a16z:生成式AI下个趋势?从信息生成到信息合成

原文作者:Zeya Yang、Kristina Shen

原文标题:For B2B Generative AI Apps, Is Less More?

原文来源:a16z

编译:阿法兔

生成式AIB2B场景应用的变化

过去几年大家见证了大语言模型(LLM)逐步成为主流,并研究了这项技术在B2B领域的应用情况。尽管取得了巨大的技术进步,但我们认为,我们仍处于B2B用例的生成式AI应用的早期——第一波浪潮之中。随着各公司逐步开发自己的应用,并且开始寻求围绕产品建立护城河,我们预计很多业务中的目标和实现方法,将会迭代到“第二波浪潮“之中。

如何理解这里的“迭代”?

到目前为止,绝大多数生成式AI应用,都集中在信息 divergence 之上。也就是说,目前的应用,主要是根据一组指令,来创造新的内容。

而在第二波生成式AI浪潮之中,相信市场会见证更多用于信息汇集的生成式AI应用,这些应用会通过综合现有信息,向我们展示更精细化、筛选出来的内容(That is, they will show us less content by synthesizing the information available.)为了和第一波生成式AI浪潮进行区分,我们把第二波生成式AI浪潮,称为合成人工智能(”SynthAI”)。

虽然第一波生成式AI浪潮在应用层创造了一些价值,但第二波生成式AI浪潮将带来下一步功能变化。

那么,下一步,生成式人工智能在B2B的解决方案会是什么走向?

结论是:B2B解决方案之间的PK,将不会把重点放在令人眼花缭乱的AI技术能力,而更关注这些技术层面的能力,将如何帮助企业用户具备(或重新定义)更有价值的企业工作流程。

第一波生成式AI浪潮:跨越从C端用户到企业的桥梁

为了分析第一波生成式AI浪潮,首先我们要对B2C和B2B应用进行区分。当我们作为消费者,应用生成式人工智能时,我们的目标是以玩耍、娱乐和分享为导向。在娱乐层面,质量和正确性并不是最重要的:而让人工智能模型生成艺术或音乐这类功能更为重要,因为我们可以在Discord频道中分享,当然也会很快就会忘记它。大家通常会有一种心理倾向,认为更多的内容=生产能力=好,所以,用户通常会被吸引到生成式的、自动创造的AI工具

举个例子:ChatGPT的兴起,就是很具备说服力的案例:因为用户真的容忍了这个聊天机器人很多质量上的缺陷,就是因为大家能用它,生成更丰富的内容,并且分享,令人印象深刻。

当涉及到B2B应用时,业务目标就不同了。这里的目标,主要是围绕时间和质量的成本效益评估。我们要么希望能够用同样的时间产生更高的质量,要么希望产生同样的质量,但是速度更快。

人们使用B2B应用主要是在工作场所,在这类的场景中,质量更重要。然而,今天人工智能生成的内容,主要是为重复性和低风险的工作提供的,这种业务层面上,要求通常不高。例如,生成式AI很可以为广告或产品描述撰写文案,许多这个领域的B2B应用,表现出明显的增长态势。

但我们随后也发现,生成式人工智能在撰写意见或论据方面确实不可靠(即使AI生成的内容令人信服或有信心,它也往往无法达到我们想要的准确程度)注意,当涉及到B2B生产环境中的创新合作时,这一点更重要,大模型生成SEO信息也许是可用的。但是,如果让它为开发者撰写一篇详细新产品的博客文章,将会需要不小的人力去完善,以确保这篇文章是准确的,与目标受众产生共鸣。

另一个常见例子是AI用于编写销售的电子邮件,生成式AI对于普通的、冷冰冰的冷启动邮件是很有用的,但对于准确的个性化邮件来说就不太可靠了。从一个优秀销售的角度来看,生成式AI有助于在更短的时间内写出更多的电子邮件,但要写出能提高回复率,并带来订单的电子邮件(这也是对销售代表的评价),销售代表还是需要仔细研究,并通过自己判断,了解潜在客户想听什么。

从本质上讲,在头脑风暴和早期,第一波生成式人工智能对于更实质性的写作是成功的,但最终,越是需要创造力和领域内人专业知识,就越需要人为完善。

重构工作流程,有何代价?有何好处?

