a16z:生成式AI下個趨勢?從信息生成到信息合成

原文作者:Zeya Yang、Kristina Shen

原文標題:For B2B Generative AI Apps, Is Less More?

原文來源:a16z

編譯:阿法兔

生成式AI在B2B場景應用的變化

過去幾年大家見證了大語言模型(LLM)逐步成為主流,並研究了這項技術在B2B領域的應用情況。儘管取得了巨大的技術進步,但我們認為,我們仍處於B2B用例的生成式AI應用的早期——第一波浪潮之中。隨著各公司逐步開發自己的應用,並且開始尋求圍繞產品建立護城河,我們預計很多業務中的目標和實現方法,將會迭代到“第二波浪潮“之中。

如何理解這裡的“迭代”?

到目前為止,絕大多數生成式AI應用,都集中在信息divergence 之上。也就是說,目前的應用,主要是根據一組指令,來創造新的內容。

而在第二波生成式AI浪潮之中,相信市場會見證更多用於信息匯集的生成式AI應用,這些應用會通過綜合現有信息,向我們展示更精細化、篩選出來的內容(That is, they will show us less content by synthesizing the information available.)為了和第一波生成式AI浪潮進行區分,我們把第二波生成式AI浪潮,稱為合成人工智能(”SynthAI”)。

雖然第一波生成式AI浪潮在應用層創造了一些價值,但第二波生成式AI浪潮將帶來下一步功能變化。

那麼,下一步,生成式人工智能在B2B的解決方案會是什麼走向?

結論是:B2B解決方案之間的PK,將不會把重點放在令人眼花繚亂的AI技術能力,而更關注這些技術層面的能力,將如何幫助企業用戶具備(或重新定義)更有價值的企業工作流程。

第一波生成式AI浪潮:跨越從C端用戶到企業的橋樑

為了分析第一波生成式AI浪潮,首先我們要對B2C和B2B應用進行區分。當我們作為消費者,應用生成式人工智能時,我們的目標是以玩耍、娛樂和分享為導向。在娛樂層面,質量和正確性並不是最重要的:而讓人工智能模型生成藝術或音樂這類功能更為重要,因為我們可以在Discord頻道中分享,當然也會很快就會忘記它。大家通常會有一種心理傾向,認為更多的內容=生產能力=好,所以,用戶通常會被吸引到生成式的、自動創造的AI工具。

舉個例子:ChatGPT的興起,就是很具備說服力的案例:因為用戶真的容忍了這個聊天機器人很多質量上的缺陷,就是因為大家能用它,生成更豐富的內容,並且分享,令人印象深刻。

當涉及到B2B應用時,業務目標就不同了。這裡的目標,主要是圍繞時間和質量的成本效益評估。我們要么希望能夠用同樣的時間產生更高的質量,要么希望產生同樣的質量,但是速度更快。

人們使用B2B應用主要是在工作場所,在這類的場景中,質量更重要。然而,今天人工智能生成的內容,主要是為重複性和低風險的工作提供的,這種業務層面上,要求通常不高。例如,生成式AI很可以為廣告或產品描述撰寫文案,許多這個領域的B2B應用,表現出明顯的增長態勢。

但我們隨後也發現,生成式人工智能在撰寫意見或論據方面確實不可靠(即使AI生成的內容令人信服或有信心,它也往往無法達到我們想要的準確程度)注意,當涉及到B2B生產環境中的創新和合作時,這一點更重要,大模型生成SEO信息也許是可用的。但是,如果讓它為開發者撰寫一篇詳細新產品的博客文章,將會需要不小的人力去完善,以確保這篇文章是準確的,與目標受眾產生共鳴。

另一個常見例子是AI用於編寫銷售的電子郵件,生成式AI對於普通的、冷冰冰的冷啟動郵件是很有用的,但對於準確的個性化郵件來說就不太可靠了。從一個優秀銷售的角度來看,生成式AI有助於在更短的時間內寫出更多的電子郵件,但要寫出能提高回复率,並帶來訂單的電子郵件(這也是對銷售代表的評價),銷售代表還是需要仔細研究,並通過自己判斷,了解潛在客戶想听什麼。

從本質上講,在頭腦風暴和早期,第一波生成式人工智能對於更實質性的寫作是成功的,但最終,越是需要創造力和領域內人專業知識,就越需要人為完善。

重構工作流程,有何代價?有何好處?

