2022年是將人工智能人格化的一年。許多人去年在玩ChatGPT和DALL-E時看到了未來。有些應用非常實用，比如幫助學生更高效的完成作業，或是支持軟件工程師調試代碼，而另一些應用則更加有趣，例如向ChatGPT詢問最新的通心奶酪的食譜，或是與已故的名人聊天。

雖然這些應用對個人消費者和營銷工具的升級有強大的發展潛力（Jasper AI 等公司的快速成長就是很好的證明），但是我們不認為在大多數商業應用中僅靠生成式AI會產生巨大的影響。為什么呢？

今天的生成式AI（Generative AI）并不是真正的人工智能，它不是持續準確的，不與結果直接掛鉤，也不針對具體語境。這些不足對B2C的應用沒有過多的影響，但生成式AI在B2B的應用則需要解決很多現有技術障礙才能實現。

這就意味著生成式AI未來將在解決商業問題上發揮重要的作用。在生成式AI與特定語境模型和人類干預結合后，這項新技術將對今后世界的運作方式產生質的變化。
 

01

生成式AI具有廣泛通用的價值，但風險仍在

生成式AI是幫助我們起草內容的基礎性工具，包括文字、圖像和代碼。無論在個人生活或是工作中，它都可以幫助我們總結提煉信息，節約時間，并提高溝通效率。但是如果我們過于依賴它，生成式AI所提供的不準確甚至是錯誤的信息會為我們的工作和生活帶來很大風險，增添諸多不便。

自2016年以來，人工智能技術一直有類似的潛在風險。我們在《Coaching network（AI教練網絡），未來已來》這篇文章中所闡述的觀點是基于人類是人工智能時代唯一的變化引擎，這一前提而提出的。生成式AI的未來是基于其基礎不斷創造發展還是把它的功能停留在參考建議這一層面，取決于我們未來的技術能力和意愿選擇。

基于這一背景，生成式AI在商業應用中會遭遇不少難題。

生成式AI缺乏準確性
 

OpenAI的GPT-3這樣的通用大型語言模型(LLM,Large Language Model)被訓練得與作家十分相似，但卻沒被訓練的像作家一樣精準。這就是為什么ChatGPT可以就拿破侖戰爭的歷史寫出一篇令人信服、措辭得體的文章，但它不能確保文章中的所有事件都是真實準確的。此外，由于LLM是在特定時間，通過數據集進行訓練，訓練結束后發布產品，所以它無法納入更多的最新數據（例如，GPT-3不包含2021年之后的所有信息）。因此，如果要求它寫一篇關于當前烏克蘭戰爭的文章，得出的結果會非常差。

今天的生成式AI只是在模仿它所接受訓練過的數萬億字符。因為它的訓練模型是基于匹配互聯網上的文本，而互聯網上的信息并不完全準確，所以導致生成式AI生成的內容不能被完全信任。

Mashable在2022年12月發表了一篇題為 "OpenAI的ChatGPT聊天機器人是驚人的、創造性的、但完全錯誤的 "文章，文章中列舉了ChatGPT在回答基本知識問題時的錯誤或是利用其想象力憑空捏造信息的情況。雖然這些例子大多風險很低，但可以幫你理解為什么像GPT-3這樣的模型在商業中運用會帶來很大的風險。這就是為什么《大西洋》雜志認為要 "把ChatGPT當作一個玩具，而不是一個工具"。

現在生成式AI的商業應用大多以市場營銷（文案/郵件營銷）和廣告為目的而調整的，在這些應用中，偶爾的不精準信息通常是可以容忍的。但對于大多數商業場景，準確性至關重要。如果想讓企業在更多的使用場景中運用生成式AI，則需要結合更多的語境和人工協助。

生成式AI是以輸出為導向，而不是以結果為導向，這對個人用戶來說很有效，但對企業用戶來說卻不然。ChatGPT可以為一個新的飲料品牌生成廣告語，但它不能告訴你哪一個更好。這是因為用戶與模型的互動像是一條單行路，它缺乏根據結果不斷學習的能力。當涉及到B2B的使用場景時，企業需要的不僅僅是一個生成器。他們需要的是不斷迭代，并針對不同行業生成特定結果為驅動的人工智能技術。

未來有發展潛力的生成式AI APP 在B2B的應用將以投資回報為基礎。例如，我們的被投企業Ironclad在用人工智能來幫助用戶更高效地起草和編輯合同。它的功能不僅能幫助律師更高效的工作，還能幫助他們提高最終結果。它的人工智能平臺可以指導合同起草人了解怎樣制定條款可以更快的推動交易完成。通過將LLM的建議與平臺專有數據相結合，Ironclad正在建立一個合理的、以結果為導向的人工智能產品。

生成式AI應用廣泛卻缺乏深度
 

為了解決現有生成式AI的不足，來滿足更多的在商業場景中應用，人工智能需要根據公司的特定數據進行訓練。現在的語言模型大多是在公開可用的數據上進行訓練的，但它們缺乏就不同情境和有知識產權的數據的訓練，正式缺少這些非公開數據的訓練，影響開發針對B2B用戶的功能。例如，如果沒有Ironclad工作流程軟件中特定的語境數據，僅依靠LLM就不能確定哪個條款可以最快地完成合同。

我們并不看好能使生成式AI真正對B2B應用產生真正價值所需的大量專有數據在未來能與LLMs合成。這是因為企業不愿意與LLMs分享他們最有價值的有知識產權性質的專有數據。企業的競爭優勢就在于他們積累的專有數據，這就是為什么企業對于LLMs直接（甚至間接）訪問他們的專有數據持謹慎態度。這一擔憂源于去年OpenAI、微軟和Github對于CoPilot的集體訴訟。機構和大型企業由于擔心失去競爭優勢，對于把他們的專有數據貢獻給分布廣泛的模型非常謹慎。因此如果想開發針對B2B的生成式AI軟件需要找到另一種方法來解決這個問題。

這種方法可以是外部LLM和內部開發模型和數據集的結合。B2B的應用可以從要求LLM生成初始內容開始。隨后這些初始內容被送入一個經過微調的內部開發的模型中，將初始內容進行修改和完善來滿足特定B2B應用場景的需求。這些 “小型特定的語言模型”將利用應用程序從中產生或可獲得的專有數據建立知識圖譜，通過將開源的LLM和專有的SSLM（或建立他們自己的端到端堆棧）連接在一起，B2B軟件將會提供強大的且可信的投資回報。

02

下一代AI APPs：從生成到真實

那么在生成式AI的時代，B2B軟件的未來將會是怎樣的？我們認為，它是利用LLM的通用價值，并將其與客戶的專有數據相結合，以產生準確的、與結果掛鉤的、依據特有情境的結果。

在未來的幾年里，每個行業的每個公司的每個職能都將被改變。你的工作是幫助客戶擴展并保護他們核心業務的核心知識產權的同時整合并利用生成式AI的力量。我們認為這意味著要利用LLM的獨特屬性來建立一個與結果掛鉤的應用，但動力模型將不僅僅限于OpenAI或任何其他基礎模型。這些LLMs將只提供一部分價值，B2B的生成式AI的未來將會是語言模型與來自人類干預和獨創的專有數據的結合。

下圖展示了B2B人工智能軟件結構圖，來幫助你構想你想從哪一部分開始進入或關注。