找寻卓越的生成式人工智能应用案例？别浪费在无趣之处！

“ 生成式AI（AI）技术的强大众所周知。但不知道你们是否和我有一样感觉，目前市面上，企业对生成式AI的应用，场景大多较为单一。”

Ingo Mierswa

Altair产品开发高级副总裁

我说这些生成式AI的应用单一，是指它们大多只是应用于执行一些重复简单的工作。比如说，文本分类和内容检索等基础任务，但这些场景使用生成式AI似乎并不必要，甚至可能会带来额外的成本。这就好像用超级空间激光器来打孔一样，用生成式AI来完成这些任务似乎有点大材小用了。

当然，我不是什么先知，今天是希望借这个话题和大家一起交流探讨，希望用我自身数据科学和人工智能的专业知识来与大家聊聊现在的生成式AI应用案例。

同时，我想是否能提供一个简单、快速的框架和工具，帮助大家在众多的生成式AI应用案例中找出真正有价值的部分。这个任务并不轻松，但我相信只要我们不断学习和探索，就能挖掘更多有潜力的应用案例，就能为未来的生成式AI发展做一些贡献。

不要重蹈覆辙

对于大多数人的工作习惯来说，更偏好使用熟悉的技术。生成式AI固然好，但我们想强调的是，生成式AI只是机器学习广泛范畴下的一个子集。而其他类型的模型，比如判别式（“传统”）机器学习模型，由于其在解决问题时的成本效益和资源利用效率，已经在主流应用中使用了很长时间。

或者我们换个角度思考一下：判别式机器学习模型非常擅长处理输入并生成简单的输出。例如，如果你有用户数据并希望以此来预测流失率，或者你有库存数据并希望预测下周的库存量，判别式机器学习模型都能应对自如。

然而，并不是所有的任务都需要机器学习。比如，当你需要找到一个问题的答案时，使用搜索引擎就足够了。因此，我们大可将那些更简单的任务交给机器学习模型、搜索引擎或其他更简单的工具，它们可以快速有效地完成这些任务，就比如，我们不需要像ChatGPT这样强大和庞大的工具来帮助我们设置明天早上6:30的闹钟。

然而，现在大多的做法与此相反。我们将这项非常强力的技术应用于简单、易于理解和可用搜索就能解决的问题等，我们可以使用生成式AI生成任何东西，但我们真的只是把他当成昂贵的搜索引擎吗？这显然是对生成式AI的极大浪费。

所以，建议让我们将生成式AI用于具有复杂输入和输出的任务，这些任务可能需要更深入的分析、更复杂的决策过程和更精细的输出结果。在这些领域，生成式AI可以发挥其独特的优势，帮助我们更好地解决问题并推动创新。

当然，每次有变革性的新技术出现时，总会面临新的学习曲线，加上目前生成式AI的应用具有的诸多潜力，对于那些希望在激烈的竞争市场环境中重塑自我或寻求突破的企业来说，如果没有时间来试错，如何更有效地确定生成式AI的利用方法呢？答案就在于影响力-可行性矩阵。

影响力——可行性矩阵：您的新指南

当我们在探索生成式AI的潜力时，始终有一个关键的问题是：我们能够实现或落地哪些既可行又具有影响力的应用？为了帮助大家更好地理解和应用生成式AI，我已经在下面的矩阵中列举了各种使用案例，从低影响、低可行性到高影响、高可行性。让我们将后者称为“黄金区”。这些用例有何特别之处？它们既高度可行，又能立即、显著地推动业务发展。这些用例不是理论上的，有些组织已经在利用它们，尽管还有更多组织可以（也应该）利用它们。

这个用例矩阵展示了我目前市场上所了解到的生成式AI应用案例，以及它们在每个轴上的大致位置。

商业影响：一切都是为了降本增效

在谈论商业影响力时，我们应该始终关注将本增效，其中增加效率非常重要。以代码生成为例，这是生成式AI将复杂输入转化为复杂输出的一个绝佳应用。编写代码，即使是对于资深代码人来说，也可能是一项复杂而耗时的任务，而优秀的代码对企业或解决方案来说具有巨大的价值。通过生成式AI，人们只需提示模型需求，例如“生成一些代码，以降序排列这里的数组”，几乎立即就能获得有效的输出。虽然他们自己也可以编写代码，但生成式AI能显著加速他们的工作。

对话分析是另一个具有巨大提效潜力的“黄金”用例。在商业智能（BI）和其他高级数据/人工智能工具中，您可以向模型提出类似的问题：“我们每个产品组的销售额是多少，是否有任何潜在趋势？”传统用代码实现类似需求的分析，需要一个人、一个团队或一个部门花费较长时间。然而，通过使用生成式AI，只需几秒钟就能获得洞察，甚至不需要任何数据分析技能。

代码生成、图像生成、对话分析、生成式设计等等，这些绝对是非常有趣的应用，这也正是生成式AI的意义所在！用相对轻松的方式做我们以前从未做过的事情，并且随着这项技术和使用这项技术的人的不断进步，也会越来越高效。 