即使在生成式AI對較長的博客文章有用的情況下,你的Prompt必須是精確的。也就是說作者必須已經對代表自己博客文章的實質概念,具備清晰認識。然後,為了得到良好的結果,作者必須對AI輸出的結果進行審查,迭代Prompt,不行的話,還要重寫整個章節。

這裡有個例子是用ChatGPT來生成法律文件,需要熟悉法律prompt的人提供所有需要的條款,然後ChatGPT可以用這些條款來生成草案。注意,AI不能執行當事方之間的談判過程,但一旦所有關鍵條款都確定下來,生成式AI就可以出品較長的法律類文件草稿。不過,這些工作仍需要職業律師對它進行審查,編輯輸出,以使這項文件達到可以簽署的出品樣本。

這也是為什麼這類成本+效益評估模式,會在B2B背景下打破。

知識工作者正在評估如何工作流程中增加一個額外的AI功能的步驟是否值得花時間?是否應該還是由我們自己做?

第二波生成式AI浪潮:

匯聚信息,從而改善決策

當我們進入第二波生成式AI浪潮的時候,焦點會從信息生成轉向信息綜合。注意,在知識工作中,決策能力具備巨大價值,而員工的報酬是根據不完善信息做出決定,而不一定是單純執行或解釋這些決定而產生的內容數量而決定的。在許多情況下,更長的時間並不意味著更好。

許多常識和公理都支持下列觀點:

1.代碼行數不是衡量工程生產力的好方法2.更長的產品內容,不一定就能起到更清楚的說明作用3.更長幻燈片,也不一定能提供更多見解

Hex公司創始人Barry McCardel認為,人機可以共生,比如說LLM如何能夠改善我們的工作方式?

“AI在這裡是為了增強和改善人類的能力,而不是取代人類。

因為當涉及到理解世界和做出決策時,人類一定要參與其中。人工智能能做的是幫助人類將更多的腦電波,應用於有價值的、創造性的工作,這樣我們不僅能在一天中花更多的時間來做重要的工作,而且還能解放自己,從事最有價值的工作。 “

那麼,AI如何改善人類的決策?法律專家需要專注於綜合和分析,提高決策的質量和/或速度(上面的B2B圖),明顯的應用是,去總結人類自己永遠無法直接消化的大量信息。

SynthAI在未來的真正價值是,幫助人類更快地做出更好的決定。

這裡的設想幾乎與ChatGPT的用戶界面相反:與其根據簡明的Prompt寫出長篇大論的回复,如果我們能從海量數據中,逆向設計出總結的簡明提示,會怎麼樣? (Instead of writing long-form responses based on a concise prompt, what if we could reverse engineer from massive amounts of data the concise prompt that summarizes it? )

這將有機會,讓我們重新思考用戶體驗,使其盡可能有效地傳達大量的信息。例如,像Mem這樣由AI技術驅動的知識庫,保存著某個組織中的所有會議筆記,可以主動對相關的決策、項目或人發起建議,當組織中的角色開始一個新項目時,應該參考這些決策、項目或人,從而節省了他們瀏覽先前機構沉澱知識的數個小時(甚至幾天)的時間。

回到上面一個對外發送營銷郵件的例子,一個潛在的表現是,AI可以識別目標客戶,究竟在何時會處於最高水平的購買意圖(基於新聞報導、人才遷移等),並提醒相關銷售代表。然後,人工智能模型將根據綜合研究,建議在電子郵件中提一兩個最重要的問題,以及與想要銷售的目標客戶最相關的產品功能。

這些輸入,可以被輸入到第一波生成式AI帶來的解決方案中,但其價值來自於綜合階段,並為銷售人員,節約了對單一潛在客戶的研究時間。

確保這種綜合信息質量足夠高的根本轉變是,從大規模的通用模型轉向能夠應用多種模型的架構,包括在特定領域和特定用途的數據集上訓練的更精細模型。例如,某個構建客戶支持應用的公司,會使用以支持為中心的模型,該模型可以訪問公司的歷史支持票據,但在其他情況下又會回到GPT。在建設專有微調模型和數據集壁壘,這些組件會成為公司速度和質量的護城河。

SynthAI的部署

當我們思考,第二波生成式AI浪潮可能是什麼樣的時候,我們相信從SynthAI中,受益最大的應用場景將是以下兩種情況:

1.存在大量信息的場景,人類很難手動篩選所有的信息。 2.高信噪比場景,主題或抽像出來的觀點必須具備準確性

人工智能對工作流的改造,會帶我們走向一個新的生產力時代。

聲明:本內容為作者獨立觀點,不代表0x财经 立場,且不構成投資建議,請謹慎對待,如需報導或加入交流群,請聯繫微信:VOICE-V。

來源:a16z

Total
0
Shares
Related Posts