本文编译自Gartner
过去一年，基于大模型的生成式AI发展极为迅猛，其应用呈现爆发式增长。据Gartner调查，生成式AI迅速在各业务部门与组织中广泛应用，成为最常用的人工智能技术之一。这不难理解，毕竟它既能助力日常业务发展，又具备变革性突破的可能。
不过，Gartner提醒企业：生成式AI并非万能。它只是广阔人工智能领域的一部分。多数业务问题的解决，通常需要多种人工智能技术协同配合。若忽视这点，就容易高估生成式AI的作用，在不恰当的场景中应用，最终难以达到预期成效。
企业该如何判断与选择呢？可借助这份指南，精准判断何时使用生成式AI、何时采用其他人工智能技术，以及何时将二者有效结合。
人工智能不是围着生成式AI转
评估生成式AI是否适用于自身业务场景时，首先要明确，不论采用哪种AI技术，目的都是为企业创造价值，并且在实际操作中具备可行性。
将自身业务场景与相关类别对照，能发现生成式AI在不同领域适用性差异明显。
– 非常有用：在内容生成、对话式用户界面、知识发现等方面；
– 比较有用：在细分/分类、推荐系统、感知、智能自动化、异常检测/监控等场景；
– 几乎没用：在预测/预报、规划、决策智能、自主系统等领域。
此外，若生成式AI带来的风险无法接受且难以有效解决，那么它显然不适合该业务场景。
常见的生成式AI风险包括：如输出不可靠、数据隐私隐患、知识产权纠纷、责任界定不清、网络安全威胁、法规合规问题等，这些风险可能单独或相互交织出现。
合理选用其他人工智能技术
如果您只有生成式AI这把”锤子”，那么在您眼里，一切看起来都像是生成式AI的”钉子”。
对于生成式AI“比较有用”和“几乎没用”的领域，企业可关注其他人工智能技术。
常见成熟技术，如非生成式机器学习（ML）、优化算法、模拟技术、规则/启发式方法、知识图谱，都值得深入研究。因果人工智能、神经符号人工智能、基于第一性原理的人工智能等新兴技术，也展现出潜力，值得持续关注。
在投入生成式AI研究前，先尝试简单的替代技术是明智之举。这些技术通常风险更低、成本更低，理解起来也更容易，能为企业探索人工智能应用提供更稳健的开端。若一味依赖生成式AI，容易陷入技术应用的误区。
推动生成式AI与其他技术融合
各种AI技术并非相互独立，而是可相互融合发挥更大效能。生成式AI与其他技术结合，往往能提升准确性、透明度和性能，同时降低成本与数据需求。
不同技术组合能衍生出多样有效场景。例如，
– 非生成式机器学习和生成式AI模型结合，可用于细分和分类、合成数据生成、计算机视觉；
– 优化/搜索技术与生成式AI模型协作，能提升企业搜索效率；
– 模拟技术搭配生成式AI模型，可加速模拟进程；
– 图谱技术和生成式AI模型结合，有助于知识管理和检索增强生成；
– 基于规则的系统与生成式AI模型协同，能为聊天机器人、智能投顾、专业自然语言生成赋能。
Gartner高级总监分析师莱纳尔·拉莫斯（Leinar Ramos）指出：“能够巧妙整合各类人工智能技术的组织，将具备独特优势，可打造出性能卓越、成本可控且数据依赖度低的人工智能系统。”
总之，企业应用生成式AI时需保持理性，切勿盲目跟风。
一方面，要警惕生成式AI的过度炒作，避免在不恰当场景应用，增加项目复杂度与失败风险；另一方面，不能只关注生成式AI，而忽略其他更成熟、适用的人工智能技术，毕竟它们才是解决多数业务问题的关键。
Gartner建议，企业应积极探索技术融合，构建更强大、稳健的人工智能系统，让不同技术相互补充，助力企业发展。
