應對ChatGPT的六招

ChatGPT 推出僅兩個月，月活躍用戶就達到1億，成為有史以來增長最快的消費應用程序。

所有人，所有地方，都將切實感受到這項技術的顛覆性潛力。

ChatGPT背后的大語言模型，正在憑借兩項優勢改變著市場規則：

第一，這類模型破解語言復雜性的密碼，機器擁有前所未有的能力，可以學習語言、上下文含義和表述意圖，并獨立生成和創建內容。

第二，在利用大量數據（文本、圖像或音頻）進行預訓練后，這些模型能夠針對眾多不同的任務做出調整或微調。用戶可以多種方式，對模型按原樣重復使用或稍加修改后再次使用。

商界領袖們普遍認識到了這一時刻的重要性。

例如，我們研究發現，所有行業中40%的工作時間，都將得到GPT-4等大語言模型的協助。

大語言模型具有處理大規模數據集的能力，所有用語言記錄傳達的內容，如應用、系統、文檔、電子郵件、聊天、視頻和音頻等等，都將進行創新、優化和重塑，最終走向全新的高度。

語言任務占企業人員工作總時長的 62%，其中65%的時間可借助人員強化和自動化技術來提升工作活動的生產力。

時機就是一切。

最近一項技術趨勢調研中，225名受訪中國企業高管里面，有72%對人工智能基礎模型帶來的新功能表示非常、或極為興奮，比例略低于全球平均水平。

越來越多的中國企業，正在積極探索生成式人工智能技術，開始應用大型語言模型來實現更多的創新和效率提升。

在中國，大語言模型應用方式主要有三種：SaaS、私有云部署、本地化部署，成熟度依次從高到低排列。

目前，SaaS化的部署方式是最為成熟的，以國外Azure Open AI Services為標桿。

在國內市場，百度的文心一言和阿里的通義千問，正在參與到激烈的競爭中。與 Azure 提供的服務相比，國內廠商提供的 SaaS服務，更具有數據安全和合規性上的優勢，盡管在綜合能力上還有待加強。

私有云部署方式同樣以百度為領先。

相較于SaaS 服務，私有化部署更具有數據和模型自定義能力和垂直行業定制化能力。

這種方式可更好地服務于相對較為專業的客戶，可充分利用客戶提供的行業知識，同時保證不對競爭對手可用。更柔性的服務器使用策略，也讓這種方式相較于本地化的前期投資大為降低。

綜合來看，這是目前國內垂直行業客戶最可行的實現方式。

本地化部署方式有非常多的選擇。

學術界中提供的有清華大學的ChatGLM、斯坦福提供的Alpaca，商業公司提供的有Databricks的Dolly、Scale.ai的圖像專精的大語言模型等等。

本地化部署存著成本高昂、無法確定使用效果等兩個問題。目前處于非常早期的階段，是否可以進一步使用有待后續觀察。

總的來說，大語言模型正處于快速發展的階段，其未來的形態無法被預測，可以肯定的是，大規模的應用一定是必然的趨勢。

我們對生成式人工智能的了解越來越深入，它將顛覆傳統的工作模式。大多數工作者都將擁有得力的“助手”，從根本上改變工作的完成方式和完成內容。

企業需要像技術投資一樣，持續投入不斷發展的業務運營和人員技能培訓。徹底重新構想工作的完成方式，并幫助員工緊跟技術驅動型變革

積極迎接生成式人工智能時代，存在六大技術應用要點。

業務驅動

即使創新技術有諸多優勢，在整個組織中全面推廣并非易事，尤其當新技術會徹底改變現有工作方法時，會遇到特別多的阻力。

企業可以先通過嘗試生成式人工智能的諸多功能，累積早期成功并得到變革倡導者和意見領袖的支持，不斷提高員工對新技術的接納程度，為進一步普及創造所需條件，進而啟動轉型和技能再培訓議程。

企業必須雙管齊下地進行嘗試：

其一，專注于容易獲得的機會，使用可消費的模型和應用迅速實現回報；其二，著力使用根據自身數據定制的模型來重塑業務、客戶洽談、以及產品和服務。

業務驅動型思維，是定義并成功建立應用模式的關鍵。

隨著企業深入開展人工智能重塑業務的各種探索，他們將切實收獲價值，明確各種應用場景下最為匹配的人工智能類型，厘清投資規模和復雜程度。

他們還能測試和改進有關數據隱私安全、增強模型準確性、防止偏見和保護公平的方法，并知曉何時需要采取“由人主導迭代”（Human in the Loop）的保護措施。

舉例，一家大型歐洲銀行集團啟用微軟Azure云平臺和GPT-3大語言模型，來幫助員工進行電子文檔檢索。

這一舉措，使用戶可以快速獲得問題的答案，大大節省了時間，并提高準確性和合規性。

為了進一步提升員工技能，這家銀行構建了三年創新計劃，后續還會在合同管理、對話型報告、以及票據分類等領域應用生成式人工智能。

圖1：生成式人工智能技術堆棧的每一層級都將迅速進化

此舉不僅將內部知識庫進行升級、幫助員工獲取所需信息，更有助推進自身向數據驅動型機構的目標邁進。

以人為本

為了使生成式人工智能取得成功，企業需要像重視技術那樣，關注人員及培訓工作。

他們應當大幅增加對人才的投資，以應對兩類不同的挑戰：創建人工智能和使用人工智能。

這意味著， 要在人工智能設計、企業架構等技術能力方面培養人才；同時培訓整個組織的人員，使他們有效地與人工智能化的流程合作。

例如，在對22個工作類別的分析中，我們發現，大語言模型會影響所有類別，最低程度為每個工作日的 9%，最高可達63%。在22種職業中，有5種可以利用大語言模型來革新一半以上的工作時長。

