通用人工智能行业的曙光：生成式人工智能技术的产业影响

产业影响 生成式通人用工人智工智能能技的术曙的光 通用人工智能的曙光：生成式人工智能技术的产业影响1 罗兰贝格大中华区2023年8月 目录 核心观点03 一：主要能力与发展潜力04 二：对各行业的影响评估10 三：行业应用场景17 四：中国生成式人工智能发展格局23 五：企业落地需要思考的关键问题26 附录：产业影响评估方法29 1 核心观点 从技术推动产业发展的角度，我们认为生成式人工智能技术是一项具有通用型技术潜力的软件技术。产业应用方需要清晰的认识到其作为一项软件技术的定位与局限性，但同时认识到它是一项具有操作系统级别平台效应的软件技术，在商业世界中能够带来的价值会随着应用场景的不断拓展而增加，并有可能构建出新的应用生态、创造新的用户接口、并带来潜在商业模式的变革。 2 作为一项通用型技术，生成式人工智能在向产业渗透的过程中依然会遵循通用型技术的发展特点，首先技术本身在很长一段时间内不断演变不断升级，其次技术价值的充分释放依然需要众多辅助型应用型技术的支撑，最后技术在各产业中的应用依然需要企业不断摸索价值点与使用方法，并在业务流程、人员能力、甚至商业模式上进行变革，而这是一个需要大量时间以及资源投入的过程。 3 根据我们的测算，在技术得到充分应用的情况下，生成式人工智能有望通过效率提升的方式在中国各行业中带来占总运营成本1.6%的成本降低，金额达到3.7万亿元。其中，由生成式语言模型技术带来的成本降低约1.9万亿元，其卓越的文档制作、代码生成等能力将对市场运营类、行政支持类、基础IT类岗位产生巨大影响。由生成式图片模型技术带来的成本降低约1.8万亿元，主要为复杂产品的研发以及相关设计职能带来效率提升。 4 在不同行业中，生成式人工智能将对专业服务、金融、互联网与高科技等知识密集型行业带来较大影响，这些行业以人才的专业知识作为核心价值，而生成式语言模型强大的理解、检索、总结和决策能力与知识型人才的关键素质重合度较高。我们预计生成式人工智能将在专业服务、金融、互联网与高科技行业分别带来11.3%,6.8%,6.5%的成本下降。而农业、建筑业等体力密集型行业受到的影响相对较小，这些行业以人工的程式化作业为主，与生成式人工智能的优势相关性相对较低。 5 综合价值创造潜力与落地可行性，我们认为生成式人工智能技术将优先影响互联网与高科技、金融和专业服务行业。第二波次将是教育、通信、医疗服务、公共服务、零售、文娱传媒和消费品行业。第三波次中农业、材料、建筑业、能源等行业目前受到生成式人工智能技术的影响相对较小，未来生成式人工智能的价值发挥依然需要夯实的信息化数字化基础支撑，并有望在研发设计、生产制造、运营管理方面创造巨大价值。 6 目前生成式人工智能技术发展的最前沿依然在海外，但从用于训练模型的数据量、算力、底层开源技术框架的角度来看，我们认为国内出现优秀的大模型只是时间问题。中国企业如何把准生成式人工智能对行业核心竞争要素带来的影响，将生成式人工智能技术嵌入机制流程中发挥最大效能，是实现跃迁式发展的关键。我们建议企业管理者从战略、业务、组织、风险四个层面形成对生成式人工智能的充分认知，从而制定适合自己的行动方案。 主要能力与发展潜力1 技术特点与发展现状 我们目前讨论的生成式人工智能的范畴是生成式语言模型与生成式图片模型，语言模型例如OpenAI的GPT-4，谷歌的BARD，Anthropic的Claude2等，图片模型例如OpenAI的DALL-E，开源的Stablediffu-sion等。与传统的机器学习技术及过往意义上的人工智能技术相比，生成式人工智能技术的不同之处在于三个方面：第一，使用场景，生成式人工智能主要用于解决没有正确答案的创造性问题，例如文章大纲的自动生成，而传统机器学习技术则专注于解决有边界、有最优解或正确答案的问题，例如配送路径优化；第二，使用对象，生成式人工智能技术的使用者由专业的算法工程师与数据科学家拓展到普罗大众，更多在网页端或者其他应用程序内使用自然语言进行与模型的交互；第三，能力范畴，生成式人工智能模型提供的更多是跨领域的综合能力，解决专业细分领域的问题需要更多数据或者其他技术的帮助，例如大语言模型虽然能够智能地回答各类生活中的问题，但聚焦到包括法律研究等专业领域则需要更多专业数据。 