起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識下一個10年，比拼的是這個能力
下一個十年，企業競爭的核心將是能否充分利用生成式人工智能為核心的新生產力。作者分享分析了生成式AI是新質生產力的核心、企業最核心資產是私域數據、生成式AI在企業組織中的落地。
大家好，今天世界各地正在達成這樣一種共識：AI是衡量先進生產力核心指標或者是唯一指標。我今天的分享從三個方面進行：
第一，生成式AI為何是新質生產力的核心？這一輪的生成式AI與之前的AI都有哪些本質區別？
第二，為什么AI模型和AI技術不是企業最核心資產，而是私域數據。
第三，如何根據企業不同現狀，實現從低成本Prompt應用到建設企業智能體及垂直模型，構建企業核心競爭力。
一、生成式AI是新質生產力的核心
1. Al進入Iphone時刻
2007年的Iphone時刻，喬布斯2分鐘重新定義手機。2023年3月GPT-4發布，預示著Al進入Iphone時刻。
對于它的出現，英偉達CEO黃仁勛說ChatGPT帶來AI的iPhone時刻。
Open AI創始人Sam Altman表示這與人類的印刷機相比是同樣偉大的發明。
谷歌CEO孫達爾·皮柴( Sundar PichAI)表示這是人類的另一次火和電發明。
比爾·蓋茨也表示GPT是他一生中見到的兩項最具革命性技術之一。
埃隆馬斯克前兩天也提到生成式AI比核武器厲害很多倍。
2. 人工智能應用場景
接下來我們來看4個實際應用案例。
① 案例：乳業公司瞬時殺菌技術提煉
某乳液公司開發的新款牛奶采用了新的瞬時殺菌技術，那如何將這種新的瞬時殺菌技術轉化為銷售賣點？
一般情況下，我們會讓市場部提煉一個好的賣點語言，這樣下來可能需要非常高的價格。
有了人工智能，現在的做法就不一樣。具體步驟有：首先，描述背景，了解產品類型。其次，提出要求，如請你幫我思考在賣點過程中需要表達哪些核心內容等。最后，通過逐輪與大模型交互，最終可以得出幾個答案。
事實上，提煉這些宣傳賣點話術或者宣傳用語，如果沒有5年市場經驗是很難達到這個水平，也許他無法與葉茂中相比，但借助人工智能，還是很容易超越5年內的市場人員。
② 輔助設計，提供創新思路
接下來我們看個服裝輔助設計案例。
我們都知道，服裝有不同布料、不同顏色以及各種款式。那么，如何快速進行仿真和模擬，實現服裝設計過程中的快速、高效迭代和創新？
借助人工智能，如上圖所示，我們可以很輕松的進行創新設計。
首先，選擇世界上知名的服裝風格。其次，選擇需要的顏色和細節，例如花岸上衣或其他風格。第三，選好后輸入交互信息，如請幫我設計一個禮服，使其看起來更加青春等。
這里需要注意的是，它可以結合很多特點進行細化設計，例如采用了一些經典款式等。
目前，人工智能模型得到進一步發展，如在服裝設計過程中，我們在紙上畫一個線稿，直接放上去，它會生成整個模特的實際圖片。
同時，在展示效果上，如風吹效果，無論是絲綢還是亞麻，還是各種不同布料，都可以根據重量和物理屬性，展示出穿著過程中的飄逸感覺，以此判斷出設計效果。
③ 某保險客戶健康產品推薦
接下來，我們再探討一個涉及某保險公司與健康檢測公司產品推薦的案例。
我們知道，保險業務中，保險人員變動非常頻繁，所以，在與客戶交互過程中，通過人工智能方式搭建了一個人工智能Agent。
首先，它會讀取檢測報告中的信息，同時植入專家解讀的內容，它會根據專家解讀的信息匹配適合的保險產品。此外，它還會借鑒歷史銷售數據，特別是金牌銷售人員的經驗，將這些銷售經驗總結生成話術。
