GenAI的现实回归与未来机遇:从炒作到变革的关键转折点

简介: GenAI的现实回归与未来机遇:从炒作到变革的关键转折点

本文来源:企业网D1net


在经历了早期的巨大炒作后,GenAI正进入更加理性的阶段,类似于上世纪90年代互联网泡沫的回落,然而,尽管面临投资回报率和技术成熟度的质疑,GenAI仍展现出广阔的前景。随着越来越多企业开始部署AI应用,并从中获得生产力提升和成本节约的实际收益,AI的潜力正在逐步释放。通过开源模型和生成增强技术,企业有机会解锁未被充分利用的数据资产。尽管眼下AI行业略显冷静,但那些积极准备的企业将在未来的技术热潮中占据优势。


我们应该欢迎当前GenAI革命中注入的现实主义,但从中期来看,前景仍然令人振奋。


围绕AI的炒作和兴奋感迟早会回归现实,而今年夏天就是这一时刻。那些有足够记忆的人会记得,类似的情况发生在90年代末和2000年代初的互联网泡沫破灭时期,以及最近的加密货币领域。


今年前六个月,AI明星公司英伟达的股价上涨了近200%,但在7月和8月却下跌了20%,这与Gartner在最新的“炒作周期”图中将GenAI置于“低谷期”相符,甚至此前对AI持乐观态度的高盛也开始对许多技术投资的回报率表示担忧,然而,鉴于围绕AI的一些不切实际的期望,这些担忧和预测是不可避免的。在新兴技术发展的这一阶段,适当的现实主义和怀疑态度是健康的,但认为AI已经走到了尽头则是不明智的。



警惕反对者



预测未来通常是徒劳的,正如诺贝尔奖获奖物理学家Niels Bohr所说:“预测是非常困难的,尤其是对未来的预测。” 这一点在20世纪90年代初互联网刚刚兴起时尤为真实。即使是互联网先锋、以太网标准的共同发明人Robert Metcalfe也曾对互联网的可行性表示怀疑,1995年他曾预测互联网的未来只有12个月。两年后,在1997年的WWW大会上,他将自己预测的印刷版与水混合后当场喝下,真正地“吞下了自己的话”。


但在某个阶段,新技术的潜在好处会逐渐显现出来,尽管其发展路径尚不明晰。我们现在正处于AI的这个阶段,快速发展的大型语言模型及其生成能力正稳步渗透到企业中。未来的道路上还会有更多的坎坷,但现在已经有足够多的部署和应用案例可以让我们看到,这些技术在企业和公共部门的数字化转型中具有广泛的潜力。



商业领袖们在告诉我们什么?



今年早些时候,咨询公司BCG发布了一项对1400名C级高管的调查,超过一半的人预计AI和GenAI今年将带来成本节约。虽然大多数还处于试验阶段,但大约四分之一的受访者预计通过运营、客户服务和IT方面的生产力提升,节约超过10%的成本。尽管有相当一部分人对其公司在AI投资方面的进展表示担忧,但其中大约一半的人认为问题主要出在投资优先级不明确以及缺乏可用技能和连贯的战略,而非AI技术本身的问题。


在最近一次达沃斯经济学家、政策制定者和商业领袖的会议上,美国KPMG首席执行官Paul Knopp表示:“我们正处于一个阶段,GenAI将从试点和实验走向实施和工业化。” 这一说法得到了Salesforce AI首席执行官的支持,该公司已经通过客户使用AI工具看到了生产力的提升。



来自前线的报告



金融服务公司Klarna公开表示,其90%的员工每天使用AI,Klarna的AI助手在运营的第一个月内处理了三分之二的客户服务对话,相当于700名全职客服人员的工作量。除了节约成本外,该公司声称Klarna AI在解决问题时更加准确,重复咨询减少了25%,并为公司增加了4000万美元的利润。


许多AI的部署和集成并非革命性突破,而是为现有产品和服务带来渐进式的改进和增值,比如,图形和演示软件供应商Canva已集成了Google的Vertex AI,以简化其视频编辑功能,Canva用户可以避开一些繁琐的编辑步骤,在几秒钟内完成视频制作,而不再需要几分钟甚至几小时,而全球营销服务巨头WPP则将Anthropic的Claude AI服务集成到其内部营销系统WPP Open中,该系统被公司旗下114000名员工用于帮助制定广告创意、生成内容以及解读复杂的客户需求。



