编者按:大家复工愉快!《我从事AI事业这一年》是Zion AI实验室推出的一个年度访谈,目的是邀请从业者们谈谈过去一年AI业务上的真知灼见——他们有人做投资、有人从AI培训入手、有人做AI应用开发的基建工具、也有人针对保险、营销、数据分析等垂直领域做解决方案。不管是什么,躬身入局者有话要说,以下是他们的分享,希望能够对大家有帮助。
1. 躬身入局AI这一年,用三个词描述你的感受?
机遇:AI技术取得了前所未有的进展
贫瘠:落地使用的场景尚不多
闭塞:信息差很大
2.在落地AI的过程中,你选择了什么场景?为什么?
1)售后客服
客服的本质是理解问题,并且根据规则进行信息的搬运和简单的组装;
超过预设场景的疑难问题,客服是需要escalate给supervisor的;
客服的需求量比较动态,在类似618或者双11的出单高潮之后,会有大量的客服需求,而招聘和培训的过程是典型的经济黏性;
AI 很好地解决了问题理解,大部分规则可以直接固化在prompt里面,信息则可以用常见的IR(information retrieval)或者embedding+ANN(人工神经网络)来解决。escalation可以通过结构化输出来解决。AI也很好地解决了客服的动态需求量问题。
2)售前客服
任何复杂、非标准的交易中,售前的存在都会显著增加成交率;
中国的消费者有比较强的惰性,不太愿意自己进行research;
售前的本质也是理解问题,并且根据规则进行信息的搬运和简单的组装;
一个好的售前培训成本很高,而大部分时间解决的问题并不需要过高的水平,但是多个等级的售前之间的上下文传递成本也很高,和售后几乎完全类似。
3)AI无代码
目前正确地使用AI来解决流程自动化的问题还是绝大多数企业;
研究机构已经开始逐渐发掘出所谓正确使用AI的方法;
利用好规则+数据,尤其是动态变化的数据,是使用好AI来做好流程自动化的基础;
ZION的工具非常擅长做动态数据的获取。
3. 在应用AI或落地AI的过程中,哪些技术实现问题曾让你头疼?
1)早期的AI模型边际成本过高;
2) 基于embedding和ANN(人工神经网络)的RAG,天花板太低;
3)输出的Token per second太低,会造成各种UX问题OpenAI的GPT4 vision;
4)对非拉丁字符的处理能力几乎等于0;
5)早期的AI模型上下文太小;
4.在落地AI应用的过程中,哪些成绩或者瞬间让你充满了希望?
1)GPT4 turbo降本+加速+增加了上下文大小;
2)Gemini发布,从此AI不再一家独大;
3)Gemini对非拉丁字符的处理非常不错,直接打开了可能性;
4)尝试了多种形态的retrieval,理解到了传统IR的作用;
5)在不到一天的时间内做出了一个总结自己微信聊天内容的工具;
6)意识到了AI的出现,会大幅增加打破信息孤岛的需求;
5. 在AI这个方向上,明年有什么目标?
做一个中国最好的无代码AI智能体搭建器,并集成到ZION中;
1)增加多模态的能力;
2)嵌入现有产品流程里来。
1. 躬身入局AI这一年,用三个词描述你的感受?
第一个感受是兴奋:因为每天都可以学到新东西,这是一个充满机会和希望的赛道。
第二个感受是要聚焦:因为觉得有太多可以做的事情了,精力就会严重分散。所以不能什么都做,还是要选择一件事情聚焦去做,其他方向暂时放弃。
第三个感受是要耐心:尽管AI会在未来彻底改变人类社会,但改变不是一朝一夕。回到现实中,要生存下去,最重要的还是赚钱活下去。所以对长期有耐心很重要。
2.在落地AI的过程中,你选择了什么场景?为什么?
我最终没有选择自己去开发AI产品,而是定位在提供AI知识、培训和咨询。
因为目前AI前沿的技术迭代太快了,你基于当前技术开发的产品,很可能几个月之后完全就不适用了。在现在这个阶段开发产品,风险其实非常高。
而目前在国内,实际上AI的普及率是极低的,大部分公司和个人并没有真正落地使用。因此培训,咨询和知识普及还是市场空间非常大的。
3. 在应用AI或落地AI的过程中,哪些技术实现问题曾让你头疼?
大语言模型的黑盒问题。
在企业应用中,一般都要求精确性。但AI大语言模型本质上是一个黑盒,我们无法事先确定模型输出的内容是否100%符合我们的预期。这导致在企业应用中,特别是对容错性要求很苛刻的情况下,很难达到满意的效果。
4. 在落地AI应用的过程中,哪些成绩或者瞬间让你充满了希望?
使用GPT的code interpreter,发现它的数据分析非常强,甚至超过很多数据分析师,是令我感到惊讶的。因为这意味着AI未来的潜力极大。
5. 在AI这个方向上,明年有什么目标?
2024年在AI方向上,我的目标就是更加关注客户一些,早点赚钱,形成良性反馈。
1. 躬身入局AI这一年,用三个词描述你的感受?
