TECHnalysis Research：关于生成式AI的几个意外发现

本文来自云科技时代公众号

TECHnalysis Research是一家美国的独立市场调查公司，该调查公司于2023年5月份对于全美10个行业的1000家企业IT决策负责人进行了调研，调研围绕生成式AI及其对于企业业务的影响。就在全球持续升温的生成式AI热度中，TECHnalysis Research的调研结果却显示了几个令人惊讶的意外发现，其中之一就是除了科技和通信公司外几乎没有公司对于构建定制大模型感兴趣。

下面是《一个新的开始：企业中的生成式AI（A New Beginning: Generative AI in the Enterprise）》调研报告的14个主要发现，其中不乏令人惊讶的意外发现。需要指出的是，这些发现都是针对美国公司的调研结果。

发现1: 真实世界中采用生成式AI的比例已经高达90%，企业对于生成式AI潜力的兴趣高涨。

发现2：生成式AI所带来的预期收益，主要包括改进的生产力和效率，但如何衡量生成式AI的收益及其长期影响仍不清晰。

发现3：生成式AI的首要应用是核心生产力和内容创建，此外像软件编码在某些行业也有巨大的潜力。

发现4：不同行业的生成式AI应用具有极大的多样性，说明人们仍在寻找适合其需求的最佳应用。

发现5：现有生成式AI应用在使用和预期价值之间存在差距，这意味着改进现有应用和构建新应用的巨大机会。

发现6：企业在生成式AI方面的能力与内部技能方面，存在着严重的挑战。

发现7：生成式AI的教育和培训缺口巨大，生成式AI的知识及其可能性也非均衡地扩散。

发现8：对知识产权保护、数据安全和失业的担忧，让人们对生成式AI产生了真实的恐惧心态。

发现9：对于生成式AI的集成提示词训练、生成内容加水印和其它尚未大规模可用的功能，存在着巨大的兴趣。

发现10：生成式AI“巨头”们主导供应商的偏好选择，但计划使用生成式AI的企业将采用多个大模型，也对于如何选择大模型以及为什么选择该模型有着清晰的观点。

发现11：企业对于混合生成式AI架构持开放态度，但他们需要采用定制化的数据，这对于企业来说十分重要。

发现12：几乎没有公司表达了对构建自有模型的兴趣，除了科技公司和通信公司外。

发现13：生成式AI的最佳上市策略存在着巨大的不确定性，包括提供不同的大模型、在应用中嵌入大模型或独立的APP或API等。

发现14：企业对于在设备上采用生成式AI存在着兴趣，但并没有想象中那么强烈。

在被询问“期望向现有的生成式AI工具中增加哪些功能”时，受访者提出了5大期望新增功能，包括：集成的提示词训练、定制化的增强学习、基础大模型的参数控制、基于数据安全的部署选项、从非互联网渠道产生的大模型。

首先是集成的提示词训练，提示词训练对于大模型的成功应用来说十分重要，但目前的生成式AI工具中尚无集成的提示词训练，而需要额外的专业人员进行训练，企业期望生成式AI工具中提供集成的提示词训练，让普通的用户也能高效获得最佳实践。

其次是定制的增强学习。第一，企业们期望在定制化基础模型的时候，能够集成人工反馈，实现基于人工反馈的增强学习（RLHF），这是改进生成式AI质量和准确性的重要新功能。第二，该功能被多数受该企业提及，这意味着企业对于基于人工反馈的增强学习并不清晰，甚至有一定的混淆和误解，毕竟所谓的“人工反馈”不像技术问题那样有清晰的答案，但同时也意味着企业对于定制化生成式AI模型以适应不同方向，有着高度的兴趣。

在另一个独立的问题中，高达91%的受访企业IT决策人表示，他们在生成式AI所产生的内容中采用水印或其它方式通知观看内容的用户，无论是内部还是外部用户。同时，很少有生成式AI工具能够自动集成水印技术，这显然是供应商的一个改进机会。

