就如同多數新科技問世後，在一陣新奇感後，生成式人工智慧（Gen AI、AIGC）也進入「市場在哪裏？」的現實挑戰，很多人提出AIGC熱潮已消退的說法，但落地的亮點應用其實也有不少，本文將探討AIGC當前的發展亮點與挑戰為何。
AIGC當前發展亮點
1. 增加能力：AI作為輔助工具
AIGC目前的應用更集中於“增強”而非完全的“自動化”。與完全取代人類工人相比，AI越來越多地被用於增強人類的能力，在編碼（如GitHub Copilot）、寫作和研究等領域充當輔助工具。這種方法降低了員工的抵制，並幫助在不完全依賴自動化的情況下提供增量價值。
認識GitHub Copilot（Source）
2. 結合RPA：與現有業務流程的整合
要使生成式AI繁榮，它必須無縫整合到現有的企業系統中。目前應用的一大重點在於將AI整合到傳統的業務流程中，例如客服（通過精細調整的生成式模型的聊天機器人）、個性化營銷以及自動化報告生成。將AI與機器人流程自動化（RPA）結合，可以幫助簡化這些流程，為企業提供明確的價值。（延伸閱讀：【自動化工作流程】n8n整合AI之常見應用及創建流程）
RPA與AI的協作藍圖（Source）
3. 人類參與的系統（Human-in-the-Loop, HITL）
為了減少可靠性問題，“人類參與”系統變得越來越受歡迎。HITL就是一種將人類參與融入人工智慧（AI）系統中的方法，讓人類在AI系統的訓練、運行或結果驗證過程中進行監督和干預。在這些系統中，人類專家監督和微調AI生成的輸出。這種合作方式增強了信任並確保質量，使得在醫療和金融等敏感領域中部署AI變得更可行。
Human-In-The-Loop示意圖（Source）
AIGC面對的挑戰
AIGC的熱潮似乎正在消退，這背後涉及多種因素，如擴展性挑戰、成本效益、監管問題以及實際整合的困難。以下是對這一現象的解釋：
1. 高昂的計算成本
生成式AI模型，特別是像GPT-4這樣的大型語言模型（LLM），需要龐大的計算資源來訓練，且在部署過程中需消耗更多資源。維持這些服務所需的高性能GPU和持續的推理計算成本非常昂貴，這限制了許多企業能夠有效地實施和利用這些工具。
2. 數據和能源消耗
訓練這些模型需要大量的數據集和能源，這引發了對AI技術可持續性和可擴展性的質疑。對於AI技術的環境影響的批評越來越多。
3. 商業應用有限
儘管生成式AI展現了令人印象深刻的創造能力，但在如何將其應用於實際、創收的場景中仍存在限制。許多企業難以將AIGC的創造潛力轉化為具有實際價值的解決方案，這使得其應用更多地局限於藝術或文本生成等新奇用途。
4. 質量和可靠性問題
雖然技術有進展，生成式AI仍面臨質量問題，例如產生錯誤或不合邏輯的內容（即“幻覺”）。許多企業難以在關鍵業務中信任這樣的系統。缺乏精確性和難以達到高準確率，成為大規模應用的一個障礙。
5. 監管和倫理考量
關於數據隱私、版權侵權和AI倫理使用的監管審查越來越多。許多國家正在提出或制定法律來規範生成式AI的使用。對於誤導性信息、數據安全和知識產權的擔憂也導致公司採取更加謹慎的態度。
AIGC技術發展方向
1. 專業化AI模型
接下來的趨勢可能是開發更多專業化、針對特定領域的AI模型，而不是依賴於單一大型的通用模型。行業專用的AI模型，基於特定行業的數據進行訓練，可以提供更實際和有效的解決方案。這種方法有助於降低成本並提高可靠性。
2. 混合AI解決方案
將生成式AI與其他AI技術結合，如強化學習或符號AI，有助於克服當前的局限性。混合解決方案可以創建更具推理能力的系統，優化決策過程，並減少目前模型中的幻覺問題。
3. 高效與可持續AI
目前正在將重點轉向讓AI變得更高效。通過模型剪枝、蒸餾、量化等技術來減少計算需求的同時保持性能。開發更小、更高效的模型（例如TinyML）和在邊緣端執行的AI技術進展，將幫助AI變得更加普及並減少能源消耗。
4. AI監管與負責任的AI發展
隨著監管的增多，我們將看到更多對倫理和負責任的AI發展的重視。公司和政府越來越專注於AI的公平性、透明性和問責性。可解釋的AI（Explainable AI，XAI）將在未來扮演更重要的角色，使模型對人類更具理解性，並確保符合相關法規。
小結
雖然生成式人工智慧的初始熱潮似乎正在消退，但這項技術其實在特定領域已獲得肯定與重視，並進入更成熟的階段。未來的技術方向則朝著更具針對性的應用、更高效的運行以及負責任的發展。在應用面上將從追求泛用的“酷炫效果”轉向更實際地解決問題，並逐漸受到小型、專業化模型以及混合方案的青睞。
未來的發展將可能包括AI增強人類工作、融入更廣泛的企業流程、並聚焦於行業專用解決方案，而不是試圖涵蓋所有領域。這一演變將使AI對商業採用變得更加實用、可靠和有價值，並且強調倫理和可持續的增長。
- 【科技趨勢】AIGC當前的發展亮點與挑戰 - 2024/10/03
- 【自動化工作流程】n8n整合AI之常見應用及創建流程 - 2024/10/02
- 【RAG for Vision】如何結合RAG建構Multimodal電腦視覺系統 - 2024/09/30
.jpg)
.jpg)