ChatGPT 人工智能 GPT4 伦理 生成式 医疗 监管 安全 机器学习 深度学习 神经网络 计算机视觉 强化学习 模型 算法 应用 开发 研究 工具 平台 框架 数据集 训练 部署 安全 合规 培训 投资 LLM,llm AI,ai,Ai 大模型 大语言模型 制图 生图 绘图 文生图 文生视频 生成式AI AGI 世界模型 sora chatGPT,chatgpt,ChatGpt claude openai Llama deepseek midjourney 红熊猫模型 Red panda,panda Stable Diffusion,StableDiffusion,stable DALL- E 3 DALL E DALL Flux,flux 扩散模型 混元大模型 文心一言 通义千问 可灵 Pika PixelDance 豆包 月之暗面 零一万物 阶跃星辰 搜索增强 MiniMax Talkie Agent prompt fastai LangChain TTS 微调 提示词 知识库 智能体
# 热门搜索 #
搜索
中国企业的生成式AI应用陷阱:只有场景想象,没有业务目的
3002点击    2024-11-04 09:37


中国企业对于生成式AI应用场景的了解都来自于ChatGPT的传说,但中国企业能使用的GenAI资源与ChatGPT却没有关系。直截了当地说,中国企业目前能够使用的GenAI资源都比GPT-4要差很多,注意不是“有差距”,而是“差很多”,这是中国企业考虑生成式AI问题的基本前提。


但是,另一方面,GenAI


技术在快速发展,等到海外公开放出Llama3或Mistral2这样更强大的模型,国内公司“自主创新”后,中国企业就可以开始使用与GPT-4差距更小一点的模型。所以,详细了解ChatGPT等的应用场景,还是非常有必要的,因为这是中国企业目前可以想象的应用场景的上限,超过上限的想象就是幻想,趁早打住。了解上限在哪里,这也是中国企业考虑生成式AI问题的另外一个基本前提。


在这些前提之下,中国企业能否设想一些生成式AI的“应用场景”,投入生成式AI建设,进行概念验证和小规模试用测试。这样去推进生成式AI建设有没有问题?


如果中国企业是开放型的,可以“直接使用”现有GenAI产品,那么这个思并没有什么问题。先研究中国市场到底有哪些成熟的GenAI产品,然后选择市场最优秀的GenAI产品,先订阅或者试用,一段时间后总结应用成效,有实效就继续使用,无实效就停止使用。


但是,如果中国企业是封闭型的,对于GenAI产品只能进行“深度研发”或者“工程化适配”,这样就与“直接使用”的应用模式产生了巨大差别,此时仅仅考虑了一些“应用场景”就着手进行GenAI建设会产生非常大的问题。


原因就是,中国企业以“深度研发”或者“工程化适配”为基础的GenAI建设,对应着巨大的成本,不从业务用例和业务目的的层面把问题彻底想清楚,就动手GenAI建设,会造成巨大浪费。


以“深度研发”或者“工程化适配”GenAI建设,是包含着算力投资、数据费用、AI研发团队建设、提示词工程/RAG/精调的研发与维护、应用集成与业务整合等巨大投入的过程。


GenAI应用不是软件项目,不是“做完了”与“没做完”的问题,GenAI产品是个概率性产品,是关于有用性、准确性、合规性的综合性能问题,没有端到端的长期投入、维护和优化,实际上无法进行严肃的概念验证和小规模试用测试——“项目完成,能效不佳,等于废品,不如不做”。



因此,在GenAI建设之前,中国企业必须完全想清楚业务用例和业务目的,业务流中能不能纳入GenAI,纳入GenAI到底是为了增收还是为了节支,增收或节支能取得多少收益,增收或节支对于GenAI的性能要求是什么,GenAI建设成本和维护成本怎么规划——这个企业级的“GenAI决策模型”必须首先建立起来。


一些决策者可能对此会有疑惑,“应用场景”不就是“业务目的”吗?一个“应用场景是有益的”不就等于是“业务目的是成立的”吗?软件项目可以这样做,GenAI应用为什么不能这样做?


