埃森哲：從ChatGPT到Sora，迎接智識革新！

當許多人還未熟練掌握ChatGPT的時候，一款名為Sora的AI文生視頻大模型又在2024年初橫空出世。這意味著人類的信息獲取和內容創造方式將發生革命性的變化。

技術進化的新紀元已然開啟。人工智能正跨越機械邏輯的邊界，模擬并延展人類思維維度，從被動響應走向主動理解，預示著信息時代一場深刻的認知革命。同時，人工智能的發展極大地拓展了人類的能力邊界，就像ChatGPT革新了人類知識交互的方式，Sora又創作出既真實又富有想象力的場景。通過與AI伙伴的緊密協作，人類將大幅提升生產力和創造力。

如何充分利用這種技術能力，構建新一代的商業模式？企業需要怎樣的數據基礎架構，才能真正從這波人工智能浪潮中獲益？最新發布的埃森哲《技術展望2024》報告給出了答案。

AI伙伴：從知識到智識的革新

當前趨勢顯示，人們獲取信息的方式正經歷深刻變革，從單純依賴搜索技術轉變為通過與生成式AI對話直接獲取答案。埃森哲《技術展望2024》調研顯示，95%的高管相信我們與數據互動的方式將發生變化。這一變化或對傳統搜索引擎行業、CRM系統內的客戶信息查詢以及整個軟件市場帶來廣泛影響。

各家企業都擁有許多寶貴且特有的信息，并希望客戶、員工、合作伙伴和投資者能夠發現并使用它們。但由于種種原因，比如記不住正確的搜索詞、無法編寫查詢、存在數據孤島又或是文檔太繁雜，很多信息都難以訪問或提煉。而擁有巨大潛力的生成式AI，則能解決上述問題，進而為企業創造巨大價值。

企業內部運營中，生成式AI聊天機器人能夠革新員工和客戶獲取知識的過程，提供情境化精準答案，從而強化內部知識流通、提升客戶服務品質、優化產品性能。外部業務拓展中，生成式AI聊天機器人同樣將改變客戶查找和理解企業產品與服務信息的方式。

例如，在GPT-4的賦能支持下，摩根士丹利創建了一個生成式AI聊天機器人，將原本龐大、分散的內部知識庫（包括數十萬份PDF文檔）進行“學習”“消化”，助力咨詢師即時提煉所需的洞察。豐田則將車主手冊“濃縮”在生成式AI中，使其能夠針對車主提出的汽車問題提供簡潔直接的答案——研究結果表明，AI助手為員工賦能增效，平均每小時問題解決量增加14%，有效舒緩了客戶情緒，降低了員工留持率，也減少了發送給經理的請求量。

解鎖數據驅動型企業

為了真正從生成式AI中受益并建立“數據+AI”驅動的未來企業，企業需要從根本上重新思考自己的核心技術戰略。這其中就包括：如何收集和構建數據及更廣泛的架構，如何部署技術工具和運用它的全部功能，這些都需要重新考慮。此外，培訓、消除偏見和AI監督等工作也須要在一開始就實施起來。

強化數據基礎

生成式AI將成為企業數據架構的頂層接口，這一轉型要求企業對現有的數字核心進行適應性重構和升級。好消息是，隨著新技術與新工藝的不斷涌現，企業能夠有效地強化其數據基礎設施的基礎，并為迎接數據驅動業務的未來做好充分準備。實際上，一些行業先鋒已經率先行動起來，通過采用這些先進技術推動自身數據戰略的現代化進程，從而在重構數據架構以支持生成式AI的同時，也為企業整體的數據應用創新和發展打開了新的局面。

知識圖譜是這里會用到的最重要的技術之一。它是一個圖形結構的數據模型，包含了事物及其之間的關系，并對更大的上下文和含義進行編碼。知識圖譜不僅可以聚合多樣化來源的信息以支持個性化服務，還可以通過語義搜索提升數據查找效率。

以思科公司的案例為例。其全球銷售團隊擁有海量文檔資料，但傳統的索引搜索因缺乏元數據而難以找到所需內容。為此，思科與Neo4j合作構建了一個元數據知識圖譜系統。雖然沒有使用大語言模型，但他們依靠自然語言處理創建了本體論，和機器標記服務來分配文檔元數據，然后將其存儲在圖形數據庫中。這一舉措使信息查詢所需的時間減半，每年為銷售人員節省超過400萬小時的工作時間。

