本轮 AI 浪潮与过去的技术突破期有何区别？
相比于过去的科技突破，本轮 AI 繁荣更加普惠。比如 ChatGPT，其推出后迅速吸引亿万用户，也得到各界关注，包括投资者、消费者和企业员工。
除了消费端，许多 AI 企业也已实现盈利。本轮 AI 热潮帮助企业通过提高生产力来获得收益和价值。生成式 AI 技术预先训练好模型，并利用大量数据，使企业无需巨额投资。这些技术广泛应用于市场营销、客户服务、销售、财务和知识管理等业务，提高企业效率和业务水平。
直接变现可能需要更长时间，因为仍存在一些问题，如道德规范和数据局限。但已有企业开始探索具体方式。
中国企业能否走出一条独特的 AI 发展之路？
一些 AI 业内人士认为，中国企业可以采取不同的方式发展 AI。具体如何发展，还需要进一步探讨。
我们探讨生成式 AI 时，主要有三种采用途径。一是直接使用相关应用程序，例如市场营销应用程序。ChatGPT 也是一款应用程序，当您使用它时，您并非直接与大型语言模型聊天，而是使用该应用程序生成聊天内容。
另一种采用途径是直接使用应用程序背后的底层模型。例如，OpenAI 是一种模型，可用于创建应用程序，例如 ChatGPT 和其他应用程序。
第三种采用途径是使用各种底层模型来创建适用于企业或业务的特定专属应用程序。在这种情况下，所用底层模型既可以是国际模型，也可以是国内模型。对于企业来说，选择模型时主要考虑以下因素：是否已预先训练完善，以及更适用于自身及所在市场的情况。
例如，在中国，国内大型模型能生成更精确的结果，因此更有竞争优势。中国市场上的一些模型可能更具成本优势。在中国，商业环境和格局复杂多变，企业选择更加灵活多样。不同企业基于成本角度和相关性角度，可能会选择不同底层模型。这些因素可能会让中国在人工智能领域取得跨越式进展。
中国肯定是本轮人工智能发展浪潮中受益最大的国家之一。中国具备人才库、科技企业、资金等关键因素和具有竞争力的生态系统。政府也在人工智能发展中扮演着重要角色。无论是构建人工智能基础设施、建立大数据中心，还是获得 GPU 高性能芯片，人工智能发展的初始投资都是巨大的。除了大型企业之外，大多数企业难以承受，这也是政府能够发挥作用的地方。
事实上，在全球范围内，政府都需要扮演相当的角色，例如推出人工智能相关法案和文件，为行业参与者提供明确的指导方针。通常情况下，如果企业不知道哪些事情能做或不能做，往往就会谨慎起见而束手束脚。基于此，政府主动明确规则，并让行业参与者知道政府鼓励人工智能发展，是有所裨益的。
关于人工智能的演变路径，近期有分析师认为，与此前移动互联网时期类似，最初会让英伟达这样的硬件企业受益，然后是博通这样的人工智能基础设施类企业，再之后是强调与人交互的人工智能软件企业将会获得发展。我基本同意这一演变路径。
归根结底，大多数用户愿意为体验付费。例如，用于市场营销的人工智能写作及内容生成应用程序，又比如生成音乐的应用程序，亦或是微软推出的 Copilot，对于普通用户来说，应用程序底层技术、模型、大数据中心、GPU 等这些技术概念并非是重点，他们关心的是程序使用是否便捷，生成结果是否足够准确和智能，能否带来更好的使用体验等。
现阶段，企业仍然必须打下很多基础，否则将永远无法获得这种体验。有了基础设施后，我们才能通过应用初始的大语言模型，完成调试优化服务，再基于此创建应用程序。
当企业将 AI 技术融入运营之中时，关注技术本身是不够的。同样重要的是与终端用户合作，即实际使用 AI 技术进行特定工作的员工们，而他们通常是最适合担任 AI 教练的人选。
推广 AI 技术不应由企业的技术团队告诉员工该怎么做，而应让员工参与决策，共同确定如何去做。这一点对于生成式 AI 技术尤其适用，因为生成式 AI 并不是“天生”就能提供准确、可靠的内容。
就需要使用该技术的员工来帮助判断某些生成内容的正确性，以及是否能生成某项特定任务所期望的信息。例如，如果某个员工负责管理供应链中的仓库，他必须确保货物在正确的时间送进来并送出去，需要考虑的因素包括时间表、库存、客户等。
如果要使用 AI 技术，员工要确保让 AI 也能考虑到上述所有这些因素。如此一来，如果有什么事情被推迟或顺序发生了变化，AI 就知道该如何应对。熟悉这些因素的员工，就要充当 AI 的教练。
当 AI 生成了这些信息后，员工也会进一步反馈，不断验证提供信息和提供形式的准确性和精确性。长此以往，AI 就能够动态地提取该员工在某一具体时刻需要查看的数据，并且根据情况的变化（例如，有人迟到了，有人请病假了，或客户更改了订单）决定提供数据的具体时点。
