如果说 2024 年是生成式 AI 之年，那么 2025 年将是设定合理期望的一年。
Photo by Jake Walker on Unsplash.
根据科技行业的预言家的说法，2024 年注定是生成式 AI 的标志性一年。真实的用例不断涌现，新技术降低了进入门槛，通用人工智能指日可待。
但事情真的是这样发展的吗？
嗯，差不多。如果说 2024 年是生成式 AI 之年，那么 2025 年将是设定合理期望的一年。
展望未来，生成式 AI 仍将是企业领导者的首要考虑因素，但这种对话正变得更加接地气。在本文中，我将反思我们已经走了多远，还有哪些工作要走，以及新的一年里关于 AI 未来的更多热门话题。
代理 AI 非常适合对话，但不适合部署假设你现在在风险投资池塘附近的任何地方游泳。在这种情况下，您可能会经常听到几个术语：“copilot”，这是用于完成单个步骤的 AI 的花哨术语（“更正我糟糕的代码”），以及“agents”，这是一个多步骤工作流，可以收集信息并使用它来执行任务（“写一篇关于我糟糕代码的博客并将其发布到我的 WordPress”）。
毫无疑问，我们在 2024 年看到了很多成功的 AI 副驾驶（问问 Github、Snowflake、Microsoft paperclip.etc 就知道了），但 AI 代理呢？
虽然 “代理 AI” 对客户支持团队造成严重破坏很有趣，但看起来这就是它注定很快就会成为的全部。虽然这些早期的 AI 代理是向前迈出的重要一步，但这些工作流程的准确性仍然很差。
75%-90% 的准确率是 AI 的最新技术。大多数 AI 相当于一个高中生。但是，如果你有三个 75-90% 准确率的步骤，你的最终准确率约为 50%。
我们训练大象绘画的精度比这更高。
如果以当前性能将大多数 AI 代理发布到生产环境中，则远非为组织带来收入，反而会造成积极危害。我们需要首先解决这个问题。
虽然能够讨论它们很重要，但在演示之外没有人取得任何成功。无论硅谷的人多么喜欢谈论 AI 代理，这种谈论并不能转化为性能。
到 2025 年，GenAI 不会成为大多数组织的收入驱动力与任何数据产品一样，GenAI 的价值有两种形式：降低成本或创造收入。
在收入方面，您可以使用 GenAI 支持的聊天机器人或推荐。这些工具可以产生一个庞大的销售渠道，但它不一定是健康的。因此，如果 AI 没有产生收入，它就需要降低成本——在这方面，这项新兴技术肯定已经找到了一定的立足点。
对我来说，如果满足以下三个标准之一，AI 用例就会提供降低成本的机会：
它正在消除或减少重复性工作它正在弥补由于劳动力市场充满挑战而空缺的职位它解决了紧急的招聘需求利用 GenAI 的成本节约潜力的一个很好的例子是数字银行公司 Dave，该公司创建了一个内部聊天机器人，使用 RAG 来回答内部团队成员关于其公司数据的问题。这使技术较少的团队成员能够更快地获得有关其数据的可靠答案，并为他们节省宝贵的时间，从而更好地用于帮助利益相关者创造收入。
AI 的未来将是小数据，而不是巨型模型开源与托管的争论是一个与时间一样古老的故事。但是，当涉及到 AI 时，这个问题变得更加复杂。
在企业层面，这不仅仅是一个控制或互操作性的问题 — 尽管这肯定会起到一定的作用 — 而是一个运营成本的问题。
最大的 B2C 公司将使用现成的模型，而 B2B 将倾向于更小、更便宜的专有模型。
对于这些公司的数据领导者来说，这并不全是金钱。小型模型还可以提高性能。与 Google 一样，大型模型旨在为各种使用案例提供服务。用户可以有效地向大型模型询问任何事情，因此该模型需要在足够大的数据语料库上进行训练，以提供相关的响应。水球。中国历史。法式吐司。
不幸的是，模型训练的主题越多，它就越有可能混淆多个概念，并且随着时间的推移，它的输出会变得越错误。
此外，ChatGPT 和其他托管解决方案经常在法庭上受到挑战，因为他们声称其创建者对训练这些模型的数据没有合法权利。在许多情况下，这可能没有错。
除了成本和性能之外，这一因素还可能影响专有模型的长期采用，尤其是在受到高度监管的行业中，但这种影响的严重程度仍不确定。当然，专有模型也不会躺平。
专有型号已经在积极降价以刺激需求。像 ChatGPT 这样的模型已经将价格下调了大约 50%，并预计在未来六个月内再降价 50%。对于希望参与 AI 军备竞赛的 B2C 公司来说，这种成本削减可能是一个急需的福音。
非结构化数据堆栈的兴起在生产中利用非结构化数据的想法并不新鲜，但在 AI 时代，非结构化数据已经扮演了全新的角色。
根据 IDC 的一份报告，企业中只有大约一半的非结构化数据被分析。
到 2025 年，这一切都将发生改变。
企业 AI 的成功主要取决于用于训练、微调和增强 AI 的大量非结构化数据。随着越来越多的组织希望将 AI 用于企业用例，人们对非结构化数据以及蓬勃发展的“非结构化数据堆栈”的热情也将继续增长。
一些团队甚至在探索如何使用额外的 LLMs 来构建非结构化数据，并提高其在其他训练和分析用例中的实用性。
确定组织内存在哪些非结构化的第一方数据，以及如何为利益相关者激活这些数据，对于希望展示其数据平台的商业价值（并希望为优先计划获得额外预算）的数据领导者来说，这是一个全新的机会。
如果从这份清单中可以清楚地看出一件事，那就是技术领导者不仅要发现差距，还要发现价值的硬点。随着新年的临近，将引入 AI 标准和最佳实践。
流程、价值和可扩展性将是 2025 年的优先事项。2026 年，我们将只讨论实现这一承诺的技术。
