长久以来,计算世界一直由Windows、Linux和Unix等传统操作系统所统治。这些平台构成了我们与计算机交互的支柱,使得软件能够顺畅运转、服务得以无缝运行。然而,生成式AI技术的兴起正在技术生态系统中引发范式性的转变。
生成式AI不再只是面向专项用例的高级工具。其正在深化为一种新的并行技术栈——类似于传统操作系统中的基础层,从根本上重新定义组织的运营、创新与竞争方式。随着我们步入生成式AI的新时代,智能体开始作为新的应用程序出现,而这一转变也将重塑各个行业的基本商业战略。
本文将探讨生成式AI如何迅速发展成为并行技术栈,以类似传统企业IT生态系统的方式演进转化。对于组织高层管理者来说,把握这种转变将至关重要,因为其极有可能颠覆运营方式并重塑市场竞争优势的具体形态。
生成式AI就是新的操作系统。
操作系统的作用,在于为硬件和软件之间提供基本接口。同样的,生成式AI如今正在以并行操作系统的形式出现,负责协调大规模计算基础设施与复杂应用程序之间的交互,而这些应用程序则被逐步改造为AI智能体这一全新形式。此番转变并不是简单的自动化或者增量式改进,而是对数字技术栈的根本性重构——从硬件到软件,AI将集成至其中每个层级。
传统计算技术栈由底层硬件、操作系统内核、实用程序、shell以及为最终用户服务的应用程序共同组成。每一层对于建立支持数字交互的整体环境都意义重大、不可或缺。
然而,生成式AI正在引入一股颠覆性变化:
在传统技术栈中,应用程序构建在操作系统之上,负责执行特定任务并为用户提供价值。在生成式AI技术栈中,AI智能体承担起了这些应用程序的角色,但其能力又远远超过了传统软件。AI智能体具有自主性,能够与环境交互、从数据中学习,并执行从客户服务到软件开发的多领域任务。
对于高层管理者而言,AI智能体的兴起带来了新的战略机遇。这些智能体可以充当个性化助理,简化工作流程与管理运营,甚至根据数据驱动的洞察做出决策。与大多数操作都离不开人为干预的传统软件不同,AI代理能够自主运行,不断学习和改进。这种转变对于运营效率和客户参与度都具有重大影响。
以客户支持为例。过去,企业依靠脚本聊天机器人与人工客服的组合来处理客户查询。如今,由生成式AI模型驱动的AI智能体不仅能够理解和回答各种自然语言形式的问题,还可以预测客户需求并在问题出现之前将其解决。这种更高的完善度使得公司能够在提升客户体验的同时,降低运营成本。
对于高层管理者来说,从传统操作系统驱动型应用程序向着生成式AI技术栈的转变,代表的不仅仅是技术层面的演进,更是企业运营、创新与竞争方式的战略升级。
要想引领这一转变,领导者们应当考虑以下几点:
拥抱新技术栈:应用生成式AI并将其作为并行技术栈已经不再只是可选项,而是一种必要手段。如果无法将这些技术整合到运营流程当中,组织很可能将落后于那些成功达成这一目标的竞争对手。早期采用者已经体验到了生成式AI带来的决策能力增强、运营效率提高以及客户体验改善等优势。
重新定义IT基础设施:过渡到AI驱动的硬件和基于云的基础设施,要求我们重新评估自己的IT架构。传统服务器和本地数据中心可能不再适合AI工作负载。相反,组织需要专门的AI硬件和云平台来提供生成式AI系统所需要的可扩展性与灵活性。
依托AI智能体实现自动化:AI智能体不仅仅是种高级应用程序,同时也是能够跨职能处理复杂任务的自主系统。通过在营销、运营和财务部门部署这些智能体,企业可以降低运营成本,同时改善决策与服务交付能力。
投资人才与培训:虽然生成式AI具有巨大潜力,但也需要搭配专业技能方可起效。高层管理者必须确保其团队具备使用AI模型、嵌入及智能体的能力。投资AI培训并引入具有AI开发专业知识的人才,将成为保持竞争优势的关键所在。
培育创新文化:作为新的操作系统技术栈,生成式AI的兴起为创新提供了前所未有的广阔机会。鼓励尝试AI的公司将获得先发优势,更有能力开发出新的产品、服务与商业模式。高层管理者也应专注于引导并营造能够支持AI驱动探索的创新文化。
生成式AI向着并行操作系统技术栈的演变已经在推进当中。随着这项技术的发展成熟,我们将见证AI模型、智能体以及基础设施的进一步发展。对于高层管理者来说,这种转变既带来了挑战、也象征着新的机遇。谁能积极拥抱这一全新技术栈,谁就有望在所处行业中占据领先地位、释放新的效率极限、提高客户参与度并创造出更具创新性的产品和服务。
在未来几年,AI智能体很可能会变得与传统应用程序一样无处不在,而有效运用它们并发挥其专长的企业将获得显著的竞争优势。生成式AI正在塑造新的未来,而关于把握其潜力的市场参与者必将在这个前所未有的数字时代蓬勃发展、繁荣兴盛。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。