AI应用现状与成功案例

Chester: 我看到人们正在超越实验阶段真正利用AI。经过充分实验后，现在正发展到开发真正垂直领域特定用例的阶段。我密切跟踪医疗健康领域，看到更多针对特定用例的精细调优模型，例如通过听觉工具帮助医生在患者对话期间更专注地进行听诊和记录。我相信"小即是新的大趋势"—这是关键趋势，比如血液学 versus 病理学 versus 肺科学。成像技术中的AI并不新鲜，但现在随着用于加速癌症检测的新模型而走到前沿。这必须由医疗专业人员支持：AI不能作为诊断的唯一来源。放射科医生需要验证、核实和确认发现。

Dana: 在我的报告中，我看到从行业特定角度有效利用AI。例如，专注于金融和保险的供应商正在使用AI完成防止金融犯罪和自动化流程等任务，通常使用专业的、更小的语言模型。这些行业特定的AI模型是我看到将持续到明年的重要趋势。

William: 我们看到在管道开发和主数据管理等领域周期缩短，这些领域正变得更加自主。数据可观测性是一个获得关注的领域—2025年可能是它的爆发年。

技术架构与数据层进展

Andrew: 生成式AI在代码生成方面表现良好—生成SQL查询和为查询数据创建自然语言界面。这很有效，尽管现在有点商品化了。更有趣的是数据层和架构的进步。例如，Postgres有一个向量数据库插件，这对检索增强生成（RAG）查询很有用。我看到从演示的"惊叹"因素转向实际使用，使用正确的模型和数据来减少幻觉并使数据更易访问。在未来两三年内，供应商将从基本查询智能转向创建更复杂的工具。

大语言模型演进方向

Whit: 在全球范围内，我们将看到受文化和政治价值观影响的AI模型。这更多是关于我们希望AI做什么，而不是技术发展。考虑基于Twitter/X的埃隆·马斯克的xAI。它是未经审查的—与谷歌Gemini非常不同，后者在你问错问题时倾向于说教。不同的提供商、地理区域和政府将倾向于转向更自由的言论，或者寻求控制AI的输出。差异很明显。明年，我们将看到没有防护栏的模型兴起，这将提供更直接的答案。

Ivan: 也有很多关注结构化提示。措辞的微小变化，如使用"详细" versus “全面”，可能产生 vastly 不同的响应。用户需要学习如何有效使用这些工具。

Whit: 确实，提示工程至关重要。根据词语在模型中的嵌入方式，你可能得到截然不同的答案。如果你要求AI解释它写了什么以及为什么，这会迫使它更深入地思考。我们很快将看到领域训练的提示工具—能够帮助优化提示以获得更好结果的代理模型。

AI与数据分析及商业智能的融合

Andrew: 数据是AI的基础。我们已经看到基于大量非结构化数据的生成式AI如何导致幻觉，项目被废弃。我们在企业领域看到很多幻灭，但进步正在到来：我们开始看到AI和BI的结合，超越自然语言查询。BI中存在语义模型使数据更易理解，并且可以扩展到结构化数据。当结合使用时，我们可以使用这些模型生成有用的类似聊天机器人的体验，从结构化和非结构化数据源中提取答案。这种方法创建了对业务有用的输出，同时通过上下文增强减少幻觉。这是AI将变得更接地气，数据民主化将更有效的地方。

Howard: 同意。过去十年BI尚未完美运作。生产BI的人通常不了解业务，而业务不能完全掌握数据，导致摩擦。然而，这不能仅靠Gen AI解决，它需要两组人之间的相互理解。没有这种理解就强制推行数据驱动方法不会让组织走得太远。

AI发展面临的挑战

Andrew: 对AI的狂热已经转移了对数据项目的关注和预算，这是不幸的。企业需要将它们视为同一件事。

Whit: 还有AI初创公司泡沫—太多初创公司，太多资金，烧钱而不产生收入。感觉像是不可持续的情况，我们明年将看到它有点破裂。有这么多变动，跟上已经变得荒谬。

Chris: 相关地，我看到供应商构建解决方案来"保护"GenAI/LLM。渗透测试即服务（PTaaS）供应商提供专注于LLM的测试，云原生应用保护（CNAPP）有供应商为部署在客户云账户中的LLM提供控制。我不认为买家甚至已经开始了解如何在企业中有效使用LLM，但供应商正在推动新产品/服务来"保护"它们。这已经成熟到可以破裂，尽管一些"LLM"安全产品/服务将普及。

Seth: 在供应链安全方面，供应商开始提供AI模型分析以识别环境中使用的模型。感觉有点先进，但正在开始发生。

William: 2025年另一个迫在眉睫的因素是欧盟数据法案，它将要求AI系统能够通过点击按钮关闭。这可能对AI的持续发展产生重大影响。

关于人工通用智能（AGI）的思考

Whit: AGI仍然是白日梦。我们对意识的理解不足以重现它，仅仅向问题投入计算能力不会使某物有意识—它只是模拟。

Andrew: 我们可以朝着AGI进步，但必须停止认为预测下一个词就是智能。这只是统计预测—一个令人印象深刻的应用，但不是真正的智能。

Whit: 确实。即使AI模型"推理"，也不是真正的推理或创造力。它们只是重新组合它们训练过的内容。这是关于你能在给定数据集上推动组合数学多远。