落地可行性：成本至上

“影响力”通常易于理解，而“可行性”则更加复杂。技术层面是考量可行性的一个方面，比如当前模型的能力范围、实施、部署和维护的难易程度等。然而，财务层面的可行性常常被忽视或低估，这是大多数企业所关注的核心问题。

在当下市场上，常见的生成式AI工具，如OpenAI的ChatGPT和谷歌的Bard，它们的低成本和易用性掩盖了真实的支出费用。实际上，如果全面考虑这些工具的真实成本，包括财务、基础设施、环境和人力等各个方面，我们会发现其成本远超过每月20美元（ChatGPT的个人账户费用）。因此，在评估生成式AI的可行性时，我们必须通盘考虑成本因素。

举一个例子来说明许多成本是“隐藏”的。以一次性塑料袋为例，虽然对消费者来说财务成本是0美元，但塑料的“成本”远不止于此。塑料是由石油制成的，涉及钻探、精炼和运输；塑料袋最终被填埋，对环境造成影响；由于不重复使用，全球每年使用5000亿个一次性塑料袋。考虑到所有塑料袋的影响，世界自然基金会估计，仅2019年生产的塑料对社会、环境和经济的终生成本将达到3.7万亿美元。到2040年，这个数字可能会增长到7.1万亿美元。因此，当我们得到“免费”的塑料袋时，我们并没有真实的“免费“，只是在当下的财务成本支出为零，但实际我们为此所付出的并非为零。

成本的概念，尤其是“隐性”成本，必须成为所有生成式人工智能战略的核心。大多数人并不这么想。想要拥有自己的安全、专有的ChatGPT吗？你需要大规模的高性能计算基础设施、数据专家、时间、大量测试等等。如果你这样做只是为了将一个简单的30秒任务缩短到15秒，你最终会陷入赤字。这就是为什么当我看到人们和组织将生成式人工智能用于根本不值得的任务时，我感到非常沮丧。

所以说，成本，尤其是“隐性”成本，对于企业来说，实质上是所有生成式AI战略的核心。如果想要拥有自有的、安全的“ChatGPT“，则需要大规模的高性能计算基础设施、数据专家、投入研发的时间、大量测试等等。如果这么多成本投入只是为了将一个简单的30秒搜索任务缩短到15秒，那企业的投入是大”财“小用，也可能最终会导致财务赤字。

最后，关于落地可行性，企业必须更深入地量化生成式AI项目。仅仅做完一个生成式AI的项目并不意味着成功，企业应该使用生成式AI模型进行内容检索，确认是否比传统模型更快、更经济、更准确等等，在多维度多较多的去验证生成式AI对实际作业的可量化的助力和提效。如果无法衡量影响和结果，也是生成式AI落地的巨大问题。但目前大多数企业还并未将成本和可行性当作为创建生成式AI战略的核心。 

结论

我坚信生成式AI将成为我们时代和未来决定性的技术加速器之一，就如同互联网和智能手机一样，我相信它能为我们带来无穷的受益！新技术确实需要我们投入更多时间学习，但这是不是阻力。作为一个对机器学习和技术充满激情的人，我希望我们能尽快取得突破，以便引领下一轮创新，从而重塑世界，创造更美好的未来。我也深信，结合生成式AI的影响和落地可行性进行思考，将助力企业降本增效，实现更大的成功。

显然，这个矩阵中的不同应用在一年、三年、五年等时间段内的表现会有显著差异，当前看似不可行的事物也许在几年后会变得轻而易举，不同行业之间也存在这种差异，比如在航空航天领域具有可行性和影响力的事情，可能在零售和医疗保健等领域会截然相反。尽管不同行业应用存在差异，但总会有工具和框架来引导我们的思维，帮助我们最大限度地发挥努力和资源的价值。

而这样工具和框架，所带来的价值潜力是巨大的，我强烈建议去尝试使用生成式AI工具，像是利用超级空间激光束去探索小行星中的钻石那样，做一些可落地并且影响深远的事情。而这工具可能就只需要几个Altair的license，可以帮助你实现利用生成式AI做高效又有趣的工作。

---

若您对数据分析以及人工智能感兴趣，欢迎与我们一起站在全球视野关注人工智能的发展，与Forrester 、德勤、麦肯锡等全球知名企业共探AI如何加速制造进程，

共同参与6月20日由Altair主办的面向工程师的全球线上人工智能会议“AI for Engineers”。

点击立即免费报名
（注：现在注册参会，即可于会后第一时间获得Altair全球100个客户案例资料）

---

关于 Altair RapidMiner

Altair RapidMiner 数据分析与人工智能平台，是 Altair 澳汰尔公司旗下仿真、HPC 和数据分析三块主营业务中的解决方案，它在数据分析领域最早实现将自动化数据科学、文本分析、自动特征工程和深度学习等多种功能同时集成的一站式数据分析平台，帮助用户解决从数据清洗、准备、数据科学建模到模型管理和部署，同时又支持数据和流数据的实时分析可视化的数据分析平台。

欲了解更多信息，欢迎访问：www.altair.com.cn