除了知識圖譜之外，其他數據管理策略也很重要。在企業更新整體架構時，可以使用數據網格和數據結構這兩種方法來幫助匹配和梳理企業需要處理的信息。

大語言模型：新數據接口

知識圖譜、數據網格和數據編織對企業知識管理系統來說已經是一個巨大進步。但如果將圖書管理員模式轉變為顧問模式，企業有望獲得更多價值。通過建立一個可訪問的、情境化的數據基礎，企業就可以開始著手創建顧問模式，并且還可以嘗試探索一些不同的方式。

• 從零開始訓練自有大語言模型。由于這需要投入大量資源，因此只有一些領先的AI企業會采用這種方式。

• 對現有的大語言模型進行“微調”。從本質上講，這就是在更通用的大語言模型基礎上，用特定領域的專門文檔對其進行進一步培訓，使其符合某個專業領域的需求。大型云廠商就會提供這種微調服務，然后把定制的個性化模型集成和部署在其公司的應用中。

• 與從頭開始訓練大語言模型相比，這種方法需要的資源要少得多，但這樣訓練出來的模型并不能確保具有最新的信息。這種微調方式最適用于那些對實時信息的要求不那么高的特定應用場景（例如設計或市場營銷中的創意輸出）。

• 針對一些特定場景，對小語言模型進行微調。比如DeepMind的Chinchilla和斯坦福大學的Alpaca。這樣的小語言模型效率更高、運行成本更低、碳足跡更小，而且可以更快地進行訓練并用于較小的邊緣設備。

• 提供更具相關性、特定用例信息來關聯預訓練的大語言模型。這是目前最流行的方法之一。通常通過檢索增強生成（RAG, Retrieval Augmented Generation）將信息檢索系統和生成模型相結合，生成模型既能進行自我訓練又能直接使用，并通過API進行訪問。

情境學習和RAG奠定了大語言模型的基礎，而所需的時間和計算資源較少。相比之下，從頭開始訓練或微調大語言模型需要更多的時間、計算資源和專業知識。這種方式最適合那些對信息時效要求比較高的用例，但精確性可能仍有待驗證。

將企業知識的未來引入正軌

我們現已探索了人類與信息之間變幻萬千的關聯，以及企業數據實踐如何發展方可與時俱進，當下亟需討論它將幫助企業做什么。有一點篤定無疑，大語言模型顧問將助推新一代數據驅動型業務的崛起。然而，如何構建它卻又需經歷一番深思熟慮。

大語言模型并非完美無瑕，它會“產生幻覺”。由于它們被訓練為以高度確定性提供概率性答案，因此有時這些模型顧問會充滿自信地傳達錯誤信息。當大語言模型的應用開始越來越深入地參與我們的日?；顒?，這種缺陷帶來的后果也可能會愈發嚴重。

除此之外，企業使用聊天機器人時還會遇到其他問題——如果使用的是公共模型，企業則必須仔細保護專有數據，以免泄露；即使是私有模型，也要避免未經授權的員工接觸到不應該共享的數據；同時企業還要管理計算成本；最后，實施這些解決方案需要相關專業知識，而這方面的專家人才相對較少。

然而，面對這些挑戰，我們不該因噎廢食，而應當以適當的控制措施來實施這項技術。

• 輸入到大語言模型中的數據，無論是培訓中的還是提示的，都應該是高質量的數據：新鮮、標簽明確且無偏見。培訓數據應該是由客戶主動共享的零方數據，或者是公司從自有資源中直接收集的第一手數據。任何個人或專有數據都應得到安全標準的保護。數據權限也必須到位，以確保用戶有權訪問為情境學習而檢索的任何數據。

• 生成式AI聊天機器人的輸出應該是可解釋的，并與品牌保持一致的?？梢酝ㄟ^設置條件，確保模型不會回答涉及敏感數據或有害言論的問題，以及拒絕超出其范圍的問題。此外，模型應告知其回答的不確定性并提供驗證來源。

• 生成式AI聊天機器人應該接受持續測試和人工監督。公司應該投資建設負責任的AI并制定符合最低標準的規定。他們應該定期收集反饋并為員工提供培訓。

在年初的CES現場，埃森哲首席技術和創新官杜保洛與斯坦福HAI研究院院長李飛飛展開了一場深度硬核的“爐邊對話”

生成式AI正在顛覆傳統的數據處理和軟件應用。大語言模型作為這場“智識革新”的先鋒力量，正重塑我們與信息交互的方式，從客戶溝通策略到內部團隊賦能，各方面的業務實踐都迎來了深刻的轉變。領先企業已經開始探索、規劃和構建依托于下一代數據智能技術驅動的新業務模式?？梢灶A見，在不久的將來，“智識革新”將不再僅是愿景，而是全球數字化商業運作中不可或缺的新常態。