共计 1706 个字符，预计需要花费 5 分钟才能阅读完成。
人工智能，尤其是生成式人工智能，已经引起了科技专业人士和管理层的极大兴趣。尽管近期有关削减云服务和基础设施预算的讨论不断，但 AI 领域的投资却持续增加。这些资金主要用于外部服务，还是内部人才和资源呢？
许多外部实体，如 OpenAI、微软和谷歌，被视为大型语言模型（LLMs）、基础设施支持和专业知识的主要提供者。然而，对内部 LLM 项目的兴趣也在上升。TCS 对 1,300 名 CEO 的新调查发现，约半数受访者（51%）表示他们计划构建自己的生成式 AI 实施。这意味着未来有很多工作要做——但幸运的是，公开可用的 LLMs 已经打下了基础。
TCS 的首席技术官兼研究合著者 Harrick Vin 博士告诉 ZDNET：“基础 LLMs——如 GPT、Claude、Llama——可以最好地描述为世界知识；可以视为互联网知识的重新包装。”他还指出，这些模型具有高度的多模态理解和生成能力，以及推理能力。
Vin 表示，构建这些基础模型“复杂且昂贵”，但内部企业模型将基于这些模型的能力。“这些模型将利用基础模型的基本技能——如语言理解和生成、推理和一般知识。但它们需要扩展和专业化，以适应行业、企业和活动背景。”
幸运的是，“与开发基础模型相比，构建此类专业化模型要容易得多且成本更低，”Vin 说。“事实上，相对容易地将基础 LLMs（广泛 AI 模型）专业化，以创建目的特定的 AI 模型和解决方案，是 AI 民主化的主要原因。”
这些企业特定的 LLMs“指的是使用一些基础模型（无论是开源还是商业）构建的行业、企业和活动模型，”他继续说。“我们相信，未来 AI 成熟的企业将拥有数百或数千个目的性 AI 模型，所有这些模型都是通过结合基础模型的能力和特定企业的特定能力构建的。”
除了构建和实施模型外，企业还需要为生成式 AI 做好准备。超过一半（55%）的受访者表示，他们目前正在积极对其业务或运营模型，或其产品和服务进行更改，以适应 AI。TCS 的调查显示，40% 的高管表示，在未来他们“有很多业务上的改变要做”，然后才能充分利用 AI。
这表明生成式和运营 AI 的采用正在稳步增长。过去一年，“每个企业都尝试了生成 AI 用例——而 2024 年及以后将是关于扩展价值，”Vin 说。“然而，在实验阶段，每个企业都意识到扩展价值是具有挑战性的。”
TCS 的调查显示，目前只有 17% 的企业在讨论 AI 并为其制定企业范围的计划。此外，只有 28% 的企业准备建立一个企业范围的 AI 战略，以最大化其对公司的利益。尽管如此，Vin 看到了技术的快速上升。“在实施 AI 解决方案方面，从临时或逐案实施到构建一个成熟的 AI 企业范围计划之间存在差异，”Vin 说。“调查中相对较低的数字指的是创建此类企业范围战略。这是预期的。”
至于 AI 解决方案的采用，Vin 继续说，“数字相当高：59% 的企业职能已经实施或完成了 AI 实施，另外 34% 计划实施 AI。我们正处于技术成熟和企业大规模采用的早期阶段。大多数企业开始利用 AI 和生成 AI 进行特定用例，同时开始量化利益以及管理相应的成本和风险。”
过去一年，“每个企业都尝试了生成 AI 用例——而 2024 年及以后将是关于扩展价值，”Vin 说。“然而，在实验阶段，每个企业都意识到扩展价值是具有挑战性的。”首先，“构建有效的 AI 解决方案需要高质量的数据，”他说。“虽然企业确实拥有大量数据，但这些数据通常分布在许多相互不一致的孤岛上。虽然大多数企业过去几年已经开始整合和现代化数据资产的旅程，但这些旅程远未完成。此外，大多数企业的数据资产迁移到云环境仍在进行中。这使得企业难以利用云托管的基础 LLMs 以及他们的企业数据。”
此外，企业“需要提高其管理数据血统、使用、安全和隐私的成熟度，”Vin 说。“他们需要掌握确定哪些数据可以用于哪些目的的艺术，即使是无意中，以防止偏见和不公平的做法。这不仅是设计时的挑战，也是运行时的挑战。”需要的是“实时检测 AI 模型开始偏离预期行为的紧急条件的系统。”
最后，角色和技能要求的变化速度超过了公司跟上的速度。“随着 AI 的注入，企业知识工作者的角色将从工作执行者转变为机器的培训师和审问者，机器完成工作的审查者，以及关键思维和创造力的所有者，”Vin 说。
