如果说2024年是生成式AI之年，那么2025年将是设定合理预期之年。
译自 Why Agentic AI Could Be Doomed To Fail, and 3 More AI Predictions for 2025，作者 Barr Moses。
根据科技行业预测者预测，2024年将成为生成式AI的丰收年。实际用例正在出现，新技术正在降低进入门槛，通用人工智能指日可待。
但情况真是如此吗？
嗯，差不多吧。如果2024年是生成式AI之年，那么2025年将是设定合理预期的一年。
展望未来，生成式AI仍将是商业领袖关注的焦点，但这种讨论正变得更加务实。在本文中，我将回顾我们取得的进展、尚未完成的工作，以及更多关于新年人工智能未来的热门观点。
假设你目前正在风险投资池附近游泳。在这种情况下，你可能会经常听到几个术语：“副驾驶”，这是一个用于完成单个步骤的AI的别称（“纠正我糟糕的代码”），以及“代理”，这是一个可以收集信息并用它来执行任务的多步骤工作流程（“写一篇关于我糟糕代码的博客并发布到我的WordPress上”）。
毫无疑问，我们在2024年看到了许多成功的AI副驾驶（问问Github、Snowflake、微软回形针等等），但AI代理呢？
虽然“自主式AI”在给客户支持团队制造混乱方面很有趣，但看起来它很快就会成为它所能做的一切。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的最新水平。大多数AI相当于一名高中生。但如果你有三个步骤的准确率为75-90%，那么你的最终准确率大约为50%。
我们训练大象绘画的准确率都比这高。
大多数AI代理在其目前的性能下投入生产将是有害的，而不是为组织带来收入。我们需要首先解决这个问题。
虽然讨论它们很重要，但除了演示之外，没有人取得任何成功。无论硅谷的人们多么喜欢谈论AI代理，这种谈话并不能转化为性能。
与任何数据产品一样，GenAI的价值体现在两个方面：降低成本或产生收入。
在收入方面，你可能会使用GenAI驱动的聊天机器人或推荐系统。这些工具可以产生大量的销售渠道，但这并不一定健康。因此，如果它没有产生收入，AI就需要降低成本——在这方面，这项新兴技术肯定已经站稳了脚跟。
对我来说，如果满足以下三个标准之一，AI用例就提供了降低成本的机会：
- 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紧张而造成的职位空缺
- 它正在解决紧急的招聘需求
一个充分利用GenAI成本节约潜力的绝佳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，该机器人使用RAG来回答内部团队成员关于公司数据的问题。这使得技术水平较低的团队成员能够更快地获得关于其数据的可靠答案，并节省了他们宝贵的时间，这些时间可以更好地用于帮助利益相关者创造收入。
开源与托管的争论由来已久。但当涉及到人工智能时，这个问题变得更加复杂。
在企业层面，这不仅仅是控制或互操作性的问题——尽管这当然可以发挥作用——而是运营成本的问题。
最大的B2C公司将使用现成的模型，而B2B公司将倾向于使用更小、更便宜的专有模型。 对于这些公司的数据领导者来说，这不仅仅是金钱问题。小型模型也能提高性能。像谷歌一样，大型模型旨在服务各种用例。用户可以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才能提供相关的回应。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，并且其输出随着时间的推移会变得越错误。
此外，ChatGPT和其他托管解决方案经常在法庭上受到挑战，原因是其创建者声称他们无权使用这些模型所基于的数据。在许多情况下，这可能并非错误。
除了成本和性能之外，这一因素可能会影响专有模型的长期采用——尤其是在监管严格的行业——但其影响的严重程度仍不确定。当然，专有模型也没有坐以待毙。
专有模型已经积极降价以刺激需求。像ChatGPT这样的模型已经降价约50%，预计在未来六个月内还会再降价50%。这种降价对于希望在人工智能军备竞赛中竞争的B2C公司来说可能是一个急需的福音。
在生产中利用非结构化数据的想法并非什么新鲜事——但在人工智能时代，非结构化数据已经扮演了全新的角色。
根据IDC的一份报告，只有大约一半的组织非结构化数据正在被分析。
2025年，这一切都将改变。
企业人工智能的成功主要取决于用于训练、微调和增强它的各种非结构化数据。随着越来越多的组织寻求将人工智能用于企业用例，对非结构化数据——以及正在兴起的“非结构化数据堆栈”——的热情也将持续增长。
一些团队甚至正在探索如何使用额外的大型语言模型来构建非结构化数据，并增加其在额外训练和分析用例中的实用性。
确定贵组织中存在哪些非结构化的一方数据，以及如何为您的利益相关者激活这些数据，对于希望展示其数据平台业务价值（并希望在此过程中为优先项目争取额外预算）的数据领导者来说是一个新的机遇。
如果从这份清单中有一点非常清楚，那就是技术领导者不仅在识别差距，还在发现有价值的难点。随着新年的临近，人工智能标准和最佳实践将被引入。
流程、价值和可扩展性将是2025年的优先事项。到2026年，我们将只讨论能够兑现这一承诺的技术。