這時，你會發現，保險銷售人員會更像一個演員，帶著已經準備好的腳本和產品，在客戶面前表演。這樣，大大提高了我們與客戶交互的效率和成效，同時也體現出專業性。
另外，通過自然語言交互，銀行人員也可以對自己的信貸進行判斷，并與系統、行業指標和各種數據相結合判斷信貸風險。這一舉措標志著崗位自動化的初步實現。
目前，在AI的廣泛應用過程中，我們已逐步從單一崗位的簡單任務自動化向復雜任務自動化邁進。在未來2-3年內，會有很多崗位實現全面自動化。
④ 智能招聘助手
我們再看一個智能招聘Agent+RPA+專家知識的綜合自動化應用案例。
智能招聘助手可以快速、專業地評價候選人。它會根據JD（崗位職責）要求對應求職者的簡歷，并針對關鍵信息給出評價。
為了保證評估的精準性，我們依托豐富的專家背景知識，使招聘助手能夠深入理解院校、專業等招聘要素，對候選人作出更為專業的評價。
HR招聘人員可輕松通過后臺創建和編輯職位信息，進入招聘頁面后，新增崗位、填寫JD并一鍵解析，相關信息將自動填充至相應欄目。
智能助理還能對招聘數據進行深度分析，為HR管理者提供精確的數據支持和結果解讀，幫助管理者快速理解招聘現狀。
借助智能招聘助手的專家知識庫，我們可以更精準地進行簡歷篩選，并在面試過程中生成個性化的面試題目和答案，確保應聘者與業務需求的精準匹配，并將推薦結果及時送達業務人員。
綜上所述，關于人工智能的應用，其核心在于首先推動單崗位任務的智能化升級。
并且，隨著技術的不斷進步，系統將逐步具備專家的能力，并通過復制和放大這種能力，實現復雜流程的自動化。最終真正為組織賦予新質的生產力。
3. Chat-GPT-4出現，人類可以跟機器自由對話
① 交互方式發生變化
通過對前面講到的實際應用案例，不難發現，我們的交互方式正悄然發生變化。
第一，DOS命令時代。在那個時期，我們通過輸入DOS命令來執行操作。用戶需要具備一定的編程知識，通過編寫代碼來完成任務。
第二，圖形交互時代。比爾·蓋茨曾贊譽Windows的發明為人類的第二次偉大創新。
圖形交互時代的開創性產品Windows，以及后來的iPhone等設備，實現了人與圖形界面的直觀交互，極大地提高了用戶體驗。
第三，自然語言交互時代。隨著Chat GPT等技術的出現，我們迎來了自然語言交互的新篇章。
Chat GPT具備多種功能，如作畫、編寫代碼、翻譯資料、收集信息以及視頻處理等，展現了多功能、多模態人工智能的強大能力。通過自然語言交互，用戶可以更加便捷地與計算機進行溝通和交流。
② Sora世界模擬器意味著什么？
2024年的2月，Sora在春節期間引起轟動。我們首次在人類視頻中看到一位時尚女性走在充滿溫暖的霓虹燈和動畫城市標牌的東京街道。
我們看到生成的視頻，此時此刻很難分辨真假，它在霓虹燈底下、濕的、下過雨的地面上的倒影以及各種符合現實世界的情形。
埃隆馬斯克在觀察Sora出現之后表示：人類應該認賭服輸。
Sora世界模擬器意味著什么？
Sora被Open AI定義為世界模擬器，其深遠意義超越了簡單的視頻生成范疇，而是為理解和模擬現實世界提供了堅實基礎。
同時，Sora的潛力被認為有助于實現通用人工智能的目標。通用人工智能理論上能夠完全取代人類的治理活動。
英偉達高級研究科學家Jim Fa更是直接斷言：“sora是一個數據驅動的物理引擎，是一個可學習的模擬器，或世界模型”。
通過先前的與Chat GPT的交流，我們雖然聚焦于文字層面，但未真正涉足物理世界?？紤]到我們的三維環境根植于物理法則，Sora的能力顯得尤為突出。它能夠自主生成圖像，進而深化對物理世界的理解。
