今天小編分享的互聯網經驗：投資大模型，預期很高？先算清這筆賬，歡迎閱讀。
圖片系 AI 生成
進入到下半年，AI 大模型領網域焦慮氛圍倍增。成熟的應用場景還未誕生，國内 AI 大模型 " 六小虎 " 也在近期被傳進入困境，雖然後期公司層面有回應消息不實，但也映射出技術發展到一定階段市場對變現急迫且帶有悲觀情緒。與此同時，OpenAI 雖獲得 464 億融資，但核心技術高層頻繁離職，使其飽受争議。
都說 2024 是 AI 大模型產業應用元年，但是否也已經快速進入 " 擠泡沫 " 時刻？
大模型落地，沒那麼簡單
以 AI 編程為例，通過代碼生成提效賦能開發者的場景其實比較明确，并已得到實踐驗證。但伴随的問題是，除了寫 prompt 的時間，低質量的代碼導致開發者還要花時間審查 AI 生成的代碼。公開信息顯示，企業将 AI 編程工具 GitHub CoPilot 集成到軟體開發平台後，編碼時間可減少 50%，但随後一項數據則指出，開發者用上 GitHub CoPilot 的同時也導致 Bug 增加了 41%。這與 AI 預期帶來對生產力的提升相悖。
德勤報告指出：企業對生成式 AI 長期樂觀，但短期内想要付費很難。Gartner 甚至預測，未來 18 個月内生成式 AI 将出現谷底。到 2025 年底，至少 30% 的生成式 AI 項目将在概念驗證後被放棄。這種擔憂有迹可循——數據質量差、風險控制不達标、成本持續上升、無法證明投入回報等等問題一直沒有解決。
而在大模型浪潮之前 AI 發展階段中，就有研究指出曾經 70-85% 的 AI 項目未能達到預期結果。2019 年，麻省理工學院指出，70% 的 AI 項目在部署後幾乎沒有產生任何影響，這一數字遠遠高于常規 IT 項目 25-50% 的失敗率。
如圖展示了不同大模型部署方案下的成本差異：
由于 AI 大模型現階段仍需要大量前期投入和經常性成本，Gartner 報告指出，企業采用大模型最大的挑戰是評估和證明業務價值。
但不同于廣告投放、電商行業，大模型的投資回報并非可以直接計算，這是一個復雜過程，涉及成本節約、創收和總擁有成本等環節。與此同時，這些實施成本還要與具體落地場景相結合，挑戰是復雜且多方面的，如圖：
長期潛力往往取決于短期價值表現，這意味着大模型項目試點在啟動前應明确一些标準，比如降低運營成本，增加業務銷售額，提升客戶滿意度，加快新品上市時間。
哪些地方已經有回報？
" 制造業和汽車行業的生成式 AI 早期采用者已經從實踐中獲得投資回報。" 這是谷歌最新報告《制造和汽車行業中的人工智能的投資回報率》的重要發現之一。該報告對全球 364 名企業高管進行調研，并對生成式 AI 對企業業績影響進行評估。該報告深入探讨了企業成功的關鍵要素，強調了構建穩健的數據基礎設施、實現企業系統現代化以及高層管理人員之間戰略一致性的必要性。
以報告中制造業和汽車業為例，生成式 AI 的作用主要體現在三個層面：一是優化生產和供應鏈效率；二是提供消費者個性化體驗；三是增強企業安全。
企業想要充分利用生成式 AI 構建創新解決方案，前提是建立在可靠的系統和準确的數據上。過去，企業存在大量數據孤島，分散到各個復雜的遺留系統和應用中，想要深度應用 AI，就需要将 AI 模型接入企業工作流中，如主數據和 ERP 系統，以不斷獲取實時運營數據提升模型推理精準性。典型的場景如：通過搜集產品文檔和手冊，提供更多解決產品問題和故障排除的建議；根據訂單狀态、庫存水平和運輸承運人信息分析出精準的產品交貨時間。
整體來看，報告的受訪企業中，60% 的制造和車企廠商已經将生成式 AI 投入生產，32% 仍在測試和評估階段；8% 尚未進行任何實踐或評估；作為生成式 AI 的早期采用者，86% 的制造和車企廠商還指出，AI 已為公司帶來超過 6% 的收入增長。這表明，生成式 AI 不僅是效率工具，更是成為商業增長動力。
