媒体上几乎每天都会出现一些关于生成式人工智能的突破性新进展。事实上，麦肯锡的研究认为，未来人工智能的确会令人眼花缭乱，它可以将客户支持的生产率提高 40%，将软件工程的生产率提高 20% 至 30%，将市场营销的生产率提高 10%。

不过，值得提醒的是，我们以前也看过这样的电影，公司纷纷投入到激动人心的新技术中，进行了大量不成熟的实验和试点。CIO 和 CTO 在避免人工智能领域的这些陷阱方面起着至关重要的作用。他们可以用务实的技术视角来确定何时何地人工智能可以产生最大价值，以及在哪些方面人工智能并不是最佳选择。

要做到这一点，就需要深入了解人工智能的单位经济效益、获取这些效益所需的资源以及在现有能力条件下开展工作的可行性并在上述情况的基础上开发用例。随着人工智能越来越被视为业务加速器和颠覆者，这一复杂的等式是 CIO 必须正确应对的挑战。

新一代人工智能原型： 接受者、塑造者和创造者

CIO 在确定何种战略上最适合企业使用人工智能时面临的一个关键问题是租用、采购还是为各种用例构建人工智能能力。基本原则是，只有在拥有有专有优势的情况下，才投资创建独特的人工智能能力。我们发现，用三种原型来思考问题是很有帮助的：

获取者使用聊天界面或 API，通过公开模式快速访问商品服务。这方面的例子包括 GitHub Copilot（一种用于生成代码的现成解决方案）或 Adobe Firefly（帮助设计师生成和编辑图像）。就工程和基础设施需求而言，这种原型是最简单的，通常也是启动和运行最快的。它不允许集成专有数据，提供的隐私和知识产权保护也最少。虽然在简单访问基因人工智能服务时，技术堆栈的变化很小，但 CIO 需要做好准备，管理技术架构的重大调整并升级数据架构。

塑造者希望开发专有功能，并有更高的安全性或合规性需求。在 “塑造者”用例中，首席信息官需要将现有的第二代人工智能模型与内部数据和系统集成，以便无缝协作并生成定制的结果。其中一个例子是通过将生成式人工智能工具与 CRM 和财务系统连接，纳入客户之前的销售和参与历史，从而支持销售交易的模型。

塑造者有两种常见方法。一种是 “将模型引入数据”——即在企业内部或云环境中的基础设施上托管模型。另一种是 “将数据引入模型”，即企业通过将大型模型本身的副本放在行业巨头的云基础设施上。无论是哪种情况，CIO 都需要开发管道，将将第二代人工智能模型与内部数据源连接起来。在内部数据上训练模型可以使模型的预测更好、更符合公司需求。公司将需要存储更多的交互信息，例如与客户服务人员的对话，并不断使用大量数据，使人工智能系统发挥更大的作用。

制造商从零开始建立基础模型。这既昂贵又复杂，需要大量数据、内部人工智能专业知识和计算能力。建立模型和培训员工需要一次性投入大量资金，从 500 万美元起步，最高可达数亿美元，具体取决于培训基础设施、模型参数和模型架构的选择等因素。由于成本和复杂性，这将是最不常见的原型。

正确制定第二代人工智能战略

对第二代人工智能用例进行实验相对容易，但以释放价值的方式扩大其规模则更具挑战性。如果没有正确的内部组织，即使是最有前途的人工智能计划也可能落空。必须重新设计业务流程和工作流程，并对用户进行再培训，以利用人工智能的能力。升级企业技术架构以集成和管理人工智能生成模型，也是协调它们如何与现有人工智能和机器学习（ML）模型、应用程序和数据源共同运行的关键。

CIO 的第一项举措应该是集中第二代人工智能能力，以协调活动、积累专业知识并将能力分配给优先计划。该团队包括数据工程师、MLOps 工程师以及风险和法律专家，其目标是为最初的几个用例合作构建基因人工智能。重点应该是将基因人工智能模型与内部系统、企业应用程序和工具连接起来。只有在技术堆栈层面做好结构性工作，企业才能从开发几个孤立的用例走向产业化，从而获取实质性价值。原则是将第二代人工智能作为基础平台服务进行管理和部署，随时供产品和应用团队使用。

在最好的情况下，当一个组织开始其基因人工智能之旅的时候，上述所有条件都已到位。如果没有这样的理想条件，CIO 仍应开始为一系列优先用例开发平台，并在学习过程中不断调整和添加。

围绕人工智能的热议是，它有可能改变我们所熟知的业务。不过，潜力并不代表确定性，甚至也不代表可能性。CIO 和 CTO 将站在第一线，确保企业以战略意图和重点来执行，避免陷入无休止的、昂贵的尝新陷阱。

来源：www.cio.com