AI驱动的研究、开发与创新

核心观点

• AI 在研发与创新 (R&D&I) 中的潜力巨大：AI 能够通过多种角色增强研究人员在 R&D&I 过程中的能力，帮助解决棘手问题并做出决策。AI 并非万能，最佳方法取决于数据可用性和问题类型，通常需要将 AI 模型嵌入到“系统中的系统”中。
• 确保 AI 成功实施的关键因素：敏捷方法、强大的数据基础、战略优先级、分析权衡、稀缺数据科学人才管理、IT 协调、快速效益展示和持续监控是确保 AI 在 R&D&I 中成功实施的关键。
• AI 的益处：AI 增强而非取代研究人员，帮助解决研究人员无法解决的问题，并已充当知识管理器、假设生成器和助手。AI 将逐渐承担“规划者/思考者”的角色，帮助做出决策。
• 数据的重要性：数据收集、存储、安全和治理对于实现 AI 益处至关重要。新的技术可以处理结构不良或较小的数据集。确保广泛的数据可访问性、跨组织合作和有效的数据治理也是根本性的。
• AI 模型的选择：组织需要在构建、购买现成或微调 AI 模型之间做出战略选择。大多数核心 R&D&I 问题适合微调现有的开源模型，如 LLM、GAN、扩散模型或强化学习 (RL)。
• 分析权衡：在概念验证 (POC) 开发过程中，必须仔细考虑权衡，包括获取数据与合成数据、优化精度与召回率以及欠拟合与过拟合数据。
• 数据科学人才管理：根据需求，使用外部资源、培训内部专家、创建中央 AI 服务中心或将数据科学家嵌入 R&D 团队是获取专家数据科学资源的正确组织解决方案。
• IT 协调：R&D&I 部门需要与 IT 部门协调，以解决安全性和合规性要求，同时保持进行实验所需的速度。
• 快速效益展示：优先考虑 AI 用例并快速展示效益有助于防止 POC 停滞不前。
• 持续监控和改进：这对于实验性 AI 模型尤其重要，因为它们的性能可能会随着时间的推移而改变。

未来趋势和情景

• 塑造未来 R&D&I 的三个主要因素：性能、信任和可负担性。
• 16 个趋势：多模态模型的成熟度、图神经网络 (GNN) 的兴起、混合模型的涌现、通过 RL 进行进一步的科学探索、智能工作流的进步、机制可解释性的进展、研发团队对 AI 的接受程度、计算在边缘的部署、开源托管和微调服务的普及、监管约束的增加、数据寡头的巩固、人才持续稀缺、AI 供应商的整合、人才持续稀缺以及 AI 供应商的持续整合。
• 六种可能的未来情景：
  • Blockbuster：AI 变得在 R&D 周期中无处不在，重塑组织。数据成为新的前沿。
  • Crowd Pleaser：AI 方便、可负担，并用于日常生产力任务，但无法提供科学/创意价值。
  • Crown Jewel：AI 提供生产力和科学突破，但只有那些能够负担得起它的组织才能享受这些好处，导致 R&D&I 出现两速世界。
  • Problem Child：尽管有一些标志性的用例和可负担的解决方案，但 AI 未能证明其价值——R&D&I 组织仍然担心数据安全、伦理和可解释性。
  • Best-Kept Secret：AI 性能提高，但成本高昂，使组织更加风险规避。低信任和繁琐的文书工作限制了采用。很少启动新的大胆实验。
  • Cheap & Nasty：AI 广泛用于低风险用例，但仅作为原型或头脑风暴工具。不可靠的系统受到严格审查，输出得到验证，从而限制了生产力收益。

战略行动

• 六项无后悔行动：
  1. 管理和授权人才。
  2. 控制 AI 生成的内容。
  3. 建立数据共享和协作。
  4. 长期培训。
  5. 超越 IT 重新思考组织和治理。
  6. 共享计算资源。
• 战略赌注：除了无后悔行动之外，R&D&I 组织还应考虑 AI 用例的范围、成本和收益；优先考虑工作；并重新审视整体创新战略，以适应 AI 未来。应应用投资组合逻辑，以确保生产力和科学突破之间的适当平衡。

研究结论

• AI 将对所有 R&D&I 步骤产生重大影响，包括那些涉及创造性的步骤。
• AI 将充当协调器，而不是唯一的参与者，与其他数字工具（如模拟、传统人工智能 (GOFAI)、生成式人工智能 (GenAI)、图形、规则和启发式方法以及贝叶斯网络）协同工作，同时保持人类参与。
• AI 采用的成熟度差距并非障碍，而是一个机会。
• 重点不应放在花哨的 AI 工具上，而应放在使用 AI 来解决特定的、高影响力的問題。
• 微调的 LLM 即使我们不完全理解其在规模上的工作原理，也能提供很高的价值。LLM 特别适用于生产力用例。
• 较小和更专业的 AI 模型或其他方法（如贝叶斯网络）将越来越多地擅长解决复杂的 R&D&I 问题。
• 数据管理将成为 AI 驱动的未来的关键区别，因为算法正在商品化。
• AI 人才短缺——提升 R&D 团队的技能竞赛将持续到 2030 年，在此期间，现有 R&D 团队的技能提升至关重要。
• 推理即服务——产品开发的范式转变，就像云计算改变了 IT 基础设施一样，推理即服务将彻底改变公司开发和扩展 AI 驱动产品的方式。该模式将是在民主化 AI 和促进新商业模式方面发挥关键作用。