圖片系AI生成
進入到下半年，AI大模型領域焦慮氛圍倍增。成熟的套用場景還未誕生，國內AI大模型「六小虎」也在近期被傳進入困境，雖然後期公司層面有回應訊息不實，但也對映出技術發展到一定階段市場對變現急迫且帶有悲觀情緒。與此同時，OpenAI雖獲得464億融資，但核心技術高層頻繁離職，使其飽受爭議。
都說2024是AI大模型產業套用元年，但是否也已經快速進入」擠泡沫「時刻？
大模型落地，沒那麽簡單
以AI編程為例，透過程式碼生成提效賦能開發者的場景其實比較明確，並已得到實踐驗證。但伴隨的問題是，除了寫prompt的時間，低質素的程式碼導致開發者還要花時間審查AI生成的程式碼。公開資訊顯示，企業將AI編程工具GitHub CoPilot整合到軟件開發平台後，編碼時間可減少50%，但隨後一項數據則指出，開發者用上GitHub CoPilot的同時也導致Bug增加了41%。這與AI預期帶來對生產力的提升相悖。
德勤報告指出：企業對生成式AI長期樂觀，但短期內想要付費很難。Gartner甚至預測，未來18個月內生成式AI將出現低谷。到2025年底，至少30%的生成式AI專案將在概念驗證後被放棄。這種擔憂有跡可循——數據質素差、風險控制不達標、成本持續上升、無法證明投入回報等等問題一直沒有解決。
而在大模型浪潮之前AI發展階段中，就有研究指出曾經70-85%的AI專案未能達到預期結果。2019年，麻省理工學院指出，70%的AI專案在部署後幾乎沒有產生任何影響，這一數碼遠遠高於常規IT專案25-50%的失敗率。
如圖展示了不同大模型部署方案下的成本差異：
由於AI大模型現階段仍需要大量前期投入和經常性成本，Gartner報告指出，企業采用大模型最大的挑戰是評估和證明業務價值。
但不同於廣告投放、電商行業，大模型的投資回報並非可以直接計算，這是一個復雜過程，涉及成本節約、創收和總擁有成本等環節。與此同時，這些實施成本還要與具體落地場景相結合，挑戰是復雜且多方面的，如圖：
長期潛力往往取決於短期價值表現，這意味著大模型專案試點在啟動前應明確一些標準，比如降低營運成本，增加業務銷售額，提升客戶滿意度，加快新品上市時間。
哪些地方已經有回報？
「制造業和汽車行業的生成式AI早期采用者已經從實踐中獲得投資回報。」這是谷歌最新報告【制造和汽車行業中的人工智能的投資回報率】的重要發現之一。該報告對全球364名企業高管進行調研，並對生成式AI對企業業績影響進行評估。該報告深入探討了企業成功的關鍵要素，強調了構建穩健的數據基礎設施、實作企業系統現代化以及高層管理人員之間戰略一致性的必要性。
以報告中制造業和汽車業為例，生成式AI的作用主要體現在三個層面：一是最佳化生產和供應鏈效率；二是提供消費者個人化體驗；三是增強企業安全。
企業想要充分利用生成式AI構建創新解決方案，前提是建立在可靠的系統和準確的數據上。過去，企業存在大量數據孤島，分散到各個復雜的遺留系統和套用中，想要深度套用AI，就需要將AI模型接入企業工作流中，如主數據和ERP系統，以不斷獲取即時營運數據提升模型推理精準性。典型的場景如：透過搜集產品文件和手冊，提供更多解決產品問題和故障排除的建議；根據訂單狀態、庫存水平糊運輸承運人資訊分析出精準的產品交貨時間。
整體來看，報告的受訪企業中，60%的制造和車企廠商已經將生成式AI投入生產，32%仍在測試和評估階段；8%尚未進行任何實踐或評估；作為生成式AI的早期采用者，86%的制造和車企廠商還指出，AI已為公司帶來超過6%的收入增長。這表明，生成式AI不僅是效率工具，更是成為商業增長動力。