即使在生成式AI对较长的博客文章有用的情况下,你的Prompt必须是精确的。也就是说作者必须已经对代表自己博客文章的实质概念,具备清晰认识。然后,为了得到良好的结果,作者必须对AI输出的结果进行审查,迭代Prompt,不行的话,还要重写整个章节。

这里有个例子是用ChatGPT来生成法律文件,需要熟悉法律prompt的人提供所有需要的条款,然后ChatGPT可以用这些条款来生成草案。注意,AI不能执行当事方之间的谈判过程,但一旦所有关键条款都确定下来,生成式AI就可以出品较长的法律类文件草稿。不过,这些工作仍需要职业律师对它进行审查,编辑输出,以使这项文件达到可以签署的出品样本。

这也是为什么这类成本+效益评估模式,会在B2B背景下打破。

知识工作者正在评估如何工作流程中增加一个额外的AI功能的步骤是否值得花时间?是否应该还是由我们自己做?

第二波生成式AI浪潮:

汇聚信息,从而改善决策

当我们进入第二波生成式AI浪潮的时候,焦点会从信息生成转向信息综合。注意,在知识工作中,决策能力具备巨大价值,而员工的报酬是根据不完善信息做出决定,而不一定是单纯执行或解释这些决定而产生的内容数量而决定的。在许多情况下,更长的时间并不意味着更好。

许多常识和公理都支持下列观点:

1.代码行数不是衡量工程生产力的好方法2.更长的产品内容,不一定就能起到更清楚的说明作用3.更长幻灯片,也不一定能提供更多见解

Hex公司创始人Barry McCardel认为,人机可以共生,比如说LLM如何能够改善我们的工作方式?

AI在这里是为了增强和改善人类的能力,而不是取代人类。

因为当涉及到理解世界和做出决策时,人类一定要参与其中。人工智能能做的是帮助人类将更多的脑电波,应用于有价值的、创造性的工作,这样我们不仅能在一天中花更多的时间来做重要的工作,而且还能解放自己,从事最有价值的工作。”

那么,AI如何改善人类的决策?法律专家需要专注于综合和分析,提高决策的质量和/或速度(上面的B2B图),明显的应用是,去总结人类自己永远无法直接消化的大量信息。

SynthAI在未来的真正价值是,帮助人类更快地做出更好的决定。

这里的设想几乎与ChatGPT的用户界面相反:与其根据简明的Prompt写出长篇大论的回复,如果我们能从海量数据中,逆向设计出总结的简明提示,会怎么样?(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? )

这将有机会,让我们重新思考用户体验,使其尽可能有效地传达大量的信息。例如,像Mem这样由AI技术驱动的知识库,保存着某个组织中的所有会议笔记,可以主动对相关的决策、项目或人发起建议,当组织中的角色开始一个新项目时,应该参考这些决策、项目或人,从而节省了他们浏览先前机构沉淀知识的数个小时(甚至几天)的时间。

回到上面一个对外发送营销邮件的例子,一个潜在的表现是,AI可以识别目标客户,究竟在何时会处于最高水平的购买意图(基于新闻报道、人才迁移等),并提醒相关销售代表。然后,人工智能模型将根据综合研究,建议在电子邮件中提一两个最重要的问题,以及与想要销售的目标客户最相关的产品功能。

这些输入,可以被输入到第一波生成式AI带来的解决方案中,但其价值来自于综合阶段,并为销售人员,节约了对单一潜在客户的研究时间。

确保这种综合信息质量足够高的根本转变是,从大规模的通用模型转向能够应用多种模型的架构,包括在特定领域和特定用途的数据集上训练的更精细模型。例如,某个构建客户支持应用的公司,会使用以支持为中心的模型,该模型可以访问公司的历史支持票据,但在其他情况下又会回到GPT。在建设专有微调模型和数据集壁垒,这些组件会成为公司速度和质量的护城河。

