《生成式AI 商业落地白皮书》

最近火山引擎、RollingAI和InfoQ一起发布了《生成式AI商业落地白皮书》，对此做了一些笔记。

成本降低带来快速增长

2023年GPT-4，如果用大模型客服，每小时的成本是6.6元，到了2024年的GPT-4o，每小时的客服成本降到了1.6元。AI 模型推理价格的显著下降，为企业使用 AI 技术提供了成本上的可能性，从而推动了 AI 在商业应用中的普及。 成本低了，大家也愿意尝试使用，激发了更多创新场景的探索。每个行业都可以用AI来给自己赋能。 这些变化直接反应在Github上，就是AI项目数量从2020年的70万，增长到了2023年的181万。2023年的项目星标数量，达到了1221万，是前一年的3倍。 应用多了，用户也就多了，AI应用的用户，从2021年的1800万，增长到了2024年的2.33亿。 不过报告里面也说了，37%的企业高管认为，他们的企业因为使用了人工智能，带来了超过10%的成本缩减。有21%的高管，预计降本幅度在10%-19%之间，还有16%的高管表示降本了20%以上。总的看起来成本的降低并不惊艳，还有很大的降本空间。 生成式 AI跨越鸿沟

杰弗里·摩尔（Jeffery Moore）于1991年提出了“鸿沟理论”。该理论基于“创新传播学”，将创新性技术和产品的生命周期分为五个阶段：创新者（Innovator）2.5%、早期使用者（Early adopters）13.5%、早期大众（Early majority）34%、晚期大众（Late majority）34%和最后是所有用户（All customers）16%。

我的理解，生成式 AI已经成功跨过了早期鸿沟，开始进入了早期大众阶段。 报告中调研了AI 技术正在13个行业的应用，如消费零售、金融、汽车、医药大健康、智能终端，教育和科研、制造和企业服务等，覆盖了240 个关键场景。中国企业的生成式 AI 应用正逐步进入全面发展期，展现出其在商业领域的潜力和变革力。 报告数据显示，53%的企业已经开始有组织地进行生成式 AI的工作。相比区块链和元宇宙的概念，AI的应用场景和普及速度的确可以用日新月异来形容。 挑战与应对策略

企业在应用生成式 AI 时面临多种挑战，。

1. 生成式AI的能力边界有待验证。说白了就是把AI祛魅，不要把AI看成科技革命，还远没达到那种程度。找到具体应用场景，找到小的切入点，解决用户的一个痛点问题才是正确的方向。而选择的过程，其实就是充满了挑战，难度大，风险高。
2. 应用人才稀缺，随着AI的快速发展，会出现新的技术需求，新的岗位。稀缺应该不至于，经历过互联网发展，大家对于转型适应度都很高。 比如，提示词工程师，AI产品经理，业务咨询师，知识工程架构师，这些看起来的新岗位，都是从现有的岗位演化而来。 现在还有一点点技术红利，但随着各种开源，技术不会再是问题，最后拼的只能是谁能给客户解决问题，谁的速度更快。
3. 大模型能力依赖配套。首先得有硬件，看看GPU的投入，这个成本就不低，光有硬件还不行，还得配套大量的知识库数据进行训练。
4. 新技术导入的变革管理。AI能代替一部分人的工作，但不是不需要人，又非常依赖掌握新技能的人一起协同工作。对于组织的管理也提出了新的要求。 应对策略是否有效，我理解就是回答一个问题。“能不能解决用户的问题，能不能提升用户体验？” 趋势展望

报告最后指出，AI的发展，是一个从信息平权到智能平权的科技范式革命，让知识和智能走向了平权。每个人都能借助AI，去做一些以前无法做到的事情，这样可以不被束缚，发挥自己的创造力，实现自己的想法。 如果大家有记忆，互联网的发展也是从平权开始的，但是一旦获得了权力，又变成了它自己以前的革命对象。AI也是一种权力，需要通过平权，从原来的技术权力中获取，然后又形成新的巨头，周而复始。《人工智能：技术之外，社会之中》，做了详细的介绍。