企业部门的生成 AI ： 供应商如何应对炒作

企业部门的GENERATIVEAI: 供应商如何满足需求 供应商可以如何利用 对GENERATIVEAI的需求增加在企业空间 自去年年底以来，像ChatGPT这样的生成预训练变压器(GPT)应用程序已经引起了人们对生成人工智能(GeAI)的巨大兴趣。到目前为止，GeAI的机会仅限于企业对消费者（B2C）领域，而企业对企业（B2B）在很大程度上未定义。从长远来看，GeAI对B2B领域产生了巨大影响，ABIResearch预测，到2030年，它将在各个垂直领域贡献约4500亿美元的价值，但一些企业挑战阻碍了目前的采用。从提高员工生产力 ，运营效率到服务增强甚至广泛的自动化，GeAI的价值太大了，无法传递。 图表1：生成式AI垂直价值创造世界市场：2023年至 2030年 （来源：ABIResearch） 2023 2030 160 数十亿美元 140 120 100 80 60 40 20 金融服务 Law Manufacturing 汽车 Education 医疗保健 能源、公用事业和采矿 零售和电子商务 电信 Pharmaceuticals 0 营销、广告和创意 娱乐与多媒体 我们仍处于企业生成AI的早期阶段，第一批部署是为低挂用例保留的，因为这些用例的风险不是很高。但目前不太可能进一步采用，因为风险回报警报正在高管级高管中响起，如数据安全、知识产权(IP)保护、版权侵权和碎片化的可能性，所有这些都是由显著的技能和知识差距支撑的。此外，今天的生成AI模型太大而通用，缺乏满足企业投资标准所需的性能、任务效率、成本效益和安全性。 Butthesupplysideofthemarketremainsactiveastheylooktobuildoutasuccessfulbusiness-to-business(B2B)proposition.Manyjuggernauttechfirms,aswellasstarts,aredevelopinggenerativeAImodel,applications,andservices.However,astheyexplore 2www.abiresearch.com 当他们驾驭新的商业领域时。最重要的是，成本危机正在出现。构建、培训和运行生成式人工智能模型有巨大的开销。克服这场危机不能依赖现金轻的B2C市场或现有的“免费增值”收入模式，因此他们必须积极主动，开始测试新的货币化和产品策略。 什么是让一代AI回到企业现在？ 与企业对消费者（B2C）领域不同，企业部署AI带来了巨大的风险，需要在投资之前权衡潜在的回报。这种风险导致了对像ChatGPT这样的第三方“黑匣子”生成AI服务的明显“禁令”。虽然生成式人工智能企业用例不断涌现，但提供商业价值不能依赖于大型、广义的模型，因为它们缓慢、不安全、昂贵、不适合它们所服务的任务，并且容易出现危险的幻觉。相反，对特定数据集进行微调的较小的上下文模型将提供更大的投资回报率（ROI）。例如，华尔街的一家投资公司可能希望开发一种基于人工智能的工具来分析股市，并告知用户关键趋势。或者公用事业提供商想要一个可以预测未来能源需求的生成AI模型。 伦理和社会关注：在企业开始之前，必须面对许多道德和社会问题 GenAI使用：关于generativeGenAI的最大担忧包括数据隐私、劳动力影响、错误信息/深度伪造、能源足迹、版权侵权、知识产权(IP)盗窃、准确性不足以及有关AI监管环境的问题。 本地部署/VPC：GenAI 解决方案将被普遍部署 本地和虚拟私有云(VPN)网络 。但是，对于企业而言，这些部署可能非常昂贵且耗时。 缺乏企业战略： 企业目前尚未具备治理、战略或 业务成果 以有效地部署GenAI。大多数企业部署都是非常孤立的 ，如果 企业战略尚未到位。除非企业精通GenAI治理并确定所需的特定业务成果，否则实施将是棘手的。 