟一个黑盒子沟通、怎样诠释黑盒子传回来的原始数据的,那是他们的专利。在3.0这个阶段,这类人已经不需要,如微软所宣称,“人人都成为开发者”了
那么,3.0时代来到了吗?Andrej Karpathy(特斯拉人工智能总监,前OpenAI科学家)说,还没。生成式AI的到来,只是带来一个新的抽象层,这个抽象层允许你用自然语言去指示它生成软件,但这些生成物本质上还是2.0的产物,因为还需要对大语言模型有一定了解的人,以某种方式方法去写提示 - 本质上还是编程,只不过这种“编程”已经变成自然语言文本。能不能让生成式AI制造出你要的软件,那还得另说,还要求一定的“技巧技能”,也就是说AI对你王大爷、张大妈的话还没聪明到可以完全理解的份上。

那么现在软件发展算是什么阶段?也许是...2.5吧。

IT部门的岗位和新领头人

无论如何,新的技术世代(又)已经到来了。过去传统行业跟进技术变革的最简单粗暴方式就是,成立一个部门、命名一个中心 - 例如,互联网金融大行其道的时候,搞个“互联网金融部”;借鉴互联网电商的成功,就弄个“电子商务部”;到了“数字化转型”,就搞个“数字创新部”,等等,不一而足。这一招,大部分情况下是反映了公司高层的“顶层设计”,以及表达对科技发展业务的重视和决心。但是,怎么落地执行具体的策略呢?这个先不管,慢慢研究...

时间快进到了Software 2.5/3.0时代。可口可乐最近任命了一个生成式AI全球主管,PayPal则成立了生成式AI卓越中心(Generative AI Center of Excellence)。同时,总部位于圣安东尼奥的多云解决方案提供商Rackspace Technology将其首席技术官任命为新推出的生成式AI工坊(Foundry for Generative AI)的全球负责人。上个月,印度IT巨头Mphasis宣布成立了一个专门的生成式AI业务部门,由集团首席技术官领导。

那么,为什么公司要设立专门的角色来推动生成式AI项目?这是否真的有必要,或者公司只是跟风成立了专门的领导岗位来推动他们的愿景呢?

从可口可乐最近几个月搞的创意视频广告来看,该公司提拔了前全球创意战略和内容主管(head of global creative strategy and content)担任生成式AI全球负责人的角色似乎是合情合理的。在他的新角色中,他负责利用生成式AI技术为整个可口可乐公司的品牌和产品品类注入重大创意,制定营销战略。

PayPal则是寄希望于通过发展生成式AI去走出困境、突破艰难局面。他们的生成式AI中心负责人需要考虑将生成式AI应用于风险评估、客户服务、市场营销和自动化领域。自从新冠疫情以来,PayPal在获客方面遇到了困境,并面临股市崩盘的困扰。

Rackspace Technology和Mphasis,则并没有为其生成式AI项目创造一个专门的职位,而是主要由首席技术官(CTO)负责推动。

Rackspace宣布推出了Rackspace Foundry for generative AI(FAIR),将该平台称为“一个具有突破性的全球实践,致力于加速各行业对生成式AI解决方案的安全可持续采用”。其产品旨在帮助组织发现生成式AI的用途,并集成和优化其效率。

Mphasis选择了自力更生的路线,成立了一个名为mphasis.ai的新部门,提供关于生成式AI解决方案集成的指导,开发专有的生成式AI技术,通过其“超级扩展器”解决方案平台向250多个AI模型提供许可,并与50家初创企业合作,帮助客户进行解决方案开发。这个新的垂直部门还将向客户提供会话式AI工具,例如聊天机器人,供其在业务中使用。Mphasis的CTO将同时作为首席架构师领导mphasis.ai。

生成式AI岗位多不胜数

生成式AI领域的就业数量在过去一年中翻了三倍,不仅包括高级领导职位,还包括低层和中层职位。企业在数据科学、语言学、分析、自然语言处理等领域有广泛的技能需求,新部门、新团队也层出不穷。根据LinkedIn的数据,声称担任“生成式AI产品经理”这个岗位的人,在平台上已经有八百多个。

许多公司正在迅速添加以生成式AI支撑的业务功能或者构建自己的大语言模型。根据高盛(Goldman Sachs)的一份报告,生成式AI对全球GDP的显著增长起到了重要作用。技术创新正在导致新职业的出现,例如模型训练师、生成式AI架构师、AI产品经理、生成式AI提示工程师等等。

Talk is cheap. Show me the software

一会儿信息化时代、一会儿数字化时代、一会儿数智化时代、一会儿通用人工智能时代... 各种时代,正以极其廉价的媒体概念方式到来,疲劳轰炸所有人。传统的企业们被吓/忽悠/糊弄的不轻。然后是各路人马粉墨登场 - 前缀“全球”、“金融业”、(其他吓人名头)的峰会、论坛、沙龙层出不穷,各种精英摇身一变又成为“AI大咖”就各种趋势、潮流指点江山。

