挑战、采用和未来前景

近年来，人工智能（AI）领域经历了快速发展，投资远超短期收入预期¹。 这种脱节导致了一个复杂的局面，科技巨头和初创公司都面临着挑战。思科、英特尔、戴尔等大公司纷纷宣布裁员，众多人工智能初创公司纷纷倒闭²。 最初围绕人工智能革命性行业潜力的欣喜已经让位于更务实的担忧，甚至像 OpenAI 这样的行业领导者也面临着对其长期生存能力的质疑³。 在本文件中，我们从创新采用周期的角度审视人工智能的现状，探讨该技术从创新阶段转向主流采用时面临的挑战和机遇。

了解实施挑战

技术整合与适应

人工智能采用面临的主要障碍是有效应用和集成该技术的困难。许多项目未能达到预期，因为组织努力寻找能够提供有形价值的实际用例⁴。 人工智能开发的快速发展往往超出了组织调整流程和员工队伍的能力，加剧了这一挑战。

幻觉问题

困扰大型语言模型 (LLM) 的最重要问题之一是它们倾向于产生令人信服但错误的信息，即幻觉⁵。 这个问题破坏了对人工智能系统的信任，需要仔细的事实检查，限制了它们在需要高精度的场景中的有用性。

管理期望

人工智能模型产生的结果与用户期望之间常常存在脱节。即使人工智能的输出客观上很好，这种不一致也会导致失望和抵制。缩小这一差距不仅需要技术进步，还需要更好的教育和期望管理。

数据质量和数量

事实证明，由于两个主要因素，基于客户特定数据训练人工智能模型具有挑战性：

• 许多组织的数据质量较差⁶
• 数据量不足，无法进行有效训练

这些问题需要额外的数据清理和增强技术，从而增加了项目成本和复杂性。

成本考虑

运行先进人工智能模型的运营成本仍然很高。例如，估计 ChatGPT 每个查询的运行成本超过 0.36 美元⁷，而其定价范围为每 100 万个代币 5 美元到 15 美元⁸。这种定价结构通常会导致服务低于成本，从长远来看这是不可持续的。

计算需求

思想树 (ToT) 等高级人工智能技术需要数百次模型调用才能生成单个输出。这种计算强度会增加成本并限制某些人工智能应用程序的可扩展性。

创新采用周期

人工智能采用的现状与技术采用的“跨越鸿沟”模型一致⁹。我们目前正处于创新阶段，其特点是高度乐观，但也注重“弄清楚问题”而不是广泛的实际实施。

随着行业迈向愿景阶段，公司开始在利基应用中展示真正的解决方案。然而，随着盈利之路充满挑战的现实的出现，这种转变伴随着炒作的崩溃。

当前人工智能时代的独特之处

企业对颠覆性技术的投资

与以往的技术革命不同，这个人工智能时代的特点是美国和中国大型科技公司的大量投资。然而，这些投资的回报可能需要 10-15 年的时间，这引发了人们对这些企业巨头资助人工智能研究的长期承诺的质疑。

研究实验室的类比

目前的情况与 20 世纪 50 年代和 1960 年代的研究实验室类似，例如贝尔实验室和施乐帕洛阿尔托研究中心。这些机构创造了突破性的技术，但往往未能利用其创新。今天的科技巨头有可能面临类似的命运，规模更小、更敏捷的初创公司最终会从他们的研究中获得回报。

创新者的困境

各大科技公司正在积极推动人工智能的采用，以避免成为创新者困境的受害者¹⁰。他们试图引导客户采用人工智能，即使采用缓慢。 Microsoft 的 Copilot 定价策略最初设定为每年 108,000 美元（300 个许可证），后来调整为每年 360 美元（单个许可证），这说明了寻找适当平衡的挑战。

定价模型：人工智能采用的关键挑战

人工智能商业化最重要的障碍之一是确定适当的定价模型。公司正在努力平衡可持续收入的需求与推动采用和为客户创造价值的目标。最近，Cohere 的首席执行官抱怨说，销售 ChatBot 服务的利润微乎其微。¹¹。已经出现了几种定价策略，每种策略都有自己的权衡¹²。

• 基于使用的定价 根据资源消耗向客户收费，提供透明度，但可能会阻碍实验。
• 订阅模式 提供可预测的收入，但可能与实际使用或创造的价值不一致。
• 基于价值的定价 试图将成本与所带来的收益挂钩，但实施起来可能很复杂。
• 免费增值模式 推动采用，但在将免费用户转变为付费客户方面面临挑战。
• 一次性许可费企业软件中熟悉的人工智能可能无法体现人工智能发展的持续性。

不确定的运营成本、量化人工智能价值的困难、数据所有权问题、快速的技术变革和竞争压力等因素进一步加剧了人工智能定价的复杂性。

随着行业的成熟，我们可以预期定价模型将不断发展，有可能在人工智能市场中转向更复杂、基于价值的方法和动态定价。成功的战略需要有效地传达人工智能产品的价值，同时确保提供商的可持续增长。

