从很多方面来看，历史似乎正在重演。许多企业正争相采用生成式人工智能 (Gen AI)，就像它们争相采用云计算一样，原因也是一样的：效率、成本节约和竞争优势。

然而，与云一样，GenAI 仍是一项发展中的技术，因此其使用存在风险。

Gen AI 采用的最大风险包括不准确性、网络安全、知识产权侵权、法规遵从性和可解释性。

尽管如此，GenAI 显然已经开启了下一场数字革命。它是一种新型人工智能，可以创建新内容，包括文本、图像和代码 - 通常只需几秒钟。

如今，它主要用于营销和销售、产品和服务开发以及服务运营。然而，可能性是无穷无尽的。

需要战略性方法 

从云计算中学到的最重要的教训之一是制定清晰的战略至关重要。许多企业在没有明确计划的情况下仓促进入云计算领域，结果导致成本超支、性能问题、安全漏洞和合规性问题。

GenAI 的炒作可能令人应接不暇，而且它的发展并不是直线性的。重要的是退一步思考，否则可能会面临与云计算相同的一些问题。

显然，数据将成为人工智能的命脉。数据质量是公司面临的最大挑战之一；没有数据质量，你就是在玩火。获得高精度人工智能模型输出将取决于输入的高质量数据。 

无论是使用人工智能模型来发现金融服务或安全领域的欺诈行为，还是在医疗保健领域使用人工智能来检测癌症，还是使用紧急服务机器人来回答紧急用户查询，几乎都不能出现任何错误。

准确率 90% 的模型可能非常适合展示和说明，但在医疗保健领域，如果 10 次中有 1 次预测错误，可能会危及生命。

测试、验证、重新测试、重新验证和持续学习的能力是成功的关键，因此，除了确保数据质量之外，组织还必须在高成本与创新/实验的能力之间取得平衡。

例如，如果你在硬件和软件组件上花费了 1 亿美元，当领导层对回报寄予厚望时，你如何进行实验或有时间进行创新？

假设你投资了 1 亿美元，想要获得 30 个点的利润，那么你必须将这个数字翻一番才能克服成本，然后产生回报。 

基础设施挑战 

GenAI 的核心挑战在于：需要强大且适应性强的基础设施。积极管理数据和协调协作代理的需求需要复杂的技术支撑。 

此外，专业模型或同伴的协作性质为基础设施要求增加了另一层复杂性。确保对这些代理进行受控管理，再加上可解释性、数据安全性和精确的血统跟踪的需求，需要一个能够处理各种工作负载的细致入微的基础设施。 

探索 GenAI 领域的企业必须采用能够实现无缝数据访问、处理和协作的技术。

基于云的解决方案、边缘计算和高级数据管理系统成为基础设施难题的重要组成部分，确保组织能够充分利用 GenAI 的潜力，同时保持控制力和可靠性。 

展望未来

大型语言模型 (LLM) 和基于它们的 GenAI 工具经过专门设计，随着时间的推移，随着使用量的增加和数据的增加，它们会变得更好、更智能、更准确。这对于公立和私立 LLM 来说都是如此。

事实上，虽然公立模型一直是推动发展和认识的催化剂，但在许多方面，在组织内部策划和建立的直接适用于业务流程和子流程的私人模型很可能掌握着生成式人工智能如何影响我们未来所做的一切的关键。 

关于其滥用可能性的伦理争论将会继续，而且应该如此。这只是个开始。想想在不久的将来，我们还将面临量子计算的整合。 

显然，人工智能可以为商业世界带来很多好处。然而，要挖掘价值，需要仔细规划、部署和管理。