2025年亚太地区人工智能展望报告

2024 年 11 月 SASH MUKHERJEE副总裁行业洞察 ， 生态系统 赞助 Introduction 想象一个未来，人工智能驱动实际的商业影响，而不仅仅是炒作。尽管其潜力显而易见，许多组织仍然难以有效利用它。 在2024年，实验和追逐趋势定义了人工智能领域的格局。到了2025年，重点将转向通过稳健的基础架构、高效的运营和专业的技术人才来创造实际价值。成功的关键将取决于一种战略性的方法：明确的目标成果、强大的数据管理以及有效的治理。 这份白皮书考察了关键的人工智能趋势，以及组织必须应对以释放人工智能变革潜力的挑战。来自17家亚太地区组织的见解为加速人工智能项目的同时有效管理风险提供了蓝图。 AI 的下一波浪潮： 2025 年的预期是什么 ？ 大型企业在2024年积极尝试人工智能技术，特别是在生成式人工智能（GenAI）快速发展的背景下。初步的热情，受到商业指令和先进技术的推动，导致了一系列人工智能项目的涌现。 然而，随着一年的发展，对AI的潜力和挑战的理解变得更加微妙。尽管关注点仍然集中在识别可以提升员工生产力和客户体验的应用场景上，组织现在更侧重于基础要素，如数据治理、数据质量和专业人才。更重要的是，鉴于AI投资的巨大资源需求，人们开始更加注重从AI投资中获得最大回报。开源AI的需求以及能够整合任何技术提供商的AI平台的能力也变得越来越重要，主要是为了避免被供应商锁定。 AI 唤醒电话 ： 重新思考您的策略 我们有足够的应用场景，需要根据数据可用性、安全性和隐私保护以及投资回报率进行优先级排序。新加坡银行 CDO 我们的AI initiatives已放缓。我们对数据治理极为关注，首先是从隐私和安全开始。INSURANCE CIO, AUSTRALIA Al 将我们带回了早期的云时代 - 我们正在努力保护我们的组织免受 Shadow IT 和 BYOAI 的侵害。印度零售 CTO 尽管组织在实现预期收益方面遇到了困难，技术供应商继续创新，使人工智能对企业更加accessible。 分析预计将在2025年影响人工智能领域的主要趋势（包括组织层面和技术层面），可以帮助企业调整或启动其人工智能之旅，并且更重要的是，明确从何处开始。 组织将采用更具战略性的人工智能方法 ， 优先考虑项目基于可行性和业务影响。 亚太地区近60%的组织预计在未来的2-5年内实现其AI投资的收益。只有11%的组织预计在未来两年内获得即时回报。 人工智能的长期利益与高昂的前期成本挑战着传统的投资回报率（ROI）指标，经常导致企业领导者追求早期成果而忽视了复杂性。为了解决这个问题，科技领导者传统上专注于快速见效的用例以建立信任和内部支持。随着组织的人工智能旅程成熟，它们将力求平衡短期胜利与长期人工智能战略。人工智能投资的重点正在从员工生产力和客户体验转移到更广泛的策略目标，如创新以及对公司财务的影响。 来源 ： ECOSYSTM, 2024 我们将看到从低风险的非核心用例向在核心业务功能中部署 GenAI 以提高竞争力优势和改进的 ROI 。 案例研究 战略采用 AI 星联第一人寿保险 (SUD 人寿)专注于解决一个具体的高影响应用场景——在印度竞争激烈的资本市场上超越大型资本组合的挑战。通过利用通用人工智能（GenAI），合作旨在为新的投资产品提供关键的数据驱动洞察。成果包括增强数据分析以提取有价值的见解、通过数据驱动工具提高基金经理的决策能力，并遵守负责任的人工智能实践。人工智能已成为基金经理导航庞大数据量的重要工具，使其从“可有可无”变为“必不可少”。 科技和数据领域的领导者将采用全面的AI评估框架，在评估财务指标的同时，还会考虑更广泛的影响，如职位角色和数据治理。选择合适的应用场景将涉及一个两步过程：首先通过结构化的评估进行优先级排序，然后评估技术可行性。这将包括检查数据的可用性、基础设施、数字投资、流程准备情况以及资源需求。 