其他挑战和考虑因素

道德和监管问题

随着人工智能变得更加强大和普遍，道德考虑和监管挑战日益成为首要问题¹³。人工智能系统的偏见、隐私问题、行业合规性等问题。人工智能被用于有害方式的可能性正变得越来越重要。驾驭这一复杂的环境对于该行业的长期成功至关重要。

人工智能教育和劳动力转型

从基础数字素养到高级技术技能，各个级别的人工智能教育需求都在不断增长。组织必须投资于员工的再培训和技能提升，以有效利用人工智能技术。劳动力的这种转变给个人和组织带来了挑战和机遇。

人工智能的可解释性和透明度

随着人工智能系统变得越来越复杂，对可解释人工智能（XAI）的需求也在增长。利益相关者，包括最终用户、监管机构和开发人员，需要了解人工智能系统如何做出决策。提高人工智能模型的透明度和可解释性对于建立信任和确保负责任的部署至关重要¹⁴。

能源消耗和环境影响

大型人工智能模型的训练和运行需要大量的计算资源，导致能耗较高。随着人工智能应用的增长，解决这些系统对环境的影响将变得越来越重要。开发更节能的人工智能架构和促进可持续的人工智能实践将是该行业面临的主要挑战。

人工智能治理和标准化

随着人工智能在各行业中变得越来越普遍，对标准化治理框架和最佳实践的需求也越来越大。建立人工智能开发、部署和监控的全行业标准对于确保负责任和一致地使用该技术至关重要。

版权和知识产权法

某些国家的版权所有者担心他们的信息被用于训练人工智能模型。日本和美国就是各国可以采取极端立场的例证。在日本，人工智能可以接受版权信息方面的培训，而不会产生任何法律后果。然而，在美国，大型版权所有者认为使用受版权保护的材料训练人工智能是违法行为。

当然，一个合理的担忧是，人工智能模型可以消耗如此多的信息，远远超过任何人一生所能吸收的信息。肯定会有一些交易需要与真正庞大的模型完成，这些模型将能够访问这些信息，但这对于人工智能的总体前进通常有帮助或有用吗？

结论

人工智能产业正处于关键时刻。尽管该技术显示出巨大的前景，但它在采用、成本效益和实际实施方面面临着重大挑战。当我们接近人工智能采用的“鸿沟”时，重点必须转向开发高质量的应用程序，为客户提供有形的价值。

人工智能的未来很可能取决于该行业应对这些挑战的能力。这包括改进技术本身、开发可持续的商业模式、应对监管环境以及有效管理社会影响。 尽管前进的道路可能充满挑战，但人工智能的潜在好处仍然巨大，有望深刻改变行业和社会。

随着我们的前进，人工智能生态系统的利益相关者——从研究人员和开发人员到商业领袖和政策制定者——合作应对这些挑战至关重要。通过这样做，我们可以努力实现人工智能的全部潜力，同时降低其风险并确保其利益广泛分配给整个社会。

撰稿：博士 奥利弗·金·史密斯 是首席执行官 智能R人工智能，一家基于 SCOTi® AI 和alertR 框架开发应用程序的公司。

参考：

1“人工智能正在失去炒作”，《经济学人》，2024 年 8 月 19 日

2

3“OpenAI 可能在 12 个月内濒临破产，预计损失将达 50 亿美元”，2024 年 7 月 25 日，Kevin Okemwa，Windows Central

4“Gartner 预测到 2025 年底，概念验证后 30% 的生成式 AI 项目将被放弃”，2024 年 7 月 29 日，Gartner

5“使用语义熵检测大型语言模型中的幻觉”，2024 年 6 月 19 日，Sebastian Farquhar 等人，《自然》

6“数据质量差的影响（以及如何解决）”，2023 年 3 月 1 日，Keith D. Foote，Dataversity

7“你不会相信 ChatGPT 的运营成本是多少”，2023 年 4 月 20 日，Fionna Agomuoh，数字趋势

8

9“跨越鸿沟：向主流客户营销和销售高科技产品或简单地跨越鸿沟”，2014 年，Geoffrey A. Moore

10“创新者的困境：新技术导致大公司失败”，1997 年，克莱顿·克里斯滕森

11“什么利润？ Cohere 创始人表示，人工智能的商业模式正在快速变化”，2024 年 8 月 19 日，Maxwell Zeff，Techcrunch

12“7 种人工智能定价模型以及用于实现盈利增长的模型”，2024 年 5 月 22 日，Alvaro Morales，With Orb

13“医疗保健领域人工智能技术的道德和监管挑战：叙述性评论”，2024 年，Ciro Mennella、Umberto Maniscalco 等人，Heliyon

14“可解释的人工智能（XAI）：我们所知道的以及实现可信赖的人工智能还剩下什么”，2023 年，Sajid Ali 等人，信息融合

图片来源：Freepik