法律和监管混乱：当企业不确定谁拥有GenAI生成的内容以及哪些数据可以合法用于AI模型训练时，迷失方向可以很 快解决。 运营变更:GenAI实施附带了许多治理和监管框架，大多数企业对此知之甚少。 可信度:大多数GenAI解决方案仍然没有企业用例所需的高精度，专用容量和服务级别协议（SLA）-仍然需 要人工监督。此外，闭源AI模型不会告诉开发人员输出背后的“原因”，但开源模型将 增加更大的透明度。可解释性也是建立信任的关键。基于封闭源API的Gen 人工智能工具是“黑匣子”提供答案，但无法解释为什么它们给出了一定的答案。最后，随着幻觉的继续，也必须解释错误信息 提出对GenAI解决方案的合理担忧，即使在低风险的企业用例中也是如此。 技能差距： GenAI需要深度ML方面的广泛工程专业知识，而缺乏甚至支持开发的平台。 供应商的风险 锁定和内部碎片：闭源 GenAI模型，更多 现在很受欢迎，很难在供应商之间无缝切换。 此外，当不同的业务部门采用不同的GenAI解决方案时，内部运营挑战出现的可能性增加。这些因素阻碍了企业投资。 但是，缺乏较小的上下文模型并不是企业生成AI采用的唯一挑战。其他存在重大障碍，如下图所示： 使用安全: 由于缺乏采用护栏和内容安全功能，企业 无法集中控制和管理GenAI的输入/输出。 知识产权保护： 企业需要对其知识产权采 取保障措施，以 通过在GenAI平台上共享敏感数据来避免任何潜在的泄漏。 数据隐私：企业理所当然地担心内部数据(例如， 通过员工)可以 用于训练AI模型。这可能对知识产权产生重大影响。例如，软件开发人员使用GenAI工具生成新代码。 生成型人工智能的采用总是伴随着企业风险，但解决这些挑战将有助于减轻风险并加速B2B市场。 3www.abiresearch.com 4 企业中的一代人工智能 为什么更小，“精细调谐”模型是遗传AI的未来 虽然研究证实，在巨大的数据集上训练的生成AI模型加快了训练收敛并提高了准确性，但它们并不适合执行特定的业务功能。当针对特定应用程序或用例构建更小，更精细调整的生成AI模型时，在企业领域采用生成AI的真正转折点将到来。较小的模型资源密集程度较低，训练和推理成本较低，通过基于检索的推理提供更大的透明度和可解释性，并为企业部署提供更大的及时性。“微调”这些“小型”生成AI模型可以提高性能和可信度。从“巨大的，广义的”到“较小的，微调的”生成AI模型将有助于缓解企业目前对数据隐私，性能和可信度的担忧。通过部署“微调”模式，企业获得以下优势：。 •更低的成本：培训和推理成本大大降低，微调迭代的资源要少得多密集。 •可解释性和可信性：“微调”模型不依赖于已知知识，而是依赖于“基于检索的”推理模型。这些可以参考来源来备份输出。直接访问原始数据可以限制幻觉和数据近似。 •IP所有权:与公共AI模型不同，微调模型仅利用企业可以使用的内部数据他们肯定有权利。 •性能优化和上下文化：当生成AI解决方案针对特定的业务成果进行定制时，这减少了所需的参数数量并提高了性能。作为示例,一般的ChatGPT可以涉及多达1700亿个参数,而情境化模型可以仅需要大约10亿个或更少的参数。这些精细调整的模型也可以迎合特定的硬件，从而降低成本并提高利用率。此外，由于这些模型更适合定制，并且使用了精心策划的数据，幻觉的风险要低得多。 •更好的规模经济：ML支持的开源模型，可以微调生成AI应用程序和用例的使用，比基于API的服务更便宜，并且针对自有硬件进行了更好的优化。例如，将API扩展到GPT-3无法满足企业规模经济的雄心。另一方面，在自有服务器上部署开源生成AI将转化为成本节约，因为企业不需要为令牌付费。 基于微调模型构建生成式AI应用程序对企业来说是一个重大挑战，内部技能和创建孤岛业务单元的风险是最令人担忧的问题。然而，开源生成式AI和ML服务工具的进步将使微调模型成为企业更现实的机会。 