调控大语言模型的不确定性是可行的，每种方法都需要权衡利弊。
译自 Opportunities and Limitations of Deploying Large Language Models in the Enterprise 。
生成式AI正风靡全球。近几个月来，我们见证了大量现成的和开源的大型语言模型(LLM)的爆炸式增长，如Meta的Llama 2、OpenAI的GPT-4、Anthropic的Claude 2，以及ChatGPT代码解释器和GitHub Copilot等工具。这个生态系统正在爆炸式扩张，并迅速改变着各个行业。
客户服务和支持就是一个获得了巨大提升的领域。通过运用LLM，组织能比过去任何时候都更快更个性化地回复客户查询。一个例子是达美航空的“Ask Delta”聊天机器人，它使用生成式AI来帮助客户订票、值机和追踪行李，从而使呼叫中心量大幅减少了20%。
在营销和销售方面，许多组织正在使用ChatGPT等生成式AI解决方案来撰写营销文案和评分线索。在人力资源领域，许多人力资源主管现在正在使用大语言模型进行招聘、绩效管理和指导。
同时我们也看到了生成式AI在软件开发领域取得的进步。像GitHub Copilot和Amazon CodeWhisperer等解决方案正在帮助开发者更快更准确地生成代码，大大减少了例行任务所需的时间和精力。
我可以继续举例，但总结一下：每个企业都渴望运用生成式AI，但实际应用中会遇到比想象中更多困难和阻力。
尽管现成的模型正在帮助许多公司开始使用生成式AI，但要在企业内大规模应用还面临挑战。这需要专业人才、新的技术栈来管理和部署模型、充足的预算来应对日益增加的计算成本，以及确保安全的防护措施。
过去几个月中我们见证的进步可谓惊人。虽然自然语言理解和处理不是全新技术，但现在变得更加易于获取。此外，这些模型的深度和功能在极短时间内就实现了指数级增长。
但是，对许多首席信息官来说，这些价值还不够明显。过去一年，许多组织削减了预算，盲目投资不在他们的考虑范围内。但这并不是可以置身事外的时机。AI有能力以难以想象的方式塑造企业。以下简要列出一些好处:
- 即时获取全球知识：这些模型通过训练所有公开数据，使人类全部知识都可以通过API或对话提示轻松获取。
- 达到人类水平的语言理解：这些模型具有理解和生成语言的能力，可以部分或全部自动化企业中的语言理解和写作工作。
- 代码解释和生成：像GPT-4代码解释器等先进模型可以理解和生成代码，实现与企业中的传统软件无缝对接。
- 内置多语言支持：开箱即用支持20多种语言，这些模型可以轻松实现全球化应用。
像GPT-4这样的大型语言模型(LLM)基于本质上具有概率特性的神经网络。这意味着对同样的输入，每次运行都可能产生略有不同的输出，因为模型结构中存在随机性，训练过程也具有随机性。这就是我们说LLM是“不确定的”的含义。
这种不确定性会以多种方式成为构建企业级业务应用的局限:
- 一致性：企业通常需要可靠、一致的结果，特别是在处理诸如金融、医疗或法律等敏感领域。LLM的不确定性可能导致输出不一致，在这些环境下会成问题。
- 审计性：在许多行业，审计和追溯自动化系统的决策非常重要。如果LLM做出一个决定或建议，后续无法复制相同输出，则审计和问责会变得困难。
- 可预测性：在许多商业场景下，基于确定输入预测系统行为至关重要。使用不确定模型难以保证特定输出，这使得规划和制定战略更具挑战性。
- 测试：测试是任何软件开发流程(包括业务应用开发)的重要组成部分。LLM的不确定性使编写和运行稳定、可重复的测试变得困难。
- 风险管理：由于LLM的概率性质，其输出总会存在不确定性。这可能增加业务应用中的风险，特别是在敏感领域。
尽管存在这些挑战，我们还是有方法来管理LLM的不确定性，例如使用集成方法、增加后处理规则或设置随机种子以获得可重复结果。但是，这些方法都存在取舍，无法完全解决问题。