至顶网软件频道消息:据Gartner预测,2018年人工智能(AI)产生的全球商业价值预计将达到1.2万亿美元,比2017年增长70%。预计到2022年,人工智能带来的商业价值将达到3.9万亿美元。
Gartner 的这项预测,评估了Gartner覆盖的所有企业垂直行业的人工智能总体商业价值。主要有三种不同的人工智能商业价值来源:客户体验、新收入和成本降低。
- 客户体验:对间接成本的正面或负面影响。客户体验是人工智能技术广泛应用的必要先决条件,以充分发挥其潜力并实现价值。
- 新收入:增加现有产品和服务的销售额,以及/或者创造超出现有的新产品或服务机会。
- 降低成本:降低生产和交付这些新产品或现有产品及服务的成本。
Gartner研究副总裁John-David Lovelock表示:“由于计算能力、数量、速度和数据的多样性,以及深度神经网络(DNN)方面所取得的进步,未来10年人工智能将成为最具破坏性的技术。在2017年到2022年期间,企业采购的人工智能增强型产品和服务的最大来源之一,将是可以很好地满足某个需求的利基解决方案。业务主管将推动对这些方案产品的投资,对数千家专注细分领域、特定人工智能增强型应用的专业供应商进行筛选。”
人工智能的商业价值增长,呈现出与新兴技术相关的典型S形曲线。2018年,增长率约为70%,但到2022年将有所放缓(见表1)。2020年之后,曲线将趋于平缓,导致未来几年增长率降低。
表1:全球人工智能带来的商业价值预测(单位:十亿美元)
来源:Gartner(2018年4月)
“在人工智能的早期阶段,客户体验(CX)是创造商业价值的主要来源,因为企业组织看到了使用人工智能技术改善客户交互的价值,其目标是加速客户增长和留住客户。除了客户体验之外,另一个因素是降低成本,企业组织正在使用人工智能来提高流程效率,以改善决策和自动执行更多任务。然而到了2021年,随着企业发现使用人工智能可以增加现有产品和服务销售额的商业价值,以及发现新产品和服务的机会,新收入将成为主要来源。因此从长远来看,人工智能的商业价值将是带来新收入的可能性。”
如果按照人工智能类型划分全球商业价值的话,决策支持/增强(如DNN)将占2018年全球人工智能商业价值的36%。到2022年,决策支持/增强这一类别将超越所有其他类型的人工智能项目,占全球人工智能商业价值的44%。
“DNN让企业组织可以对大量没有量化和分类的数据集进行数据挖掘和模式识别,打造可以对复杂输入进行分类的工具,然后对传统编程系统进行分类。这让决策支持/增强算法能够直接使用以前需要人类对其进行分类的信息。这一能力对企业组织实现决策和交互过程自动化的能力将产生巨大影响,这种自动化水平降低了成本和风险,通过更好的微目标定位、细分、市场营销和销售增加了收入。”
虚拟代理让企业组织可以降低人力成本,因为虚拟代理可以接管呼叫中心、帮助台和其他服务人员的简单请求和任务,而将更复杂的问题交给人类工作人员。虚拟代理还可以提高收入,例如用于金融服务或呼叫中心的机器人顾问。作为虚拟员工助理,虚拟代理可以帮助做日程安排和其他管理任务,从而释放员工的时间用于更高附加值的工作,以及/或者减少对人类助理的需求。2018年虚拟助理占到了全球人工智能商业价值的46%,到2022年占26%,因为其他类型的人工智能已经逐渐成熟,并为商业价值做出贡献。
决策自动化系统使用人工智能来实现任务的自动化或者业务流程的优化。这种系统特别适用于将语音翻译为文本或者将文本转换为语音、处理手写表单或图像、以及对常规系统无法访问的其他数据内容进行分类。由于非结构化数据和模糊性是企业面临的基本问题,因此决策自动化将为企业带来巨大的商业价值。目前,决策自动化仅占2018年全球人工智能商业价值的2%,但到2022年将增长至16%。
2018年,智能产品将占全球人工智能商业价值的18%,但随着其他基于DNN的系统逐渐成熟,并超过智能产品对商业价值的贡献,到2022年这部分将减少到14%。智能产品中嵌入了人工智能,通常采用云系统的形式,可以集成来自多个系统和交互的关于用户偏好的数据。这些产品不断了解用户和用户的偏好,以实现用户体验的超级个性化并推动参与度。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。