即使是現實世界中精通如何應用數據的各領域專家（例如，醫生對患者健康數據的解析）， 也缺乏足夠的技術知識來了解這些模型如何工作，以及相信技術能成為“工作伙伴”。

企業還將設立全新的崗位，包括語言學專家、人工智能質 量控制員、人工智能編輯和提示工程師。

對于生成式人工智最有前途的領域，企業應當首先將現有工作分解為基礎任務組合，然后評估生成式人工智能可能影響每項任務的程度——完全自動化、人員增強，抑或與之無關。

籌備數據?

為了定制基礎模型，企業需要使用特定領域的企業數據、語義、知識和方法。

在生成式人工智能時代到來之前，企業可以通過以應用模式為核心的人工智能方法，從人工智能中獲得價值，無需對其數據架構和資產進行現代化改造。

現在情況已經截然不同。基礎模型需要大量精心組織的數據來學習，因此，破解數據挑戰，已成為每家企業的當務之急。

企業需要采用一種戰略性、規范化的方法，獲取、 開發、提煉、保護和部署數據。

具體而言，應依托云環境構建現代化的企業數據平臺，其中包含一組可信賴、 可重復使用的數據產品。

憑借此類平臺的跨職能特征、企業級的分析工具、以及將數據存儲在云端倉庫或數據湖當中，數據能夠擺脫組織孤島的束縛，在整個企業中普遍使用。

隨后，企業可在某一地點或通過分布式計算策略（如數據網格），統一分析所有業務數據。

打造基礎

為了充分滿足大語言模型和生成式人工智能的大規模計算需求，企業需要考慮自身是否擁有合適的技術基礎設施、架構、運營模式和治理結構，同時密切關注成 本和可持續能源消耗。

他們必須設法從成本和收益的角度，評估比較這些技術與其他人工智能或分析工具，后者可能更適合特定的應用模式，并且成本僅為前者的幾分之一。

企業需要建立一套強有力的綠色軟件開發框架，在軟件開發生命周期的所有階段，考慮能源效率和材料相關排放。

人工智能還可以發揮更廣泛的作用，使業務更具可持續性并實現環境、社會和治理（ESG）目標。我們調研發現，在生產和運營環節成功減少排放的企業中，70%都使用了人工智能。

尋找伙伴

創建基礎模型很可能是一項復雜、成本高昂的計算密集型工作。

除了全球頂級企業外，幾乎所有組織都無法僅憑一己之力完成該任務，這超出了他們所掌握的能力和方法。

令人振奮的是，得益于超大規模云服務機構、科技巨頭和初創企業的海量投資，企業可借助新興生態系統的威力。

僅在2023年，全球對人工智能初創公司和成長階段公司的投資，預計就將超過 500 億美元。

這些合作伙伴能夠帶來經過多年打磨的最佳實踐，并為特定應用模式下如何高效而有效地使用基礎模型提供寶貴洞見。

擁有恰當的合作伙伴網絡——包括技術企業、專業服務商和學術機構，將成為駕馭快速變革的關鍵。

構建體系

生成式人工智能的快速采用為所有企業提出了新的緊迫工作：建立一套穩健、負責任的人工智能合規體系。

這包括兩方面的事項——建立控制流程，在設計階段評估生成式人工智能應用方式的潛在風險；制定明確措施，在整個業務中嵌入負責任人工智能方法。

我們研究表明，大多數企業仍任重而道遠。

我們2022年面向全球850名高管人員的調研顯示，受訪者普遍認識到負責任人工智能和人工智能監管的重要性。僅有6%的企業認為，自身已打造了充分穩健的負責任人工智能基礎。

企業的負責任人工智能原則應當由高層定義和領導，并轉化為有效的風險管理和合規治理架構，包括組織原則和政策、以及適用的法律和法規。

負責任人工智能的使用必須由CEO引領，從加強培訓和意識培養開始，然后擴展至關注執行與合規。

早在數年前，埃森哲就已率先采用這種方法來管理負責任的人工智能，不但設置了由CEO領導的議程，現在進一步出臺了正式的合規計劃。

我們自身的經驗表明，原則驅動的合規方法既能提供護欄，又足夠靈活，可以隨著技術的快速發展而更新，確保企業不會始終疲于“追趕”。

為通過設計來實現負責，企業需要從被動響應的遵從策略，轉向主動開發完善的負責任人工智能系統。

這必須借助一套綜合框架，其中涵蓋：原則和治理措施；風險管理、政策和控制手段；以及技術、賦能因素、文化和培訓工作。

本文改編自埃森哲最新發布的《生成式人工智能：人人可用的新時代——ChatGPT 背后的技術將深刻改變工作模式，重塑商業形態》，編輯略有改動，經授權發表。