舉例來說，現代機器人裝備了攝像頭，使其能夠捕捉并解析現實的物理環境，包括建筑物、街道以及人與人之間的互動。這不僅讓機器人理解物理世界，還促進了數字世界與真實物理世界之間的交互。
Sora的出現之所以引起廣泛關注，是因為它為我們提供了一種方法和路徑，將數字世界和物理世界的智能打通。
通過Sora，我們正在構建一個反映物理世界真實面貌的模型。
因此，我們說GPT解決了機器與人的自然語言互動，而Sora解決了機器通過攝像頭與世界之間的互動。
③ Figure 01更新
2023年3月figure01更新，使GPT擁有身體，機器人擁有靈魂。突出表現在開放式自由交流完全自主判斷驅動，沒有任何人控制。
如上圖所示，它與機器人的互動完全自由，類似于我們之前提到的小米小愛音箱或其他指令式的操作。機器人的動作與真人一樣，可以自由應答。
例如，我在桌子上詢問他是否可以吃蘋果，他直接遞給我一個蘋果，并回答我說可以幫我收拾一下。
這個過程中機器人的動作完全由自主判斷，而非人控制和驅動。它是一種真正的新質生產力和革命性技術。
5. Chat GPT-4出現對人類社會的深刻影響
① 人類社會新物種：人工智能機器人
第一，人工智能機器人。
Chat GPT的出現，我們看到了Sora正在構建一個世界物理模型，這個模型被稱為Figure 01，也被稱為具身智能。
實際上它與機器人結合，將能夠執行那些需要人類身體、智慧和靈魂共同協作的任務。
這一發展標志著人工智能正在逐步且全面地融入我們的社會各個領域。人類社會迎來了一個新的存在，即機器人和人工智能。
第二，人和人工智能相結合物種。
機器人可能還有另一個物種，即人與人工智能機器相結合的生物Cyberman（賽博人，泛指半人半機器的生物）。
在現實生活中，例如通過在人眼中植入芯片，如埃隆·馬斯克所研發的New Link，人們已經開始了與機器的初步融合。
更進一步，如果我將此類芯片植入大腦，那我就可以講各個國家的語言。甚至，如果我將我的眼睛與大腦直接相連，我還能夠通過CT掃描進行深入的分析。
② Chat GPT出現，是一場革命性顛覆
第一，人類歷史上首次機器理解了人類語言的含義，實現了與人自由對話。
第二，驅動技術發生變化，從技術驅動技術轉變為自然語言驅動技術。
在以前，推動技術創新和社會變革的核心力量是那些掌握技術的人群，但技術往往掌握在少數人手中。如今，人類可以借助人工智能通過大白話獲取深入的知識和智力。這意味著技術創新不再局限于少數人，而是變成所有人。
因此，我們進入了智力分發的時代。智力就像電能一樣，可以賦能給每一個人，這對我們的職業和未來產生巨大影響。
第三，反思教育：什么樣的人未來有價值？
什么樣的人才能成為未來有價值的人？我們需要反思我們教育。我們的教育不應該是是拷貝式的教育，而應注重培養獨立思考、獨立認知和獨立人格的教育，這才是未來社會所需要的教育方式和能力。
第四，我們開始修正以往的認知。
過去，我們一直自豪地認為人類是上帝發明的最偉大物種，人類大腦必不可少。然而現在，人類的大腦已經不再是必不可少的。
實際上，人類語言比我們所知道的更加結構化和簡單，最終可能以相當簡單的規則來描述如何組織這樣的語言。
GPT發明者伊爾亞·蘇茨克維說：GPT的主要思路是通過生成獲取世界模型的壓縮表示。
沃爾弗拉姆也說：GPT和人類的本質，并沒有特別之處。在計算方面，我們與自然中許多系統基本等價。
我們意識到人工智能已經具備人類過去認為獨有的創造力和情感判斷力。未來AI將逐步發展成自己的世界，這是一個新生態，可能會有自己的憲章，人類需要與之適應、共存共融。
