從實驗室到應用：推動生成式AI的成功

2023年，生成式AI在科技領域異軍突起。隨著ChatGPT獲得了巨大的成功，亞馬遜、微軟和谷歌等公司紛紛加快步伐，掀起了一股創新浪潮，以重塑企業和用戶利用科技提高生產力的方式。生成式AI已在制藥和法律等多個領域取得了顯著進展，但這只是一個開始。根據麥肯錫的調查，中國企業人工智能與業務相結合的能力有很大的進步空間，當前只有9%的中國企業可借助AI實現10%以上的收入增長。只有當企業走出實驗階段，開始在實際應用中更廣泛地使用生成式AI時，其真正的作用才能更好地展現。

但是，想要將生成式AI的價值最大化，企業必須克服成本和信任的挑戰。而要做到這一點，就需要一個充分利用云的強大數據路線圖。

成本和信任是最大的障礙

在生成式AI應用中，如果模型是基于不可信的數據訓練而成的，它生成有用結果的可能性就會很小。當前的挑戰在于，許多企業的數據治理和安全仍處于初級階段，關鍵信息往往被鎖在孤島中。如果不進行高成本的整合，這些信息實際上是無法被使用的。在實踐中，這意味著AI訓練數據的質量可能很差，缺乏關鍵的業務背景。這可能會導致幻覺，即看似真實的虛構信息或缺乏必要背景的事實反應。無論哪種情況，都對企業無益。

另一個關鍵痛點是自主運行生成式AI項目的成本高昂。雖然外包存在安全、合規和其他潛在風險，但自主完成所有工作的成本過于高昂。一個專門用于運行大語言模型（LLM）的尖端GPU大約需要3萬美元。而一家企業如果要運行一個擁有1750億個參數的模型，可能需要2000個GPU，成本高達數千萬美元。

將實驗室中的生成式AI投入到實際應用中

將云基礎設施作為AI基礎逐漸成為趨勢。云提供商擁有GPU資源，可幫助客戶擴展生成式AI項目的規模，客戶只需按照使用量支付費用即可。這使得企業能夠使用生成式AI進行實驗，并在完成修補后關閉模型，不必在本地環境中配置GPU。這種方式不僅節省了資本支出，還為企業提供了在必要時重新進行內部運行的靈活性。

所以，在決定使用云后，企業如何才能讓生成式AI項目走出實驗室，并在實際應用中為企業帶來價值呢？在這方面，可以借鑒BRIESO（構建、完善、識別、實驗、擴展和優化）模型：

構建（Build）：構建現代數據架構和通用企業數據網格。無論是在本地還是在云中，這種構建都將幫助企業獲得對數據的可見性和控制權。而且，這還有助于企業建立一個統一本體，用于映射、保護和實現所有數據孤島合規性。所以，企業應尋找不僅能夠滿足當前需求，而且能夠根據未來增長進行擴展的工具。通常情況下，開源解決方案最為靈活。

完善（Refine）：根據當前業務需求完善和優化數據。在這一階段，盡可能準確預測未來需求非常重要，這將減少遷移過多非必要數據的可能性，這些數據不會帶來任何價值，還會大幅增加項目成本。   

識別（Identify）：尋找將云用于特定工作負載的機會。工作負載分析將幫助企業確定在哪些方面可以產生最大價值。這個階段的關鍵在于通過打通各個位置（無論是本地還是多個云）的數據來優化項目。這時也是考慮潛在開發用例的好時機。  

實驗（Experiment）：嘗試使用預構建的第三方生成式AI框架，找到最符合業務需求的框架。可供選擇的框架很多，例如AWS的Bedrock（Hugging Face）、Azure的OpenAI（ChatGPT）和谷歌的AI Platform（Vertex）。重要的是不要過早做出決定。為提高項目成功的可能性，模型必須與現有企業數據緊密結合。

擴展和優化（Scale and Optimise）：在選擇了合適的平臺后，就可以考慮選擇一到兩個用例擴展為生產模型。企業應持續優化流程，但也要密切關注與GPU相關的成本，以防成本大幅提高。當企業的生成式AI應用能力開始提高時，應尋找進一步優化其使用的方法。靈活的AI平臺是保證長期成功的關鍵。

未來近在眼前

IT和企業領導人對生成式AI應用的變革潛力感到興奮是可以理解的。全球98%的高管認為AI基礎模型將在諸如在改進客戶服務方面，或是在實現無縫銜接的供應鏈管理和大幅加強開發運維方面，在未來3-5年戰略中發揮重要作用。

企業仍然需要做很多工作。任何AI項目要想取得成功，就必須以現代數據架構為起點，然后進行完善、識別、實驗、擴展和優化。企業可以利用生成式AI取得成功的未來已指日可待。