专注,挑战,迭代
2. 在落地AI的过程中,你选择了什么场景?为什么?
选择了AI+数据的2B领域。在过去20年的观察中,我们意识到多数企业虽然实现了信息化,但内部数据往往未能充分利用,这让我们深感意外,原因是
随着人工智能大模型的出现,我们看到了一个机会:利用这些先进技术,打造一个既通用又易于上手的对话式的AI数据处理工具。因此,我们组建了这个团队,致力于开发Xander(玄策)——一个面向大众的AI数据分析产品。
3.在应用AI或落地AI的过程中,哪些技术实现问题曾让你头疼?
1)怎么快速理解对话内容:在有限的资金和资源的情况下,需要基于LLM打造一套体系去理解自然语言,摒弃掉传统的自然语言技术方法,需要大胆创新和尝试;
2)怎么理解行业“黑话”:数据“指标”是理解行业黑话的方法,怎么让自然语言和数据库的数据的对应关系进行关联;怎么让指标搭建AI化,降低人工成本。
3)怎么设计企业交付的标准以及如何收费用:企业怎么收费,怎么才能保证投入产出比合理的情况下,向用户收费,不能亏钱;
4)怎么保障企业数据的安全:这往往是企业挑战最多的问题,需要针对不同情况做方案的挑战
5)AI工程体系如何搭建,能做到减少AI幻觉且生成的内容准确——这是所有做AI AGENT的团队都头疼且需要解决的问题。
4. 在落地AI应用的过程中,哪些成绩或者瞬间让你充满了希望?
1)做市场调研的时候获得了客户普遍认可;
2)签下了第一个客户的订单;
3)和投资人初步定下投资意向;
4)越来越多优秀的人愿意在艰难的时刻放弃高薪资降薪加入且充满着吃苦和创业精神;
5)朋友的支持和兄弟公司的帮助。
5.在AI这个方向上,明年有什么目标?
做出20家-30家行业标杆客户,打磨出真正可面向更广大市场的产品;
实现企业的盈亏平衡;
产研团队的进一步升级;
产品出海的市场团队的搭建。
1. 躬身入局AI这一年,用三个词描述你的感受?
百花齐放——能明显感受到,这次AI浪潮刚好打在软件市场疲软的周期上,大量软件创业者亟需一个出口,很多人都在积极拥抱这次变革。
资本寒冬——第二个就是能明显感受到资本的寒冷,23年看到了大量优秀创业者在做出demo后因为融资困难不能支撑到业务商业化被验证。
信产信创——在国内做AI一定跳不开这个问题,一面是产出效果,一面是整体政策,创业者要去解决很多完全超出自己能力且不属于业务核心的问题。
2. 在落地AI的过程中,你选择了什么场景?为什么?
我个人比较看好保险行业。几个原因:
保险公司IT预算充足:这很重要,在科技赋能上本就有动力,试错能力也更强;保险产品的数据、条款高度标准化:数据预处理工作更容易形成pipline。
在业务角度上,保险是一个包含了大量的专业知识、健康知识、契约条款的产品,且服务周期非常长,所以更依赖扎实的信息支撑,整体上AI生成推理能力更有用武之地,AI赋能的逻辑是成立的。
3. 在应用AI或落地AI的过程中,哪些技术实现问题曾让你头疼?
大部分人头疼调优以及臆想问题,但我的真实感受是产出结果不好主要还是知识库质量过低造成的。这就好比开卷考试,好学生有笔记(提炼的结构化内容)或者带有标注的书可以翻,而我只有一本从来没标记过也没打开过的书可以翻一样,肯定赶不上好学生的回答效率和质量。
当下的难度其实是在数据清洗及预处理阶段,拿PDF讲,大部分人用OCR来处理文件,但准确率难讲的,丢失关键信息是很可怕的事情,这里具体就不展开了。总之,建立高质量的外挂知识库,来增强RAG的效果,是我觉得当下的难点。
4. 在落地AI应用的过程中,哪些成绩或者瞬间让你充满了希望?
我看到团队搞出来第一个“丐版”保险顾问Agent时,我感知到这是一个有类人水平判断能力的“RPA”,肯定是对传统工作流程的升级。
只不过能在哪个场景扎下根,还需要反复的“trial and error”才能验证,而一旦过滤出来那些个场景,说不定就会像地铁的闸机口一样,从机器排队买票转变为手机扫码一样实现质的变化。
5. 在AI这个方向上,明年有什么目标?
两个重点:扎实基建以及客户陪跑。
因为目前场景其实并不清晰,为了防止技术人“自嗨”的最笨但有效的办法就是客户陪跑,找到一个或者多个场景,对着标杆客户的需求做优化。
另外就是基建,能封装成工具的封装成工具,能标准化方案的标准化方案,这里主要就是关于上面提到的数据处理、部署相关(为了配合信产信创),不管做哪个方向,都一定绕不开的。
炊文伟 百度风投 AI领域投资人
这一次AI浪潮跟之前有何不一样?