6. 決策式AI和生成式AI
① Chat-GPT沒出現前，人工智是一種決策式AI
自1950年起，人工智能的發展歷程逐漸展開。在ChatGPT之前，我們可以將人工智能視為一種決策式AI。
這種AI主要依賴于輸入的大量人類數據和歷史數據，通過分析和評估可能的結果來模擬人類的決策過程，從而做出最優決策。它并不自行創造全新的邏輯和內容，而是基于現有數據進行優化。
然而，隨著Alphago和特別是Alphago Zero的出現，情況發生了變化。
Alphago在圍棋領域取得了巨大突破，打敗了世界圍棋冠軍。盡管它學習了人類歷史上的各種棋譜，但其認知和能力并未超越人類總和。然而，Alphago Zero則完全不同。它不再學習人類的棋譜，而是基于簡單的規則讓機器自行生成不同的棋譜并與自己對戰。
經過一段時間的訓練，Alphago Zero以100:0的成績打敗了Alphago，這標志著一種全新類型的AI——生成式AI的誕生。
生成式AI不僅限于特定領域，而是具有更廣泛的應用范圍。例如，2022年至2023年間出現的GPT和Sora等生成式AI系統，它們能夠像人類一樣進行通用任務智能的處理。
與決策式AI不同，生成式AI能夠自行創造全新的邏輯和內容，這使得它們在許多領域都能發揮出色的作用。
② GPT為代表的生成式AI(GenAl)
第一，什么是生成式AI？
生成式人工智能(AI)是一種人工智能，它能夠基于輸入的數據自行創建、生成新的數據或內容。
與傳統的分析型AI不同，生成式AI不僅僅能夠理解數據，還能夠利用學到的信息創造出全新的、未曾存在的數據實例。
第二，生成式AI的核心能力。
生成式AI的核心能力具體如下圖所示：
它具有敢于質疑、連續對話能力、承認不知道、用戶意圖有效捕捉、提升準確度、上下文理解等能力，同時擁有邏輯判斷、推理各種能力。
第三，思維的轉變:大力出奇跡-生成式AI的勝利。
整個生成式AI的勝利有一個基本思想，這是我們強化學習之父薩頓的理論。
理查德·薩頓在《苦澀的教訓》中指出：歷史上AI研究的關鍵錯誤在于過分依賴人類的直覺和經驗，試圖通過精心設計的規則和算法模擬智能。
過去我們犯了一個錯誤，即人工智能必須按照我們人的規則教給他們。然而今天我們看到利用大規模算力和數據，通過學習算法自主發現解決問題的方法。
AI通過自主學習和大規模算力發現和提煉知識，而非直接依賴人類的顯式規則。
當模型足夠大時，通過讓AI系統自主學習物理世界的運作原理，嘗試構建一個能夠超越人類直觀理解的通用物理世界模擬器。通過它自己學習創建新規則，實現超越人類。
二、私域數據是企業最核心資產，而非模型和AI技術
接下來我們來看第二部分，數據是智能之母。
1. 人工智能的原理
① 人類大腦：樹突和軸突
人工智能的原理可追溯至1888年，卡哈爾因其關于樹突棘在神經信號傳遞中重要作用的推測而獲得諾貝爾獎。
此前，人們普遍認為人類在認識事物時能夠立即全面把握，然而，通過對大腦神經的顯影分析，發現這一過程實際上是逐層傳遞的，類似于公路交通中必須按照特定路徑逐步前行，如先至南京再至徐州。
這一發現為我們理解大腦的認知過程提供了新的視角。
如上圖所示，可以觀察到右側圖片展示了樹突的存在。
每個大腦神經細胞都擁有約1000個不同的連接點，而整個人腦則包含了大約1000億個這樣的神經細胞。這些神經細胞通過龐大的神經網絡相互連接和傳遞信息，通過電信號的激活，形成了人類獨特的人工智能。
卡爾爾的研究正是基于這一領域，探索計算機模擬是否能夠學習并模仿人類大腦的工作方式。
② 人工智能：神經網絡