上述任何环节都会产生连锁效应，牵一发而动全身，AI 与员工的合作非常关键。
在企业内部推广 AI 技术时，人的因素仍然很重要？绝对如此。在 AI 技术发展中，人的因素非常重要。这其实是一种人加上 AI 的能力，而不是 AI 自身完成自动化。这也是 AI 与以往技术变革不同的另外一点，它是非常人性化的技术，也因此它比以往的突破性技术更易得、更快普及，以及更加对于用户友好。
例如，即便使用者不是技术专家，也能运用 AI 来编程，创建指令动作。即使不是艺术家，也能通过 AI 生成图像。每个人都可以运用 AI 的创造性，且不受特定技能所局限。
一项研究表明，虽然亚太区 89% 的首席体验官 (CXO) 计划在 2024 年增加对 AI 技术的投资，但不少高管承认他们缺乏通过 AI 技术完成企业重塑所需的技能。更重要的是，当涉及推广 AI 时，领导者和员工之间存在信任赤字，许多员工会担心自己的工作。
根据经验，能采取什么方法让员工对企业引入及推广 AI 技术感到更舒适，甚至愿意拥抱这种变革呢？上述研究结果也显示，员工对生成式 AI 技术本身很兴奋，94% 的员工表示想学习这项新技术，只是他们不认为企业管理层能够积极推广 AI 技术。
在我看来，这主要是因为企业领导还没有在全体员工中展开相关培训。正如我提到的，其实生成式 AI 是一种非常人性化、基于人的技术。
为了让员工接受人工智能，首先要让他们了解应用人工智能的风险和要求，并让他们接受人工智能培训。企业领导者更应如此，因为所有员工，不只是软件工程师，都需要能接触并处理数据，基于数据决策并推动变革。
第一财经：在培训员工前，企业领导是否需要先接受培训？
研究表明，企业领导在最初对生成式人工智能充满兴趣后，日常工作中对生成式人工智能的使用量也出现了减半的情况。董筱珊表示，需要培训所有人，让他们充分了解人工智能技术的前景。
埃森哲自身的实践
埃森哲已经为全球70多万名员工提供了基础培训，让他们了解什么是生成式人工智能以及它带来的风险和机遇，以更好适应并应用人工智能。例如，培训让员工意识到在手机上处理很多人工智能相关任务既是机遇也是风险，因为他们可能会无意中泄露公司信息或接触到潜在有害内容。
企业应用案例
董筱珊分享了一些企业应用人工智能的案例。一家生命科学企业与埃森哲合作进行人工智能培训，旨在培养内部数字人才。该公司意识到需要利用人工智能技术进行研发突破，革新业务。
埃森哲还帮助宝马建立了名为EKHO的人工智能平台，帮助员工解决复杂问题。EKHO可以从过去的场景中学习，应对全新的挑战。在过去，宝马销售人员必须查阅实物手册才能了解可能的汽车配置。现在，使用EKHO平台，宝马可以将此过程缩短至几分钟。EKHO还可以用于制造等其他业务，优化供应链流程，帮助宝马在北美市场的效率提升了30%至40%。
《财富》杂志通过收集和分析企业财务数据，创建了《财富》500强排行榜。埃森哲与《财富》合作开发了名为Fortune Analytics的生成式人工智能平台，可以访问《财富》排行榜、文章和在线视频等数据，并进行整合，为企业领导者和研究员提供有价值的信息。
在伦理领域，人工智能的风险
在伦理领域，人工智能存在着隐私、偏见和歧视、影响人类判断等风险。企业应如何避免这些风险引发的问题？
了解生成式人工智能的本质
我们需要理解生成式人工智能的本质。它并不提供明确的答案，而是根据知识库和训练中获得的信息生成相应的内容。有时它可能会编造答案，产生所谓的“幻觉”。明确这一点后，我们再考虑潜在的风险。
测试和验证人工智能
就像在编程和软件开发中一样，我们也需要对人工智能进行测试和验证。我们需要建立测试和验证数据集，以便在人工智能模型发生变化时评估其准确性或生成内容的适用性。
例如，在营销活动中使用生成式人工智能时，企业需要让相关领域专业人员评估生成内容，以确保内容真实且效果最佳，从而收集反向结果和数据。在此过程中，专业人士的专业知识和洞察力至关重要。
每个企业在评估特定业务时，也需要考虑其独特性。我们可以通过专业人员收集数据、利用人工智能程序自动生成内容、验证对错，不断扩充验证数据集。在未来，其他员工在选择模型或验证生成结果是否正确时，可以使用程序化方式运行这些验证数据集。
不断微调模型
除了不断扩展验证数据集外，我们还需要微调模型。因为验证数据集中的某些内容和知识可能不会存在正确或错误的问题，但可能已过时。添加新内容和知识可以提高模型生成的最终内容的准确性。
