📢 转载信息
原文作者：MIT Technology Review Insights
将AI模型训练成可预测设备故障的模型是一项工程壮举。但只有当预测与行动相结合——即模型成功标记出故障机器的那一刻——真正的业务转型才会发生。一个技术里程碑停留在概念验证的演示文稿中；而另一个则对企业的底线产生了有意义的贡献。
HPE全球数字前沿咨询高级总监Craig Partridge认为，“AI的真正价值在于推理（Inference）”。推理是AI发挥作用的环节。它是将所有训练投入到实际工作流程中的操作层。Partridge解释说：“我们称之为‘规模化和生产化的可信赖AI推理’，”他说。“我们认为，最大的AI投资回报将来自于此。”
要达到这一点非常困难。HPE全球数字顾问Christian Reichenbach指出，该公司最近对1775名IT领导者的调查显示：虽然近四分之一（22%）的组织已经实现了AI的业务化（高于去年的15%），但大多数组织仍然停留在实验阶段。
要进入下一阶段，需要采取三方面的措施：将信任确立为操作原则、确保以数据为中心的执行，以及培养能够成功扩展AI的IT领导力。
信任是规模化、高风险AI的先决条件
可信赖的推理意味着用户可以真正依赖他们从AI系统中获得的答案。这对于生成营销文案或部署客服聊天机器人等应用至关重要，但对于高风险场景——比如协助手术的机器人或在拥挤街道上行驶的自动驾驶汽车——则绝对是关键。
无论使用场景如何，建立信任都需要在数据质量上加大投入；最重要的是，推理结果必须建立在可靠的基础上。这一现实影响了Partridge的一个座右铭：“坏数据进，就意味着坏的推理出。”
Reichenbach以数据质量不足的真实世界案例为例——不可靠的AI生成内容（包括“幻觉”）充斥工作流程，迫使员工花费大量时间进行事实核查。“当出现问题时，信任就会下降，生产力提升无法实现，我们期望的结果也达不到，”他说。
另一方面，当信任被恰当地设计到推理系统中时，效率和生产力的提升也会随之增加。以一个负责故障排除配置的网络运营团队为例。有了可信赖的推理引擎，该团队就获得了一个可靠的副驾驶，它可以提供更快、更准确、量身定制的建议——Partridge称之为“一个他们以前没有的24/7团队成员”。
转向以数据为中心的思维与AI工厂的崛起
在AI的第一波浪潮中，公司争相招聘数据科学家，许多人将复杂的万亿参数模型视为主要目标。但如今，随着组织着手将早期试点转化为真实、可衡量的成果，焦点已转向数据工程和架构。
“在过去的五年里，更有意义的是打破数据孤岛、访问数据流并快速释放价值，”Reichenbach说。这是一种与AI工厂的兴起同步发生的演变——AI工厂是一个全天候的生产线，数据通过管道和反馈循环流动，以产生持续的智能。
这种转变反映了从模型中心思维向数据中心思维的演变，随之而来的是一套新的战略考量。“这归结为两点：有多少智能——即模型本身——是真正属于你的？以及有多少输入——即数据——是独特的，来自你的客户、运营或市场？”Reichenbach问道。
这两个核心问题影响着从平台方向、运营模式到工程角色以及信任和安全等所有方面。为了帮助客户梳理他们的答案，并将它们转化为可行的战略，Partridge分解了HPE的四象限AI工厂影响矩阵（见下图）：
- 运行（Run）：通过接口或API访问外部的预训练模型；组织不拥有模型或数据。实施需要强大的安全和治理。它还需要建立一个卓越中心，负责制定和传达AI使用决策。
- RAG（检索增强生成）：使用外部预训练模型，结合公司的专有数据来创造独特的见解。实施重点是将数据流连接到推理能力，以提供对全栈AI平台的快速、集成访问。
- 财富（Riches）：针对企业内部的数据训练定制模型，以实现独特的差异化机会和洞察。实施需要可扩展、节能的环境，通常还需要高性能系统。
- 监管（Regulate）：利用在外部数据上训练的定制模型，需要与“财富”象限相同的可扩展设置，但需要额外关注处理敏感的、非自有数据的法律和监管合规性，并采取极端谨慎的态度。
重要的是，这些象限并非互不排斥。Partridge指出，大多数组织——包括HPE本身——都在多个象限中运作。“我们构建自己的模型来帮助理解网络如何运作，”他说。“然后我们将这些智能部署到我们的产品中，这样我们的最终客户就有机会在我们所谓的‘运行’象限中交付。对他们来说，这不是他们的数据；也不是他们的模型。他们只是在组织内部增加了这项能力。”
IT的规模化时刻——并引领潮流
Partridge关于推理的口号的第二部分——“规模化”——谈到了企业AI中的一个主要矛盾：适用于少数用例的解决方案，一旦应用于整个组织时往往会失效。
“在实验和探讨想法方面是有价值的，”他说。“但如果你真的想看到AI的好处，它需要是每个人都能参与并解决许多不同用例的事情。”
在Partridge看来，将精品试点项目转化为全组织系统的挑战，恰好适合IT职能的核心能力——这是一个该职能不能坐视不管的领导机会。“IT负责将小规模的事情付诸实践，并实施所需的纪律以使其规模化运行，”他说。“因此，IT组织真的需要深入参与这场辩论。”
对于满足于袖手旁观的IT团队来说，历史提供了一个警示故事，源自上一次重大基础设施转变：企业向云端的迁移。十年前，在早期采用云计算的浪潮中，许多IT部门退出了决策过程，而业务部门则独立部署了云服务。这导致了系统碎片化、支出重复和安全漏洞，这些问题花费了数年时间才得以解决。
同样的动态也可能在AI中重演，因为不同的团队在IT的管辖范围之外试验工具和模型。这种现象——有时被称为“影子AI”——描述的是在缺乏监督或治理的情况下试点项目泛滥的环境。Partridge认为，大多数组织在某种程度上已经在“运行”象限中运作，因为员工无论是否被正式授权，都会使用AI工具。
现在，IT的使命不是禁止实验，而是为实验带来结构。企业必须构建一个数据平台战略，将企业数据与护栏、治理框架和可访问性结合起来，为AI提供支持。同时，关键是要继续标准化基础设施（例如私有云AI平台），保护数据完整性，并维护品牌信任，同时赋能AI应用所需的速度和灵活性。这些都是达到最终里程碑的要求：真正投入生产的AI。
对于走在实现这一目标道路上的团队，Reichenbach总结了成功的必要条件。“这归结于知道你在哪里竞争：何时更智能地运行外部模型，何时应用RAG使其信息更丰富，在哪里投入资源以从自己的数据和模型中挖掘财富，以及何时监管你无法控制的事物，”Reichenbach说。“获胜者将是那些为所有象限带来清晰度，并将技术雄心与治理和价值创造相结合的人。”
如需了解更多信息，请注册观看MIT Technology Review的EmTech AI Salon（特邀HPE参与）。
本内容由MIT Technology Review的定制内容部门Insights制作。它并非由MIT Technology Review的编辑人员撰写。它由人类作家、编辑、分析师和插画师进行研究、设计和撰写。这包括调查的撰写和数据的收集。可能使用的AI工具仅限于经过严格人工审查的二次生产流程。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区