传统投资回报率（ROI）指标在处理AI的长期、无形利益以及高昂前期成本时面临挑战。尽管概念验证（PoC）可以验证可行性，但它们往往忽略了扩展复杂性和真正的成本。为了解决这一问题，组织将采用更为细致的评估方法，平衡有形和无形利益。一个全面的成本策略，涉及业务、技术、数据和财务团队，将是考虑基础设施、硬件、软件和人力成本的关键方面。这一策略贯穿项目生命周期，确保在不同阶段都考虑到成本。 StarHubtelah战略性地整合了人工智能以提升客户体验、简化流程并推动创新。他们的Cloud Infinity是世界上首个大都市混合多云架构，利用人工智能进行自动化资源管理，使企业能够高效地扩展资源并优化应用程序和数据。他们还与一家主要零售运营商合作，部署了一个结合了生成式人工智能（GenAI）和商业智能的智能零售解决方案，从客户数据中生成可操作的洞察。 较小的开源专业化模型将逐渐获得认可，提供性能、资源效率和灵活性之间的平衡。 组织亚太地区的企业将越来越多地利用开源AI模型以推动创新和效率提升。这将带来颠覆性的变化，提供成本效益、无缝集成以及使用自定义模型或利用供应商特定能力的灵活性。 尽管大型语言模型（LLMs）已经吸引了广泛的关注，但针对特定任务或领域进行优化的小型专业化模型提供了极具吸引力的替代方案。这些模型通常能够在消耗较少计算资源的情况下达到相当的性能表现，非常适合希望通过自有数据训练模型的企业组织。此外，它们还更加节能，符合日益增长的可持续发展关注点。 当我们监控AI模型的碳足迹时，我们意识到，对于特定、受限的应用场景，使用基于更有限数据集训练的SLMs（小型语言模型）可以提高效率，而非为每种应用部署LLMs（大型语言模型）。 新西兰一家制造公司的 CDO 定制化模型，包括为本地语言和细微区域背景设计的模型，将特别受到欢迎。这些模型不仅满足多样化的语言需求，还增强了可解释性，并且非常适合部署在较小或边缘设备上。 随着组织完善其 AI 战略 ， 技术和数据领导者将根据以下情况评估模型 ： 案例研究 适应目标的 AI 模型 Kasikorn 商业技术集团 (KBTG)已经开发了自己的基础大语言模型“THaLLE”（Text Hyperlocally Augmented Large Language Extension），该模型专为金融领域和泰语定制。THaLLE 已获得 CSA Level 2 认证，确保其符合行业标准，在准确性和可靠性以及金融分析方面达到要求。通过开源该模型，KBTG 正在为人工智能社区做出贡献，并推动下一代人工智能治理框架的发展。 治理约束 具有严格隐私和安全要求的行业可能更偏好可在隔离网络上部署或符合特定法规的模型。 任务复杂性 简单的任务可能仅需较小的模型，而复杂、数据密集型的任务则可能需要更大、更复杂（或高级）的模型。 数据可用性和质量 较小的模型可以在有限的数据下表现良好，而较大的模型往往依赖于大量且高质量的数据集。 曼谷银行。金融行业迅速采纳人工智能以提升客户体验并优化运营。曼谷银行推崇人与AI协同工作的方式，秉持以人为中心的人工智能原则，采用合作智能方法。通过利用AI放大人类潜力，银行旨在实现显著的性能提升。为了充分挖掘AI的潜力，银行强调全行业合作、负责任创新以及坚定致力于利用AI为社会带来福祉的重要性。 计算资源 GPU 、 TPU 和其他资源的可用性将指导模型选择和训练策略。 性能指标 延迟、准确性、成本效率以及数据源的接近度将影响模型部署，许多组织选择边缘计算以优化推断。 # 3 统一 AI ： 确保管理和治理 在2025年，不断变化的监管环境、多样化的需求以及负责任的人工智能将推动组织投资于提高透明度、治理能力和无缝人工智能集成的工具。 随着人工智能的发展，数据和科技领导者越来越多地依赖多模态、多供应商环境，整合诸如文本、图像和音频等多种数据源以驱动智能应用。