AI正在不断演变



随着使用案例的增多,企业开始了解哪些方法有效、哪些是瓶颈,我们可以预见到AI部署的稳步增长。开源和小型模型的兴起也使得定制化变得更加可行。AI资源库Hugging Face目前列出了近135000个Apache 2.0许可证下的模型,允许商业重用和重新开发,这些以及其他模型共享平台为开发者提供了丰富的资源,可以根据具体的用例和行业需求对模型进行适应和定制。


随着检索增强生成(RAG)和知识图谱的使用日益增加,再加上来自OpenAI和Anthropic等大厂的API,企业有了一条更加安全地利用其数据资源的路径。IDC最近声称90%的商业数据是非结构化的,这为企业提供了利用AI解锁这些未开发资产的绝佳机会。要做到这一点,尤其是在涉及关键业务流程的情况下,需要时间来确保安全性和高效性,但我们可以期待在未来几年内取得重大突破。


因此,虽然目前AI领域略显冷清,但那些现在做好准备的人将在AI回暖时占据成功的有利位置。



相关文章
|
8天前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
4天前
|
机器学习/深度学习 算法 大数据
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
2024“华为杯”数学建模竞赛,对ABCDEF每个题进行详细的分析,涵盖风电场功率优化、WLAN网络吞吐量、磁性元件损耗建模、地理环境问题、高速公路应急车道启用和X射线脉冲星建模等多领域问题,解析了问题类型、专业和技能的需要。
2464 14
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
|
4天前
|
机器学习/深度学习 算法 数据可视化
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
2024年中国研究生数学建模竞赛C题聚焦磁性元件磁芯损耗建模。题目背景介绍了电能变换技术的发展与应用,强调磁性元件在功率变换器中的重要性。磁芯损耗受多种因素影响,现有模型难以精确预测。题目要求通过数据分析建立高精度磁芯损耗模型。具体任务包括励磁波形分类、修正斯坦麦茨方程、分析影响因素、构建预测模型及优化设计条件。涉及数据预处理、特征提取、机器学习及优化算法等技术。适合电气、材料、计算机等多个专业学生参与。
1505 14
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
|
1月前
|
运维 Cloud Native Devops
一线实战:运维人少,我们从 0 到 1 实践 DevOps 和云原生
上海经证科技有限公司为有效推进软件项目管理和开发工作,选择了阿里云云效作为 DevOps 解决方案。通过云效,实现了从 0 开始,到现在近百个微服务、数百条流水线与应用交付的全面覆盖,有效支撑了敏捷开发流程。
19274 29
|
1月前
|
人工智能 自然语言处理 搜索推荐
阿里云Elasticsearch AI搜索实践
本文介绍了阿里云 Elasticsearch 在AI 搜索方面的技术实践与探索。
18822 20
|
1月前
|
Rust Apache 对象存储
Apache Paimon V0.9最新进展
Apache Paimon V0.9 版本即将发布,此版本带来了多项新特性并解决了关键挑战。Paimon自2022年从Flink社区诞生以来迅速成长,已成为Apache顶级项目,并广泛应用于阿里集团内外的多家企业。
17515 13
Apache Paimon V0.9最新进展
|
6天前
|
编解码 JSON 自然语言处理
通义千问重磅开源Qwen2.5,性能超越Llama
击败Meta,阿里Qwen2.5再登全球开源大模型王座
374 11
|
1月前
|
存储 人工智能 前端开发
AI 网关零代码解决 AI 幻觉问题
本文主要介绍了 AI Agent 的背景,概念,探讨了 AI Agent 网关插件的使用方法,效果以及实现原理。
18698 16
|
3天前
|
算法 Java
JAVA并发编程系列(8)CountDownLatch核心原理
面试中的编程题目“模拟拼团”,我们通过使用CountDownLatch来实现多线程条件下的拼团逻辑。此外,深入解析了CountDownLatch的核心原理及其内部实现机制,特别是`await()`方法的具体工作流程。通过详细分析源码与内部结构,帮助读者更好地理解并发编程的关键概念。
|
3天前
|
SQL 监控 druid
Druid连接池学习
Druid学习笔记,使用Druid进行密码加密。参考文档:https://github.com/alibaba/druid
196 82