生成式AI大规模采用，传统AI怎么样了？

　　在ChatGPT推出近一年后，企业们争相采用生成式AI，以获取新的竞争优势或防止竞争对手采用相同的技术。然而，这引发了一个问题:传统形式的AI，特别是基于机器学习算法的预测模型，是否仍然有存在的空间?

　　迈进2023年，McKinsey的最新AI报告表明，生成式AI迎来了其“爆发年”，其中三分之一的受访组织表示他们已经定期使用生成式AI。调查还显示，由于生成式AI的进步，40%的组织计划增加对AI的整体投资。然而，有趣的是，这并没有引起对其他形式的AI的广泛提升，尤其是基于机器学习算法的传统模型。

　　Fortune-Deloitte CEO调查的数据显示，55%的首席执行官正在评估或尝试生成式AI，但只有39%的首席执行官表示他们正在评估或尝试预测性AI。这些数字引起了Forrester分析师Kjell Carlsson的兴趣，他指出生成式AI与传统AI之间存在实质性差异。

　　生成式AI的生成性质是真正的区别所在。许多公司正在利用生成式AI开发基于其内部数据、文本和报告的内部助手和聊天机器人。此外，令人惊讶的是，制药公司也在加速药物发现方面使用生成式AI。

　　然而，与生成式AI的崛起相比，将AI应用程序投入生产的过程并没有发生太大变化。所有那些在规模、整合最新技术、实现可观察性和透明性、以及利用混合云进行轻松和成本效益方面所需的传统能力在生成式AI领域变得更加重要。

　　虽然数据科学平台供应商如Domino正在忙于调整其业务模式以针对生成式AI，但还有其他一些供应商正更深度地利用生成式AI的潮流。OpenAI及其业务合作伙伴Microsoft正在利用先发优势，在新兴的生成式AI市场上占据重要份额。

　　生成式AI供应商的市场成功反映了生成式AI与传统AI之间的另一个重要区别:生成式AI目前主要是一种购买而不是构建的东西。这也是LinkedIn上数据和分析顾问John Thomas最近一篇文章的主题。他指出，传统AI模型大多是定制开发的，而生成式AI应用程序主要是使用供应商开发的基础模型构建的。

　　生成式AI和传统AI项目之间还存在其他重要区别，包括开始使用生成式AI需要较小的前期开发成本，并且可以在几天内启动。相比之下，传统AI需要更高的前期成本，并且需要更长的启动时间。

　　技术、技能、成本和数据类型等方面的巨大差异使得使用案例也有所不同。传统AI主要用于分析性质的工作，涉及根据过去的数据预测值或分类观察结果。相反，生成式AI可以生成内容并执行任务，其新的能力包括生成和操纵代码、文本、图像、视频、音频和数据。

　　随着组织从生成式AI的实验/评估阶段迅速过渡到有限和全面生产阶段，它们将在如何使用这项技术方面积累宝贵的知识。然而，正如过去在大数据、机器学习和传统AI方面的经验所示，通往生产力的道路上可能会有意外的波折，甚至不考虑生成式AI在幻觉、隐私和法律责任方面的已知问题。

　　尽管主流媒体中的炒作水平表明我们已经实现了人工通用智能(AGI)的终极目标，但那些深耕于大数据、高级分析和人工智能领域的人士认识到，我们距离实现AGI仍然有很远的路要走。此外，考虑到大多数组织在生成式AI方面的经验不到一年，围绕生成式AI的集体学习曲线必然是陡峭的。

　　在此期间，生成式AI将继续吸引几乎所有的注意力，而传统AI将为此付出代价。一旦围绕生成式AI的糖分高潮消退，高管们意识到它并不提供一个快速而轻松的转型成功之路，同时还带来了关于准确性、透明性和法律责任的一系列新问题，企业将在将生成式AI整合到现有IT堆栈和业务模型中进行艰难但必要的工作时找到更坚实的基础。