經過一系列的技術演變與發展，我們今天所稱謂的神經網絡得以形成。以圖像識別為例，如下圖所示：
無論是識別人臉還是狗，這一過程并非一蹴而就。相反，它是通過一系列的網絡層級，逐步進行邊界識別，并在這一過程中捕捉和識別狗的特征，最終作出是否為狗的判斷。
在針對狗的實體圖像進行識別時，五層網絡結構足以應對這一相對簡單的任務。
因此，在探討Sora為何能夠理解和重現人類物理世界的現象時，我們發現其關鍵在于對每個圖片進行的精細切割處理。這一過程與神經網絡緊密相連。
通過綜合判斷，Sora根據預設規則將這些圖像顆粒進行組合，最終生成視頻。這種處理方式使得Sora具備了豐富的物理常識。
例如，當紙飛機撞到樹上時，Sora能夠準確判斷紙飛機無法穿透樹木，并因此預測紙飛機會掉落下來。
2. 生成式AI快速迭代
2018年GPT 1.0時，其參數規模僅為1.75億，而到了2019年GPT2.0時，參數數量激增至15億。到了3.0版本，參數規模更是飆升至1750億，這時已展現出相當的智能水平。
在GPT 1.0和2.0時期，Open AI并不被外界看好，甚至有人質疑其真實性。然而，到了3.0時期，智能的表現已經初見端倪。
進入4.0時代，GPT展現出了與人類相似的智能水平，并首次通過了由人工智能之父圖靈提出的圖靈測試。
圖靈測試是衡量機器是否具備真正人工智能的標準，即當人與機器和另一個人通過鍵盤交互時，如果無法分辨對方是機器還是人，那么就可以認為機器具備了真正的人工智能。
2023年3月，Chat-GPT成功通過了圖靈測試，標志著人類迎來了第一個真正的人工智能機器，引起了全球的震動。
此外，2023年12月，Open AI董事會已經開發出了Q星模型，預計參數規模將達到125萬億。
在此背景下，Sam和黃仁勛等人預測，未來五年內將出現通用人工智能，這種人工智能將有可能完全取代人類。
3. 未解之謎：智能涌現
在近期對Chat GPT大型模型訓練的過程中，我們意外地發現了一個未解之謎：當神經元數量超過100億時，出現了智能涌現。
這種情況在人類社會中前所未有，它并非簡單個體數量的累積，而是產生了質的飛躍。
例如，單個螞蟻或沙丁魚并不具備顯著的智能，但當螞蟻集結成群，它們能協同完成極其復雜的工程任務，展現出了超常的智能；同樣，盡管沙丁魚個體的智商不高，但當它們匯集成群時，卻能夠形成強大的群體運動，有效抵御鯨魚、鯊魚和各種風暴的威脅。
雖然我們在動物界中尚未發現與人類智能相匹配的模型，但在模型訓練的特定階段，我們觀察到，當神經元數量達到100億級別時，該模型開始展現出人工智能的特性，能夠理解并輸出超越原始輸入的信息，這一現象令人震驚，并標志著Chat GPT的一次重大突破。
隨著神經參數的不斷增加，智能水平也在持續提升。與此同時，全球范圍內對GPU的爭奪愈發激烈，這是因為隨著神經元數量的增加，對GPU的需求也在急劇增長。
因此，未來決勝世界的是AI，而決勝AI的又是GPU和硬件。
上圖是Jackson于2024年3月3日在《Hacker News》上發表的一篇題為“Revealing Open AI’s Plan to Create AGI by 2027”的報道。
報道概述了Open AI自2022年8月開始訓練的一個參數規模達到125萬億的多模態模型。
該模型的第一階段被稱為阿拉基斯（Arakis），亦稱作Q星（Q-Star）。
根據報道，Q星計劃在2023年已完成48%的智商水平。原計劃在2024年達到96的智商水平，2025年則預期達到145的智商水平。