企业们则纷纷以AI成立各种部门、命名各种中心、建立各种委员会。从前,IT对业务日益关键,得总裁CEO盯紧,于是有了“IT治理委员会”;后来,数据成了“信息时代的石油”,数据涉及企业隐私和安全,是生命线,得总裁CEO盯紧,于是有了“数据治理委员会”;很快,人工智能这玩意决定企业生死存亡啊,得盯,于是即将出现“人工智能治理委员会”。这委员会的使命是啥呢?也已经替它想好了:首先是要校验所采用的大语言模型的世界观,必须“对齐”;其次是所涉及的训练数据,必须做好保密、脱敏的工作,必须保障版权来源合规;第三定期听取汇报,了解各业务部门的业务是怎样和AI结合的,就其“创新”作出高瞻远瞩的指示。

每一次某时代的如期而至,通常后缀一个“化”字。在汉语里,“化”这个字是最神奇的,各行各业使用这个“化”字也已臻化境 - 电子化、信息化、数字化、智能化,化腐朽为神奇。其实这也是一件好事,因为技术在各行各业的推广和发展,确实也就是这么“化”出来的。有想象、有憧憬、大家一本正经的努力尝试,相当于童话里经常出现的“自我兑现的预言”(self-fulfilling prophecy),最终实现。

但是,别人可以各种“化”,你企业IT无法跟着忽悠,你是最终干活的那个“基层”。过去你人脑设计系统架构、人肉手写代码,亲手生成以某些编程语言书写编译而成的二进制机器码,支撑着企业系统的运行;后来你人工收集整理数据、人手监督机器学习,控制其生成一些任务处理系统;现在你得用自然语言,以“不讲人话”的方式反复和大语言模型沟通、提示、指引、精调、对齐,生成没有人类看的懂的神经元网络参数、权重(weights)并指望它们魔术般的刚刚好实现了你的业务部门业主要的能力...

无论别人讲什么“化”,对于IT来说,只有“软件化” - 1.0、2.0、2.5、3.0.... 这个过程持续下去,直到世间一切都被软件化、并且软件的生产者就是软件本身,直到IT人最终淘汰自己... 是不是一个比较悲壮的行为、所谓硅基淘汰碳基的一个缩影?

对于企业的经营者管理者来说,搞中心、搞部门、搞委员会并给予各种高大上牛名字均可,符合社会发展形势,有助建立创新氛围,好,必须的!但不要被各种“化”真给化了,时刻牢记,说啥都好,各种峰会逢场作戏大家高兴,but,最后你还是得找个真懂的(而不是换件马甲的)专家去带领这些中心部门委员会,并不时问他,“show me the software” - 虽然源码(code)可能已经没有了,里面都是提示词(prompt)、神经元网络参数(parameters)和权重(weights),但是Software还在。