報告顯示，生成式 AI 在制造業的應用涉及產品研發 / 生產、銷售 & 營銷、電商 & 體驗增強、個人生產力、客戶 & 現場服務、新品 & 服務、後端 / 業務流程、工程 / 開發者生產力等方面。其商業價值體現在五個關鍵領網域：產品上市時間、投資回報率（ROI）、生產力、安全性和用戶體驗。
81% 的受訪企業在應用生成式 AI 後，其產品時間縮短到 6 個月以内。
這意味着，當快速變化的消費者市場導致企業需要加快擴充產品豐富度以及與消費者關系的重塑時，先一步采納先進技術的企業會更快啟動對生成式 AI 的實踐。
72% 的受訪企業表示，已經在至少一項生成式 AI 的實踐項目中獲得投資回報。
目前企業聚焦于能推動核心運營實現采用和投資回報的高價值項目。例如，生成式 AI 能迅速在整個產品生命周期中快速篩選文檔，提取和總結銷售與技術人員所需的信息。
43% 的受訪企業指出，組織生產力至少提高一倍。
在業務創新與數字化轉型能力方面，受訪企業表示有了重大改進。例如，AI 助理可協助維修人員完成車輛維修、零件訂購，同時可提供全面、詳細且經過驗證的源信息，提高人員完成維修工單效率。
87% 的受訪企業指出，生成式 AI 對企業識别安全威脅有了極大的幫助。
生成式 AI 可用于分析大量數據，報告安全異常，自動化常規安全功能如規則創建，并輔助人員處理警報。
89% 的受訪企業提高了用戶參與度（包括參與度評分、流量或點擊率 ( CTR ) 、網站停留時間）；75% 提高了用戶滿意度 /NPS 數值。
制造業包括車企廠商在内，正積極建立與消費者更深層次的數據連接。這些關系的建立有助于針對不斷變化的用戶需求進行預測和響應，提升個性化體驗，培養客戶忠誠度并推動業務增長。比如生成式 AI 可以通過接入消費級應用，通過學習消費者互動行為以更好地定制客戶體驗。
報告也顯示，" 一把手 " 的支持至關重要，企業将更有可能在技術與業務目标之間實現組織一致性。70% 與 AI 有強相關性的企業組織已經在至少一個項目上獲得投資回報，相比之下，未構建 AI 業務目标的企業組織這一數字為 65%。
不過，74% 的受訪企業表示，在生成式 AI 布局上，他們沒有獲得 CXO 級别全方位的支持。
48% 的受訪者計劃将其未來 AI 預算的至少一半投資于生成式 AI。
其中，49% 左右的受訪者希望利用生成式 AI 的收益用于新品開發，提高利潤率，提高差異化競争；40% 左右的受訪者則關注于銷售增長，提升品牌認知，識别新的收入來源，客戶滿意度等等。
而未來兩到三年，54% 受訪企業也計劃利用生成式 AI 提高員工生產力，此外，改善客戶體驗（52%），提高運營效率（50%），提高競争力和市場份額（48%）也是主流目标。
結語
雖然當前 AI 大模型產業組成已經相對清晰，算法層有大量開源模型、框架、工具平台，算力層有英偉達、英特爾等确定性供應商，數據層無非就是從公開數據集、企業私網域、仿真系統獲取，而場景層是可以從業務端自上而下去分門别類。但好的場景往往是隐性，隐含在業務的小細節，數據也需要熟悉業務的專家知識，算力和算法的組合優化也需要長期深耕，對技術創新和商業變現也要有足夠敏銳度。這都導致 AI 大模型依舊處于 " 圍牆之内 "，外界只能從現實測評來判斷一二。
為此，上述谷歌報告還指出了幾點建議，以幫助企業更好地利用 AI，提升生產效率、降低成本、增強企業競争力：
一是構建系統化的實踐框架，按照生產流程或功能區網域進行劃分；
二是争取高層領導的支持，确保資源的有效配置和項目的順利推進；
三是關注知識轉化與決策優化，提升決策科學性；
四是數據管理，這一點非常重要，也是确保訓練結果可靠性的關鍵。此外還有建議制造業首先實現無紙化，平衡轉型與優化投資，資源配置，以及企業安全和 AI 專業人才的建設。
當技術理念已經被充分證明之後，大模型在產業落地還有許多坑，長期投入必不可少，對產出的高預期也需要理性回落。（本文首發于钛媒體 APP，作者 | 楊麗，編輯 | 蓋虹達）