值得注意的是，智商水平是以愛因斯坦的160為參照，全球平均智商水平約為70-80，而較高的平均水平則為110。
因此，當Q星計劃的智商水平達到96時，已超越某些地區的平均智商水平。
4. AI技術并不完美
我們看到AI技術為商業領域帶來了巨大價值，這一點從英偉達市值突破2萬億美金便可看出。
然而，當前AI技術仍存在不完善之處。例如，上圖中在老奶奶吹生日蠟燭的場景中，盡管她正在吹蠟燭，但蠟燭并未移動。同樣地，當水杯傾斜時，AI難以準確捕捉水流動的具體時刻。此外，當果汁開始滴落但尚未滴落時，AI也面臨著挑戰。
這些都顯示出AI在刻畫物理世界的因果關系方面仍有不足，但隨著技術的不斷進步和知識的不斷積累，AI將迅速取得突破。畢竟，它全天候地在學習全球知識，每一刻都在不斷進化。
眾所周知，摩爾定律揭示了一個規律：處理器的性能大約每兩年就會翻倍，而價格則會減半。
然而，OpenAI的CEO Sam Altman提出了一個全新的觀點，他稱之為“新摩爾定律”，即宇宙中的智能每18個月就會翻倍。Sam強調，正是這一快速的發展速度，讓我們每個月都能感受到前所未有的信息沖擊，對我們產生深遠影響。
當我們考慮如何訓練模型以產生人工智能時，最重要的因素之一是企業的數據和行業經驗。這是因為只有借助我們的數據和行業經驗，我們才能有效地訓練模型，使其產生超越我們自身的智能。
因此，對于任何尋求在人工智能領域取得突破的企業來說，積累和利用自身的數據和行業經驗都是至關重要的。
三、生成式AI在企業組織中的落地
1. AI落地的三種方式
AI在企業的落地過程可以分為三個階段：
第一階段，我們采取了一種相對簡單直接的方式，即利用當前廣泛使用的對話型AI工具，如文心一言、智譜清言和Kimi助手等。
它們可以協助我們完成文章撰寫等任務，通過網絡便可輕松與之建立聯系。
第二階段，使用AI Agent，即目前AI界最熱門的智能體。
AI Agent（人工智能體）是一種能夠感知環境、進行決策和執行動作的智能實體。不同于傳統的人工智能，AI Agent 具備通過獨立思考、調用工具去逐步完成給定目標的能力。智能體可以將大模型的能力與過去掌握的內容、系統知識、判斷復雜業務的邏輯等結合起來進行智能組合。
AI Agent和大模型的區別在于，大模型與人類之間的交互是基于prompt 實現的。而AI Agent的工作僅需給定一個目標，它就能夠針對目標獨立思考并做出行動。
AI Agent通過接收來自外部世界的數據（如環境傳感、用戶輸入等）來感知其所處的環境。通過各類傳感器、物聯網設備AI可以從物理世界獲得信息，通過API接口AI可以從數字世界獲取信息。這相當于人類的感覺器官，是智能體與世界建立聯系的基礎。
處理和分析這些數據之后，AI需要有一定的記憶能力，將當前的環境信息與歷史上的決策對比。AI Agent需要具備決策能力，能夠基于當前的環境和內置的目標來規劃下一步行動，并且在仿真環境中模擬出決策后可能的結果。這類似于人類的大腦思考過程，涉及到理解、規劃和解決問題的能力。
決策之后，AI Agent需要將決策轉化為實際的動作，可能是通過機械動作操控物理設備，或者是通過API和RPA與其他系統交互。系統交互。執行后的結果又會被用作新的輸入，形成一個閉環反饋系統，確保智能體可以適應并優化其行為。
AI Agent不僅是處理信息的工具，更是具備自主學習、適應和創新能力的智能實體，能夠在復雜多變的環境中自我優化，并實現目標的有效達成。
在人工智能社會，每個組織和企業是由多個AI Agent組成的智能體，AI Agent從完成單一崗位的自動化到完成復雜任務多崗位自動化。 AI Agent之間還可以相互調用組合。