報告顯示，生成式AI在制造業的套用涉及產品研發/生產、銷售&行銷、電商&體驗增強、個人生產力、客戶&現場服務、新品&服務、後端/業務流程、工程/開發者生產力等方面。其商業價值體現在五個關鍵領域：產品上市時間、投資回報率（ROI）、生產力、安全性和使用者體驗。
81%的受訪企業在套用生成式AI後，其產品時間縮短到6個月以內。
這意味著，當快速變化的消費者市場導致企業需要加快擴充產品豐富度以及與消費者關系的重塑時，先一步采納先進技術的企業會更快啟動對生成式AI的實踐。
72%的受訪企業表示，已經在至少一項生成式AI的實踐專案中獲得投資回報。
目前企業聚焦於能推動核心營運實作采用和投資回報的高價值專案。例如，生成式AI能迅速在整個產品生命周期中快速篩選文件，提取和總結銷售與技術人員所需的資訊。
43%的受訪企業指出，組織生產力至少提高一倍。
在業務創新與數碼化轉型能力方面，受訪企業表示有了重大改進。例如，AI助理可協助維修人員完成車輛維修、零件訂購，同時可提供全面、詳細且經過驗證的源資訊，提高人員完成維修工單效率。
87%的受訪企業指出，生成式AI對企業辨識安全威脅有了極大的幫助。
生成式AI可用於分析大量數據，報告安全異常，自動化常規安全功能如規則建立，並輔助人員處理警報。
89%的受訪企業提高了使用者參與度（包括參與度評分、流量或點選率(CTR)、網站停留時間）；75%提高了使用者滿意度/NPS數值。
制造業包括車企廠商在內，正積極建立與消費者更深層次的數據連線。這些關系的建立有助於針對不斷變化的使用者需求進行預測和響應，提升個人化體驗，培養客戶忠誠度並推動業務增長。比如生成式AI可以透過接入消費級套用，透過學習消費者互動行為以更好地客製客戶體驗。
報告也顯示，「一把手」的支持至關重要，企業將更有可能在技術與業務目標之間實作組織一致性。70%與AI有強相關性的企業組織已經在至少一個專案上獲得投資回報，相比之下，未構建AI業務目標的企業組織這一數碼為65%。
不過，74%的受訪企業表示，在生成式AI布局上，他們沒有獲得CXO級別全方位的支持。
48%的受訪者計劃將其未來AI預算的至少一半投資於生成式AI。
其中，49%左右的受訪者希望利用生成式AI的收益用於新品開發，提高利潤率，提高差異化競爭；40%左右的受訪者則關註於銷售增長，提升品牌認知，辨識新的收入來源，客戶滿意度等等。
而未來兩到三年，54%受訪企業也計劃利用生成式AI提高員工生產力，此外，改善客戶體驗（52%），提高營運效率（50%），提高競爭力和市場份額（48%）也是主流目標。
結語
雖然當前AI大模型產業組成已經相對清晰，演算法層有大量開源模型、框架、工具平台，算力層有輝達、英特爾等確定性供應商，數據層無非就是從公開數據集、企業私域、仿真系統獲取，而場景層是可以從業務端自上而下去分門別類。但 好的場景往往是隱性，隱含在業務的小細節，數據也需要熟悉業務的專家知識，算力和演算法的組合最佳化也需要長期深耕，對技術創新和商業變現也要有足夠敏銳度。 這都導致AI大模型依舊處於「圍墻之內」，外界只能從現實測評來判斷一二。
為此，上述谷歌報告還指出了幾點建議，以幫助企業更好地利用AI，提升生產效率、降低成本、增強企業競爭力：
當技術理念已經被充分證明之後，大模型在產業落地還有許多坑，長期投入必不可少，對產出的高預期也需要理性回落。 （本文正選於鈦媒體APP，作者 | 楊麗，編輯 | 蓋虹達）