对于生成式AI模型在上市时候的打包和销售策略，存在着广泛不同的意见或期待，以及一定程度的混淆。生成式AI供应商究竟是在销售独立的生成式AI模型，还是由生成式AI所驱动的应用或服务，抑或是这几种方式的混合变形，市场仍不易理解。对于如何将生成式AI工具以最佳方式上市，仍没有清晰的答案。超过51%的受访者认为生成式AI能力应该被嵌入到现有应用中，约25%的受访者认为应该提供独立的生成式AI模型，而剩下的25%则认为应该以as-a-service即服务的模型方式，服务于特定或任何应用。这些都是非常不同的上市方式，考虑到当前仍处于生成式AI市场的早期，供应商可能会试验不同的上市方式。

一个调研的问题是，应该将核心基础模型集成到每一个应用中，还是在多个应用中共享？也就是一个共享核心基础模型跨所有应用，还是多个基础模型应用到多个应用中？55%的受访都认为每个应用都应该有其自己的基础模型，35%的受访者认为应该跨多个应用共享一个“主”模型，还有10%的受访者认为应该在多个应用中分享多个基础模型。针对这些观点或意见，一个显而易见的问题是供应商们面临着巨大的市场教育和营销挑战，以更好地解释他们究竟在销售什么、能与（或不能与）什么共存以及如何集成到其它工具中。

当然，关于生成式AI的兴奋是毋庸置疑的，本次调查显示已经在所有行业中都部署了多种生成式AI应用。当前仍处于生成式AI的早期，仍需要理解生成式AI工具。供应商们需要进行大量的市场教育工作，以向用户清晰地界定自己生成式AI工具的能力范围，用户们需要清晰地了解所采购的生成式AI工具以及如何达成目标。

本次调研显示，高达88%的受访美国公司已经采用了生成式AI工具，虽然只有7%具备了正式的技术策略。有意思的是，有10%的公司政策明确禁止使用生成式AI工具。生成式AI工具为企业带来的收益包括：改进效率、新业务收入、改进质量、改善员工技能短缺、提高竞争力和增强员工能力。

生成式AI工具所带来的问题，包括企业数据的安全和保护、基础模型所产生结果的不准确性、版权等。在不采用生成式AI工具的企业中，版本保护是顾虑，知识产权保护是不采用生成式AI的重要原因。还有52%不采用生成式AI工具的企业，主要原因是缺乏足够的生成式AI技能，这特别显示了很多行业和企业都存在着巨大的生成式AI知识缺口。

跨不同行业，生产力应用和诸如Word处理器这样的内容生成相关应用是最普遍的生成式AI应用，而在一些行业的首先则是软件开发或CRM工具。调研显示，很多公司都对生成式AI应用的类型有所考虑，但仍未找到适合其需求的解决方案。当前仍处于生成式AI应用的早期，供应商仍有大量机会为客户需求创造相应的解决方案或增强现有的解决方案。

企业是否需要构建自己的生成式AI模型，例如基于企业自有数据构建定制化的生成式AI模型？事实上，本次调研显示目前大部分企业在定制生成式AI模型方面没有任何兴趣，仅有技术相关的ICT行业在构建定制生成式AI模型方面存在巨大的兴趣，高达69%的ICT公司表达了对于定制生成式AI模型的兴趣，而其它所有行业中对此感兴趣的企业低于6%。也就是说，只有技术高度发达的公司才能感受到生成式AI的重要性，以及定制生成式AI模型所带来的机会，而且对于生成式AI应用部署的复杂性所导致的市场教育缺口也需要补足。

生成式AI已经成为市场主流，但我们仍处于这一市场的早期，在这个已经成为红海竞争的市场中，供应商仍有大量的机会。多个市场调研显示，生成式AI的市场教育和培训、目标明确的产品和解决方案供给以及更多来自供应商的努力，才能为所有行业和企业带来持续的生成式AI助力和强大的生成式AI解决方案。