图表2：大型语言模型的参数数量（十亿） （来源：ABIResearch） 巨人敏捷 500 450 400 350 300 参数数量(十亿) 250 200 150 100 50 华为/盘古G AI21实验室/侏罗纪-1巨型 OpenAI/GPT-3 Google/LaMDA Microsoft/Prometheus-2 NVIDIA/威震天62B Google/GPT-3.5 OpenAI/图灵NLG AI21实验室/侏罗纪-15B NVIDIA/Turing-NLG-14B Google/Claude-12B AI21实验室/贾斯珀 百度/ERNIE3.0 NVIDIA/威震天-LM Google/StanV2 OpenAI/GPT-2 NVIDIA/威震天-1.3B 0 稳定性AI/稳定扩散4 2023年开始，供应商讨论了万亿以上的参数模型，突出了行业趋势，即增加生成AI的规模，从而提高准确性。但问题是，大规模的生成AI模型是昂贵的、资源密集型的和耗时的。生成人工智能的未来将需要一个更有效的商业案例，这只能通过“量身定制、微调”的模型来实现。 开源还是闭源模型？还是两者？ 开源生成AI模型正在迅速发展，注定是生成AI的未来；然而，至少在短期内，闭源模型对许多企业来说仍然是实用的。考虑到开源和闭源模式的显著利弊，企业和供应商将避免只承诺一个或另一个。最终，ABIResearch预计将采用网状的“混合”模型，为生成AI带来更大的行业价值。这将使实施者能够以经济的方式利用联合学习，同时确保数据在企业的围墙花园中的安全。 5www.abiresearch.com 6 企业中的一代人工智能 表1：企业开源和闭源模型的评估 （来源：ABIResearch） 打开 已关闭 机会 挑战 机会 挑战 企业可以使用自己的数据进行定制/微调。外部创新可以支持提高绩效。低供应商锁定。 需要内部发展专业知识或第三方支持，这可以对早期或中小型企业(SME)来说是望而却步的。不适合关键任务或敏感用例，因为已知安全问题。 市场领先性能。嵌入式安全框架。易于访问，无需任何内部技能。 供应商锁定用户的风险。高API成本和出口费用。缺乏可解释性、透明性和可观察性。 通常需要本地服务器或基础架构来运行模型。 更具可扩展性企业用例。 高度依赖微调优化性能。 可以在灵活的模型中使用API，确保各种规模的企业都可以访问。 企业可以使用自己的数据进行定制/微调。 生态系统正在迅速扩张。新兴的开源安全框架，可以与模型/应用程序一起嵌入。 供应商如何抓住一代人工智能市场机会？ 生成式AI供应链正在迅速发展。市场看到新的基础模型正在发布，每周部署大量应用程序/插件，新的供应商通过专业服务或合作伙伴关系进入这个潜在的利润空间。在以下各节中，我们总结了在等待每个供应商的各种生成AI市场机会中展开的活动，并强调了一些“开箱即用”的货币化策略。 表2：GenAI供应商的市场机会 （来源：ABIResearch） 研究与开发 硬件提供商 基础模型提供商 数据服务 ML服务工具 应用程序开发人员 企业服务 护栏 成长 “负责任的AI” 增加 拥抱 杠杆化 MSP可以 发展 需求 成本抵消 需求 和货币化 开源 辅助较小 可以创建一个 加速器, 到应用程序 数据隐私 开源 模型到 企业与 竞争性 正在开发 开发人员，以及 (数据合成， 模型， 构建全栈 他们的一代AI 优势 强大的价值 挖掘巨大的 策展，以及 从中获利 应用程序 白天的努力 在一个市场 命题在 客户群 monitoring) 已续订 和抓住 0、1和2 关注 边缘，和 可以建立一个 和集成 企业 在很大程度上 操作。 关于数据 建筑全- 市场领先 数据服务 参与度 未开发 高度构建 隐私和 堆栈服务 position. 进入新兴 使用AI，以及 空间为 安全和 环境 利用 GenAI 发展 微调， 透明 影响。 硬件 平台。 没有代码 语境化 实现。