大部分中国企业的软件开发确实就是以“应用场景”为导向的,需求分布式提出、开发分布式交差,造成企业里充斥着数量极大的散乱小软件系统,只不过在这种分布式架构之下,浪费也是分布式,浪费在时间和空间上都被分散了,企业感受不到巨大浪费而已。


以“业务目的”为导向的软件开发,就是要从企业业务架构出发先考虑企业软件架构的问题,先有顶层业务流、数据流的设计,再有软件开发。当前生成式AI的技术发展,正从AI Copilot的第一阶段转向AI Agent的第二阶段,AI Agent则是在直接重构企业核心业务流,企业不首先理顺企业软件架构问题,未来会越来越难以回答“企业应该怎么用好AI”的问题。


大部分中国企业的实际情况是,已经充斥了以“应用场景”为导向的大量散乱小软件,这时就需要再来一次以“业务目的”为导向的软件大重组,这种软件大重组的另外一个名字就是——“数字化转型”。




但是,对于企业GenAI应用,“应用场景”为导向来开发是不可行的,先建设再转型都是不可能的。


N个“应用场景”都设计了GenAI应用,那么这N个GenAI应用互相是什么关系?N个GenAI底层的基础模型之间是什么关系?N个GenAI底层的算力池是怎么规划的?N个GenAI所依赖的数据基础建立了没有(这不是技术问题,是管理问题)?N个GenAI依赖的AI研发团队建设与工程化适配技术能力是怎么规划的?这些问题都是企业软件架构层面的问题,企业GenAI的技术特点实际上在逼迫企业必须先考虑好企业软件架构。


中国企业在根本没有想清楚“企业应该怎么用好AI”、“业务应该怎么与AI结合”的时候,最好不要急着去凑生成式AI的热闹,不要急着去当AI科研试验品,免得出现巨大浪费后不了了之。


文章来自于微信公众号 “阿隆随录”,作者“阿隆随录”


关键词: AI , AI应用 , AI商业化 , 人工智能
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
智能体

【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。

项目地址:https://github.com/Significant-Gravitas/AutoGPT


【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。

项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md

2
RAG

【开源免费】graphrag是微软推出的RAG项目,与传统的通过 RAG 方法使用向量相似性作为搜索技术不同,GraphRAG是使用知识图谱在推理复杂信息时大幅提高问答性能。

项目地址:https://github.com/microsoft/graphrag

【开源免费】Dify是最早一批实现RAG,Agent,模型管理等一站式AI开发的工具平台,并且项目方一直持续维护。其中在任务编排方面相对领先对手,可以帮助研发实现像字节扣子那样的功能。

项目地址:https://github.com/langgenius/dify


【开源免费】RAGFlow是和Dify类似的开源项目,该项目在大文件解析方面做的更出色,拓展编排方面相对弱一些。

项目地址:https://github.com/infiniflow/ragflow/tree/main


【开源免费】phidata是一个可以实现将数据转化成向量存储,并通过AI实现RAG功能的项目

项目地址:https://github.com/phidatahq/phidata


【开源免费】TaskingAI 是一个提供RAG,Agent,大模型管理等AI项目开发的工具平台,比LangChain更强大的中间件AI平台工具。

项目地址:https://github.com/TaskingAI/TaskingAI

3
prompt

【开源免费】LangGPT 是一个通过结构化和模板化的方法,编写高质量的AI提示词的开源项目。它可以让任何非专业的用户轻松创建高水平的提示词,进而高质量的帮助用户通过AI解决问题。

项目地址:https://github.com/langgptai/LangGPT/blob/main/README_zh.md

在线使用:https://kimi.moonshot.cn/kimiplus/conpg00t7lagbbsfqkq0