模型实现的技术细节我们不在此文过多阐述，总的来说，大语言模型等生成式人工智能模型的表现具有革命性提升的原因是综合性的，包括使用了更多的训练数据、更多的模型参数、训练方法的变革、以及海量算力的支撑。在本文撰写之际，生成式人工智能正在以日新月异的速度发展，技术能力提升的速度之快、拓展应用之多令人目不暇接。在技术方面，从2023年3月OpenAI发布的GPT-4到2023年7月Anthropic发布的Claude-21与Facebook发布的Llama-22，短短几个月间，生成式大语言模型已经在代码能力测试、数学测试、交互文本长度限制、模型成本方面取得了快速的进步；在拓展应用方面，自2022年11月ChatGPT上线以来，截止2023年7月直接基于GPT模型并在OpenAI官方注册的各类效率工具数量已达400多个，包括了图片生成、笔记制作、任务管理等众多类型的工具，同时将GPT模型整合进其他产品的数量也已经超过10000个3。从技术推动产业发展的角度上将，我们认为生成式人工智能技术更加类似操作系统，生成式模型的能力为解决各类问题提供了一个技术基础，并能够激发出更多的上层应用与创新。 主要能力与局限 生成式人工智能模型简单来说包括了文本生成以及图像生成两大类核心功能，但基于这两大功能延伸出十大能力。在文本生成方面，包括智能交互、文档制作、代码生成、决策辅助、知识管理、翻译。在图像生成方面，包括图片与设计生成、视频生成、虚拟人、3D模型生成。基于这些基础能力，生成式人工智能可以在不同产业、不同职能场景中创造出众多用例。我们希望通过对数量有限的基础能力的描述，为各行业企业寻找适用于自己的使用场景提供一些启发。 1.https://www.anthropic.com/index/claude-2 2.https://ai.meta.com/blog/llama-2/ 3.https://openai.com/blog/ai-products-integrated-10000-companies/ 生成式人工智能的十大核心能力 核心能力具体解释 大语言模型可以提供能够记住与理解上下文含义、支持多轮对话、具有基本常识的问答，可被用在智能客服等领域 智能交互 文档制作帮助用户进行文章大纲、文章主要内容、以及文档格式的自动生成 代码生成 根据自然语言描述或图片描述的形式自动生成相应的代码，也可进行代码的自动补齐、以及代码的自动调试 决策辅助 生成式语言模型由于在一定程度上掌握了人类知识的结构，其输出可以为用户在众多决策中提供基础的信息支持与具有启发性的想法 知识管理 通过整合企业内部各类非结构化数据(各类文档)，大语言模型可以为企业用户提供基于自然语言交互的内网信息与知识搜索 翻译 实现自动翻译、多语种对话、实时翻译及语法矫正，输出内容更具专业水准且自然流畅 图片与设计生成 根据用户的文本描述和主题、风格、元素等要求设定，创建逼真的图像、新颖的设计灵感和方案，此外还能实现图像增强与修复 材生成 视频生成通过学习视频数据集中的模式特征，辅助用户进行合成剪辑、特效渲染、素 虚拟人 合成逼真的虚拟角色如游戏人物、培训师、主播，借助生成式人工智能的理解、推理能力提升数字人的全面交互能力，摆脱程式化互动模式 3D模型生成 实现智能建模，创造具备丰富细节的三维仿真物体和场景，为游戏、VR应用、影视、工业等领域带来便利 虽然生成式人工智能技术的通用能力正在以前所未有的方式激发着人们的想象力，但也存在一定的应用局限性。 首先应当关注的是，生成式人工智能可能给出不准确或误导性的信息。