AI在NLP领域实现了突破,从表征到语义理解,让更多以知识为载体的领域有了新的可能性突破,也带来了人和机器真正的再次对决,上一次对决还是人和机械机器,这次是人和智能机器。
人类进化了百万年,成为更适应地球环境的生物智能体。目前AI至今也只进化了不到百年,也才进化了不到3代,所以未来是否会演化为更适应地球环境的新质智能体,我觉得还不行,但是他会成为人这类生物智能体很好的帮手,从帮助机械肢体劳动到机械脑力劳动。
这一代基于Transformer和Diffusion的演化,从整个社会的复杂系统视角看,这轮技术周期无法到达AGI,至于是什么时候,可能需要这一代技术周期从人类、商业、技术的综合闭环走完以后才能判断,现在还为时尚早。
但对于每个人来说,都需要清晰的认知到,NLP的提升,则本质打入了人类和生物最本质的差异之处:文字,这将大幅的加速人类的智力进化,也会进一步的改善我们认识自然和改造自然的速度,而在其中的重要生产要素:人,则需要重新思考:人和机器,作为两类不同智能体的生产要素,如何更好的协同发展。
以前擅长和机器打交道的人都成为了技术界的人之骄子,但目前看这代AI,机器更擅长和机器打交道,那么未来将只有少数更擅长和机器打交道的人继续成为人之骄子,大部分人需要回归人的本体。
以前擅长和人打交道的人都成为了商业界的人之骄子,目前看这代AI,其依然不能很好的和人打交道,因为人能够兼容低知识水平的人,但是这代AI还不行,所以大部分也必将回归人的本体。去更好的和人打交道。
未来的一年,每个人都需要更多关注如何与人打交道,然后与机器打交道,从而以人为中心,以机器为外延,来取得更好的竞争和发展。人亦如此,企业当更如此。
1.躬身入局AI这一年,用三个词描述你的感受?
兴奋、迷茫、期待。
2.在落地AI的过程中,你选择了什么场景?为什么?
服装买手店铺,基于本人的行业资源以及行业经验。
3.在应用AI或落地AI的过程中,哪些技术实现问题曾让你头疼?
模型在处理具体问题的精准性,以及整个模型应用的流程设计。
4.在落地AI应用的过程中,哪些成绩或者瞬间让你充满了希望?
通过一句简单的自然语言,AI可以在众多调用内置函数中精准调取并执行所需的函数。
1.躬身入局AI这一年,用三个词描述你的感受?
从激动入局,到中途迷茫,再到后半年坚定。
2. 在落地AI的过程中,你选择了什么场景?为什么?
AI营销 agent,利用生成式AI的总结推理能力读客户画像,做精准营销,主要原因是营销离钱最近。
3.在应用AI或落地AI的过程中,哪些技术实现问题曾让你头疼?
LLM 能力测评难以捉摸,工程技术缺少最佳实践,没有模范生可以追随,只能一点一点小步尝试迭代。
4.在落地AI应用的过程中,哪些成绩或者瞬间让你充满了希望?
找到了相同方向探索的几个兄弟,一聊发现虽然大家都难,但目标坚定,所以放心了,“但行好事,莫问前程”。
5.在AI这个方向上,明年有什么目标?
明年计划为 100 百家客户提供服务。
1.在落地AI的过程中,你选择了什么场景?为什么?
目前重点瞄准的是保险领域,这个行业很多环节都有被AI改造的空间。
像智能核保、智能理赔、智能风控、智能代理人培训都能利用AI的推理能力来增质提效。
2.在应用AI或落地AI的过程中,哪些技术实现问题曾让你头疼?
数据质量和标注问题:数据决定了模型的上限。对于许多AI应用,高质量的数据是至关重要的。然而,很多时候我们面临数据质量不高、标注工作量大等问题。
模型泛化能力:在AI应用中,模型的泛化能力是一个重要的问题。当我们使用训练数据对模型进行训练后,如何保证模型在未知数据上的表现也是一项挑战。过拟合、欠拟合等问题都可能影响模型的泛化能力,我们需要通过正则化、集成学习等技术来提高模型的泛化能力。
Zion 是一款强大的无代码开发平台,让创建简单应用更迅速、开发复杂系统更经济、成为数字化专家更容易。我们致力于提供一个全方位的无代码云开发环境,帮助您轻松完成页面设计、业务流程和数据模型的可视化,大幅降低参与跨平台应用开发的技术难度。设计完毕后,您可以便捷地进行代码生成、应用部署和上线发布,实现从概念到交付的全自动化。简而言之,Zion 旨在使技术创新更加触手可及,帮助您快速实现数字化转型。
蒋耀锴 函子科技Zion无代码创始人&CEO
范凯 杭州智思融趣创始人 AI领域知名KOL(视频号:范凯谈AI)
MICHEAL深圳数智玄策 CEO,目前专注在自然语言生图表领域的创业。
赵赫 函子科技CO0
刘庆星 深圳国际时装周数字平台负责人
白新奋 AGIA创始人,目前专注在AI私域营销方向的创业
沈敏烨 福建创昱达 总经理助理