文章来源:FinClip Blog

目录
相关文章
|
8天前
|
机器学习/深度学习 人工智能 安全
CCF-CV企业交流会:打造大模型时代的可信AI,探索AI安全治理新路径
近日,由中国计算机学会计算机视觉专委会主办的《打造大模型时代的可信AI》论坛顺利举行。论坛邀请了来自上海交通大学、中国科学技术大学等机构的专家,从立法、监管、前沿研究等多角度探讨AI安全治理。合合信息等企业展示了图像篡改检测等技术,助力AI向善发展。
42 11
CCF-CV企业交流会:打造大模型时代的可信AI,探索AI安全治理新路径
|
2月前
|
人工智能 自然语言处理 机器人
对话阿里云 CIO 蒋林泉:AI 时代,企业如何做好智能化系统建设?
10 月 18 日, InfoQ《C 位面对面》栏目邀请到阿里云 CIO 及 aliyun.com 负责人蒋林泉(花名:雁杨),就 AI 时代企业 CIO 的角色转变、企业智能化转型路径、AI 落地实践与人才培养等主题展开了讨论。
6746 67
对话阿里云 CIO 蒋林泉:AI 时代,企业如何做好智能化系统建设?
|
6天前
|
人工智能 Serverless API
尽享红利,Serverless构建企业AI应用方案与实践
本次课程由阿里云云原生架构师计缘分享,主题为“尽享红利,Serverless构建企业AI应用方案与实践”。课程分为四个部分:1) Serverless技术价值,介绍其发展趋势及优势;2) Serverless函数计算与AI的结合,探讨两者融合的应用场景;3) Serverless函数计算AIGC应用方案,展示具体的技术实现和客户案例;4) 业务初期如何降低使用门槛,提供新用户权益和免费资源。通过这些内容,帮助企业和开发者快速构建高效、低成本的AI应用。
45 12
|
4天前
|
机器学习/深度学习 人工智能 自然语言处理
师资研修|AI赋能教师教学能力转型-德阳某教育主管部门
近日,德阳市教育主管部门,面向全市中职院校的骨干教师,开展AIGC赋能教育教学师资培训。TsingtaoAI参与负责本次师资研修的教学。本次师资研修通过系统化、专业化的培训,帮助教师深入掌握AI大模型及生成技术在教学中的应用。课程以实践为核心,以案例为载体,涵盖AI提示词优化、教案与题库生成、PPT高效设计及AI数字人应用等核心内容,全面提升教师的教学效率与创新能力。
34 5
|
10天前
|
人工智能 自然语言处理 数据挖掘
从行业痛点到AI前沿:揭秘AGI时代企业培训的终极之选
近几年接触到的各类培训合作方越来越多,从国际咨询巨头、互联网科技培训平台,到本土独角兽型的专业培训公司;从专攻新技术与创新场景的培训团队,到深谙传统行业痛点的咨询顾问。作为一名在央企、国企、上市公司人力资源培训条线深耕多年的HR负责人,深知在这片竞争激烈的培训服务蓝海中,寻找高质、高效的合作伙伴并不简单,因为企业培训的逻辑正在悄然改变。
|
17天前
|
人工智能 自然语言处理 算法
AI时代的企业内训全景图:从案例到实战
作为一名扎根在HR培训领域多年的“老兵”,我越来越清晰地感受到,企业内训的本质其实是为企业持续“造血”。无论是基础岗的新人培训、技能岗的操作规范培训,还是面向技术中坚力量的高阶技术研讨,抑或是管理层的战略思维提升课,内训的价值都是在帮助企业内部提升能力水平,进而提高组织生产力,减少对外部资源的依赖。更为重要的是,在当前AI、大模型、Embodied Intelligence等新兴技术快速迭代的背景下,企业必须不断为人才升级赋能,才能在市场竞争中保持领先。
|
1月前
|
人工智能 数据挖掘 数据库
拥抱Data+AI|破解电商7大挑战,DMS+AnalyticDB助力企业智能决策
本文为数据库「拥抱Data+AI」系列连载第1篇,该系列是阿里云瑶池数据库面向各行业Data+AI应用场景,基于真实客户案例&最佳实践,展示Data+AI行业解决方案的连载文章。本篇内容针对电商行业痛点,将深入探讨如何利用数据与AI技术以及数据分析方法论,为电商行业注入新的活力与效能。
拥抱Data+AI|破解电商7大挑战,DMS+AnalyticDB助力企业智能决策
|
1月前
|
人工智能 数据库 决策智能
拥抱Data+AI|如何破解电商7大挑战?DMS+AnalyticDB助力企业智能决策
本文为阿里云瑶池数据库「拥抱Data+AI」系列连载第1篇,聚焦电商行业痛点,探讨如何利用数据与AI技术及分析方法论,为电商注入新活力与效能。文中详细介绍了阿里云Data+AI解决方案,涵盖Zero-ETL、实时在线分析、混合负载资源隔离、长周期数据归档等关键技术,帮助企业应对数据在线重刷、实时分析、成本优化等挑战,实现智能化转型。
拥抱Data+AI|如何破解电商7大挑战?DMS+AnalyticDB助力企业智能决策
|
1月前
|
存储 人工智能 数据可视化
高效率,低成本!且看阿里云AI大模型如何帮助企业提升客服质量和销售转化率
在数字化时代,企业面临海量客户对话数据处理的挑战。阿里云推出的“AI大模型助力客户对话分析”解决方案,通过先进的AI技术和智能化分析,帮助企业精准识别客户意图、发现服务质量问题,并生成详尽的分析报告和可视化数据。该方案采用按需付费模式,有效降低企业运营成本,提升客服质量和销售转化率。
高效率,低成本!且看阿里云AI大模型如何帮助企业提升客服质量和销售转化率
|
1月前
|
人工智能 自然语言处理 算法
企业内训|AI/大模型/智能体的测评/评估技术-某电信运营商互联网研发中心
本课程是TsingtaoAI专为某电信运营商的互联网研发中心的AI算法工程师设计,已于近日在广州对客户团队完成交付。课程聚焦AI算法工程师在AI、大模型和智能体的测评/评估技术中的关键能力建设,深入探讨如何基于当前先进的AI、大模型与智能体技术,构建符合实际场景需求的科学测评体系。课程内容涵盖大模型及智能体的基础理论、测评集构建、评分标准、自动化与人工测评方法,以及特定垂直场景下的测评实战等方面。
122 4