组织必须在管理这些复杂的AI生态系统的同时，应对复杂的监管要求，如欧盟AI法案，确保合规性、促进责任感并保持透明度，涵盖多种AI解决方案。 组织将考虑 ： 模型编排 自动化的 AI 生命周期管理 利用多种AI模型需要强大的编排工具来管理并协调工作流程，确保无缝集成和最佳性能。 集中化模型库存将跟踪性能、使用情况和血统，提供实时监控。自动化监控系统将检测并解决模型漂移和性能退化等问题。 AI模型容易出现偏见和漂移，这可能导致意外后果。为了缓解这些风险，我们精心筛选和监控训练数据，并定期评估和重新训练模型以确保准确性和公平性。自动化是实现这一目标的关键。 随着多家供应商提供的AI解决方案，组织将采用统一的治理框架以维持一致性、安全性和合规性。这将允许一种供应商无关的战略，从而增强对新技术的灵活性和适应性。 开发人员工具包 新加坡银行首席执行官 简化工具包简化开发、自动化任务并增强可靠性。功能如自动测试、可解释性以及与多种技术的集成，使组织能够加速人工智能创新。 案例研究 优先考虑安全和无缝的 AI 管理 GS 实验室 | GAVS已经开发了ZIF.AI，这一创新典范通过将负责任的人工智能实践融入其通用人工智能（GenAI）解决方案中体现了治理驱动的创新。ZIF.AI 提高了预测和前瞻性能力，以防止应用程序和服务基础设施的中断。关键的治理措施包括透明地识别大语言模型（LLM）来源、强大的隐私功能以及对伦理人工智能实践的强烈关注，确保可靠性和合规性。这些保障措施为防止如人工智能幻觉等问题提供了护栏，同时支持主动问题检测和数据完整性评估的改进。 馈线回路 AI一家领先的印度尼西亚生成式人工智能（GenAI）提供商已与IBM合作，将其实时语言模型（FL1）集成至watsonx平台。作为首个印尼本地语言的大规模语言模型（LLM），FL1允许地方政府和企业使用强大的治理、风险和合规工具管理人工智能。通过watsonx，Feedloop的客户可以自动化跟踪监管义务，确保遵循当前及未来的标准，同时保持对业务需求的遵守。 # 4 机构 AI: 赋予智能系统 AI将自主执行任务并驱动业务价值，随着工作流编排变得日益重要。 传统自动化工具（如RPA）在简化重复任务方面已经证明是有效的。然而，它们往往难以应对真实世界工作流程的复杂性和动态性。基于AI代理的Agentic工作流程提供了更为先进和灵活的方法。 我们知道将AI集成进来需要重新定义我们的工作流程。然而，传统的工作流程复杂且在我们导航系统、复制粘贴序列和处理身份验证环节时会消耗宝贵的资源。 印度电信提供商的 CDO 结合人工智能与自动化显著提升了运营效率、客户体验和决策制定。随着人工智能的进步，代理流程将在重新定义未来工作方式中发挥关键作用。 为什么组织将投资于具有 Agentic AI 功能的解决方案： 案例研究 自动化工作流编排以提高 AI 效率 自主性 Siriraj Piyamaharajkarun 医院(SiPH)通过工作流程自动化，SiPH彻底革新了其病理诊断服务。通过整合实验室系统、图像扫描和中央数据处理，SiPH显著提高了癌症诊断的效率和准确性。该系统的自动化工作流程和基于AI的玻片图像分析（目前主要用于前列腺癌的试点项目）简化了潜在癌变组织的识别过程，使医生能够专注于高风险病例。这一变革为泰国乃至其他国家未来在计算病理学和AI诊断领域的进步奠定了基础。 AI 代理可以独立执行任务 ， 做出决策并适应不断变化的环境。 Intelligence 利用 GenAI ， 他们可以理解复杂的指令 ， 推理 ， 并从经验中学习。 协作 AI 代理可以与人类工人合作 ， 增强他们的能力并提高效率。 适应性 全球上游石油和天然气公司正在利用人工智能自动化工作流编排并提升效率，特别是在地震资料分析方面。通过实施机器学习模型，该公司自动化了数据清洗和填补空白的过程，显著减少了手动操作的需求。这使工程师能够在30分钟内处理10