ChatGPT，更普遍地说，是生成式人工智能，是一项强大的技术，我相信它会给所有企业带来风险和机遇。组织必须制定明确的战略以确保技术的成功採用和可持
1.探索AGI的创新潜力
人工智能从未如此易于获取。诸如ChatGPT、DALL-E 2、Midjourney和Stable Diffusion之类的工具使任何人都可以创建网站、生成广告策略和制作视频——可能性无限。这种“低代码、无代码”质量也将使组织更容易规模化采用人工智能能力。（参见如下“生成式AI的功能特征。”）
如何决策生成式AI项目，BCG，2023即时生产率的提高可以大大降低成本。例如，生成式人工智能可以在几秒钟内以惊人的准确度概括文件，而研究人员可能需要花费数小时的时间（据估计每小时30至50美元）。
但是，生成式AI的普及化力量也意味着，根据定义，公司的竞争对手也将拥有相同的访问和能力。许多依赖于现有大型语言模型（LLM）应用程序的用例，例如使用Github Copilot的程序员的生产力改进和使用Jasper.ai的营销内容开发人员，将需要仅仅为了跟上其他组织。但是它们不会提供差异化，因为唯一的可变性是用户提示系统的能力所创造的。
1) 选择正确的用例
对于首席执行官来说，关键是确定公司的“黄金”用例——在现有最佳解决方案相对存在的情况下，带来真正的竞争优势并产生最大的影响。
这些用例可以来自价值链的任何点。一些公司将能够通过改进产品推动增长；提供客户服务解决方案的Intercom正在运行试点，将生成式人工智能集成到其客户参与工具中，以实现自动化优先服务。增长也可以在缩短上市时间和节省成本以及刺激想象力和创造新想法的能力中找到。例如，在生物制药领域，今天的20年专利期很大程度上被研发消耗掉了；加快这一过程可以显着增加专利的价值。2021年2月，生物技术公司Insilico Medicine宣布，其由人工智能生成的抗纤维化药物在不到30个月的时间内从概念化进入1期临床试验，花费约260万美元——比传统药物发现快几个数量级且更便宜。
一旦领导人确定了公司的黄金用例，将需要与数字化技术团队协作，就是要决定是否微调现有的LLM还是训练自定义模型。
2) 微调现有模型
适应现有的开源或付费模型是成本有效的——在2022年的实验中，Snorkel AI发现微调LLM模型以完成复杂的法律分类需要花费1,915至7,418美元。这样的应用可以节省律师的数小时时间，律师每小时的费用可以高达500美元。
微调还可以启动实验，而使用内部能力将会消耗时间、人才和投资。它将为公司未来做好准备，当生成式人工智能可能演变成像云服务一样的模型时：公司购买解决方案，期望从云服务提供商的标准化和可靠性中实现规模上的质量。
但是这种方法也有缺点。这些模型完全依赖于核心模型的训练数据的功能和领域知识；它们还受到可用的模态的限制，今天主要由语言模型组成。对于保护专有数据的有限选项——例如，微调完全存储在本地的LLMs。
3) 训练新模型或现有模型
训练自定义LLM将提供更大的灵活性，但它带来高昂的成本和能力要求：根据AI21 Labs的估计，训练一个1.5亿参数模型需要约160万美元，具有两个配置和每个配置10个运行。将这项投资放在背景下，AI21 Labs估计，Google花费了约1000万美元来训练BERT，OpenAI花费了1200万美元进行GPT-3的单次训练运行。2（请注意，成功的LLM需要多轮培训。）
这些成本以及数据中心、计算和人才需求要求显着高于其他人工智能模型，即使是通过合作伙伴管理。证明这种投资的门槛很高，但对于真正不同的用例，从模型中产生的价值可能抵消成本。
4) 计划你的AGI投资
领导者需要仔细评估此类投资的时机，权衡在人才和技术尚未准备好的复杂项目上过早移动的潜在成本，以应对落后的风险。今天的生成人工智能仍然受到其错误倾向的限制，主要应用于对变异性具有高度容忍度的用例。首席执行官们还需要考虑数据和基础设施的新融资机制——例如，预算应该来自IT、研发还是其他来源——如果他们确定定制开发是一个关键和时间敏感的需求。