模型训练数据有偏、理解推理不足、监督训练误导、细分领域知识有限等原因，可能会导致模型捏造没有事实来源的答案，或给出具有偏向性的观点。因此，在对信息准确性和可靠性要求严格、容错率低的领域中，如医疗、金融等，企业应审慎防范信息偏误带来的高风险。 第二，在生成式人工的应用中还存在缺乏可解释性的问题。模型在响应前的分析步骤具有“黑箱”性质，呈现不透明、不可解释性。生成式语言模型的底层输出逻辑是推测句子中最有可能出现的下一个单词进行“填空”，而随着数十亿甚至千亿级别参数大模型的出现，运算过程变得十分复杂并且难以解释，最终导致模型决策行为难以评估并施加控制。 第三，模型的实时更新问题也在一定程度上限制了生成式人工智能的应用扩展。大语言模型的“智力”依赖于大型数据集和高性能算力，而数据集不具备自我更新的机制，因此模型的升级需要更新新训练数据集，呈现阶段性和滞后性特征。例如，GPT-4的知识库更新截止2021年9月，后续信息无法被用于学习，可能出现推理错误的情况。 此外，业界普遍认为生成式人工智能还存在信息溯源、隐私和数据安全、潜在抄袭行为等问题，但随着未来技术的逐步成熟和应用场景的广泛落地，这些问题将逐步得到解决。例如，微软NewBing搜索引擎中接入的GPT，可以在检索信息时提供来源网址，实现实时溯源；针对数据隐私和保密性问题，Ope-nAI开始提供对话记录删除等隐私选项避免个人信息被用于模型训练，企业也可以通过部署私有模型解决保密性问题。 如何正确看待生成式人工智能 目前众多研究者将生成式人工智能技术定义为“通用技术”(generalpurposetechnology)4，但我们认为其依然是一项软件技术，其产业影响不会像内燃机、电力、无线通信等其他通用技术一样的广泛。因此保守的来看，可以将生成式人工智能技术看作信息化数字化技术的一种，其对经济和产业的影响将与其他信息化技术、数字化技术类似。 但从另外一个角度，我们认为更适合把生成式人工智能看成一个操作系统，而不是普通的信息化数字化技术。在之前的一篇文章《大语言模型的发展历史、颠覆式变革与商业机遇》中，我们讨论了以大语言模型为代表的生成式人工智能技术为什么能够吸引如此多的关注，我们的核心观点为大语言模型背后显示出了两个颠覆式的趋势。第一，人工智能模型在各种测试数据集上达到人类认知水平所需要的时间越来越短，背后呈现出的是人工智能技术发展的超线性趋势，我们将之总结为AI领域的“摩尔定律”。第二，生成式人工智能技术是一项平台技术，是移动互联网之后难得一见的具有平台效应的技术应用；在供给侧，大语言模型的基础能力将进一步牵引上层应用的开发、开发者工具生态的形成和底层硬件的技术路线；在需求侧，大语言模型极大提高了内容生成、聊天对话、文本翻译和搜索引擎方面的用户体验，促进下一代AI原生应用在多元场景中爆发。 我们认为正确看待生成式人工智能技术的方式是清晰地认识到其作为一项软件技术的定位与局限性，但同时认识到其是一项具有操作系统级别平台效应的软件技术，在商业世界与日常生活中能够带来的价值会随着未来应用场景的不断拓展而增加，并有可能构建出新的应用生态、创造新的用户接口、并在不同的产业中带来效率提升及潜在商业模式的变革。 但同时需要认识到的是，生成式人工智能技术目前依然处于早期的阶段，技术本身并不成熟，在生成内容的可信度、可解释性、以及实时性方面依然存在许多问题。从通用型技术发展的路径上来看，技术本身的完善以及技术在产业内的应用均需要相当长的一段时间。尤其在产业应用方面，由于各行业的使用场景成熟度、信息化水平等因素存在很大差异，生成式人工智能会以渐进的形式进行普及。因此，企业在了解生成式AI技术潜力的同时，也需认识到目前技术本身并不成熟，并且在产业中的应用依然需要进行大量的时间与资源投入。 ； 4.TynaEloundou,SamManning,PamelaMishkin,andDanielRock.2023.GPTsareGPTs:AnEarlyLookatthe