所以對于企業組織最需要的是智能體的應用和開發，而非大模型。
第三階段，深入到行業垂直模型的訓練。
商用的超大規模模型，如Chat GPT，這些模型是在構建人類社會的數字大腦，而對于細分行業和領域，往往缺乏相應的知識與深度專家經驗。目前，許多關鍵知識仍舊儲存于專家的腦海中及組織結構里。
這些行業的私有數據和專業知識是企業的核心資產，正如同每個嬰兒所需的母乳，擁有了這些數據，就像擁有了養分，孩子才能健康成長。
因此，每個企業組織都需要建立自己的模型，一方面讓企業積累的數據和經驗在通用人工智能的助力下孕育出新的智能實體，另一方面通過自建模型，企業能夠明確在未來智能體的發展中所需的具體數據類型。
總之，AI落地過程大致會分為這幾個路徑，需要說明的是，第一階段是最便宜的方案。
我們可以不花錢或很少的錢直接采用Promt提示詞的方式與AI互動，接觸到AI世界。然后再根據所需場景開發自己的智能體系，使企業或組織工作從單一崗位自動化逐步實現多崗位自動化，最后搭建并訓練屬于企業自己的模型。
如上圖所示，這就是Promt提示詞的交互方式，即我們對話的方式。同時，它也是一個應用工具，我們可以分步驟對problem（問題需求）進行應用和處理。
2. 大模型實際落地仍需解決風險問題
目前，大模型在實際落地應用中，仍然存在一些問題。
第一，大模型有時會對某些事物做出錯誤的判斷，甚至存在編謊話，而它本身并不知道他會編謊話。
第二，當我們把核心數據輸入到大型模型中時，這些數據很可能會被全球共享，從而導致我們的核心競爭力受損。因此，建立本地的數據庫和小型模型變得至關重要。
第三，許多企業正致力于構建自己的數據庫，但問題卻是用大型模型去生成結果，這樣做也會產生風險。
當我們在大型模型中交互時，模型會自動學習并吸收這些內容，進而成為公共知識的一部分。這可能導致我們的核心知識被泄露，因為模型會逐步形成對我們數據的整體畫像，無法做到保密。
對企業和組織來說需要擁有私有的知識、經驗和技能，以便對其進行有效保護，并實現長遠發展。因此，需要建立屬于自己的私域模型。
此外，在構建私域模型時，企業或組織應該更關心的是如何在有限的空間和范圍內構建模型，而不是構建一個全球性的模型。
從數據處理的角度來看，大概包含約60億數據的模型就能夠滿足需求，而這樣的模型只需要花費四五十萬購買設備和CPU機器就能運行，實際成本并不高。
此外，每個企業和組織都有自己的管理規則、流程和質量控制體系，這些都需要在AI應用中予以考慮。
綜上所述，企業在應用AI時，應采取一種綜合式的方法。這種方法應涵蓋基于人類規則的決策型AI、具備自我創造性的生成式AI，以及內外部數據、系統和人的判斷等相結合。
3. Gen AI中應用的層級劃分
我們將Gen AI應用分為3層，具體如下圖所示：
第一層是L0層，即你對大模型有一定感性認知，我建議大家可以先快速搭建場景、低成本應用之后，再與自己的業務和運營結合，逐步實現多崗位自動化，形成三級體系。
上圖是AI最佳實踐路徑。
為了確保AI技術在企業中發揮最大價值，高層領導需從文化層面進行全面傳導。
在定義AI應用場景時，應優先識別出與業務緊密相關的場景，并鼓勵具備豐富業務經驗的員工參與場景定義。這樣，不僅能確保所定義的場景具有實際價值，還能充分發揮AI技術的優勢，這非常關鍵。
本文由人人都是產品經理作者【筆記俠】，微信公眾號：【筆記俠】，原創/授權 發布于人人都是產品經理，未經許可，禁止轉載。
題圖來自Unsplash，基于 CC0 協議。
- 目前還沒評論，等你發揮！