当涉及到长期竞争优势时，“微调与训练”的辩论还有其他影响。以前，大多数关于生成性人工智能的研究都是公开的，模型是通过开源渠道提供的。由于这项研究现在正在闭门进行，开源模型已经远远落后于最先进的解决方案。换句话说，我们正处于生成性人工智能军备竞赛的边缘。
随着研究的加速和变得越来越专有，以及算法变得越来越复杂，跟上最先进的模型将具有挑战性。数据科学家将需要特殊的培训、高级技能和深厚的专业知识来了解模型的工作原理——它们的能力、局限性和新业务用例的实用性。希望在使用最新人工智能技术的同时保持独立的大型玩家需要建立强大的内部技术团队。
2.筹划AGI驱动的人员转型
与现有的人工智能形式一样，生成人工智能对人类来说是一种破坏性力量。在短期内，首席执行官需要与领导团队和人力资源领导合作，确定这种转型应该如何在其组织内展开——重新定义员工的角色和责任，并相应地调整运营模式。
1) 重新定义角色和责任
已经发生了一些与人工智能相关的转变。传统的人工智能和机器学习算法（有时被错误地称为分析性人工智能）使用强大的逻辑或统计数据来分析数据并自动化或增强决策，使人们能够更自主地工作，管理人员越来越专注于团队动态和目标设定。
现在，生成人工智能作为初稿内容生成器，将通过提高生产力、性能和创造力来增加许多角色。担任更多文书工作的员工，如律师助理和营销人员，可以使用生成性人工智能来创建初稿，使他们能够花更多时间完善内容和确定新解决方案。编码员将能够专注于在紧迫的时间表上提高代码质量和确保遵守安全要求等活动。
当然，这些变化不能（也不应该）在真空中发生。首席执行官需要意识到人工智能对员工情感健康和职业身份的影响。生产力的提高往往与整体员工的减少混为一谈，人工智能已经引起了员工的担忧；许多大学毕业生认为，人工智能将在几年内使他们的工作变得无关紧要。但人工智能也有可能创造尽可能多的就业机会。
因此，人工智能的影响是一个关键的文化和劳动力问题，首席执行官应该与人力资源部门合作，了解角色将如何演变。随着人工智能计划的推出，应定期进行脉搏检查，以跟踪员工的情绪；首席执行官还需要制定透明的变革管理计划，这既能帮助员工拥抱新的人工智能同事，又能确保员工保留自主权。信息应该是，人类不会去任何地方——事实上，需要有效和道德地部署人工智能。
随着人工智能采用的加速，首席执行官们需要不断学习，并利用这些经验教训来制定战略劳动力计划——事实上，他们现在应该开始制定这个计划，并随着技术的发展对其进行调整。这不仅仅是确定某些职位描述将如何变化，而是确保公司拥有合适的人员和管理层，以保持竞争力并充分利用他们的人工智能投资。首席执行官在评估公司的优势、劣势和优先事项时应该问的问题包括：
- 项目负责人需要哪些能力来确保个人贡献者的工作质量足够高？
- 首席执行官如何创建最佳体验曲线来产生正确的未来人才管道——例如，确保更初级的员工在人工智能增强方面获得技能，并确保主管准备好领导人工智能增强的员工队伍？
- 应该如何调整培训和招聘，以在现在和将来建立一支高绩效的员工队伍？
2) 调整公司的运营模式
我们预计，从长远来看，敏捷（或仿生）模式将仍然是最有效和可扩展的，但集中的IT和研发部门配备了可以培训和定制LLM的专家。这种集中化应确保使用类似类型数据的员工可以访问相同的数据集。当数据在各个部门内孤立时（这种情况太常见了），公司将努力实现生成性人工智能的真正潜力。但在合适的条件下，生成性人工智能有能力消除敏捷性和规模之间的妥协。
由于数据科学和工程的重要性越来越大，许多公司将从高级行政角色（例如，首席人工智能官）监督人工智能计划的业务和技术要求中受益。这位高管应该在每个业务部门内安排小型数据科学或工程团队，以适应特定任务或应用程序的模型。因此，技术团队将拥有领域专业知识和直接联系来支持个人贡献者，最好是将平台或技术领导者与个人贡献者之间的距离限制在一层。
在结构上，这可能涉及具有跨职能成员的部门重点团队（例如，具有销售代表和专门技术支持的销售团队），或者最好是与业务和技术平台相一致的跨部门和跨职能团队。限于篇幅，请进入 Runwise.co创新社区，查看原文。