SynthAI的部署

当我们思考,第二波生成式AI浪潮可能是什么样的时候,我们相信从SynthAI中,受益最大的应用场景将是以下两种情况:

1.存在大量信息的场景,人类很难手动筛选所有的信息。2.高信噪比场景,主题或抽象出来的观点必须具备准确性

人工智能对工作流的改造,会带我们走向一个新的生产力时代。

转载声明:本文 由CoinON抓取收录,观点仅代表作者本人,不代表CoinON资讯立场,CoinON不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。若以此作为投资依据,请自行承担全部责任。

声明:图文来源于网络,如有侵权请联系删除

风险提示:投资有风险,入市需谨慎。本资讯不作为投资理财建议。

(0)
打赏 微信扫一扫 微信扫一扫
上一篇 2023年4月2日 下午12:27
下一篇 2023年4月2日 下午12:27

相关推荐

a16z:生成式AI下个趋势?从信息生成到信息合成

星期日 2023-04-02 12:27:07

生成式AIB2B场景应用的变化

过去几年大家见证了大语言模型(LLM)逐步成为主流,并研究了这项技术在B2B领域的应用情况。尽管取得了巨大的技术进步,但我们认为,我们仍处于B2B用例的生成式AI应用的早期——第一波浪潮之中。随着各公司逐步开发自己的应用,并且开始寻求围绕产品建立护城河,我们预计很多业务中的目标和实现方法,将会迭代到“第二波浪潮“之中。

如何理解这里的“迭代”?

到目前为止,绝大多数生成式AI应用,都集中在信息 divergence 之上。也就是说,目前的应用,主要是根据一组指令,来创造新的内容。

而在第二波生成式AI浪潮之中,相信市场会见证更多用于信息汇集的生成式AI应用,这些应用会通过综合现有信息,向我们展示更精细化、筛选出来的内容(That is, they will show us less content by synthesizing the information available.)为了和第一波生成式AI浪潮进行区分,我们把第二波生成式AI浪潮,称为合成人工智能(”SynthAI”)。

虽然第一波生成式AI浪潮在应用层创造了一些价值,但第二波生成式AI浪潮将带来下一步功能变化。

那么,下一步,生成式人工智能在B2B的解决方案会是什么走向?

结论是:B2B解决方案之间的PK,将不会把重点放在令人眼花缭乱的AI技术能力,而更关注这些技术层面的能力,将如何帮助企业用户具备(或重新定义)更有价值的企业工作流程。

第一波生成式AI浪潮:跨越从C端用户到企业的桥梁

为了分析第一波生成式AI浪潮,首先我们要对B2C和B2B应用进行区分。当我们作为消费者,应用生成式人工智能时,我们的目标是以玩耍、娱乐和分享为导向。在娱乐层面,质量和正确性并不是最重要的:而让人工智能模型生成艺术或音乐这类功能更为重要,因为我们可以在Discord频道中分享,当然也会很快就会忘记它。大家通常会有一种心理倾向,认为更多的内容=生产能力=好,所以,用户通常会被吸引到生成式的、自动创造的AI工具

举个例子:ChatGPT的兴起,就是很具备说服力的案例:因为用户真的容忍了这个聊天机器人很多质量上的缺陷,就是因为大家能用它,生成更丰富的内容,并且分享,令人印象深刻。

当涉及到B2B应用时,业务目标就不同了。这里的目标,主要是围绕时间和质量的成本效益评估。我们要么希望能够用同样的时间产生更高的质量,要么希望产生同样的质量,但是速度更快。

人们使用B2B应用主要是在工作场所,在这类的场景中,质量更重要。然而,今天人工智能生成的内容,主要是为重复性和低风险的工作提供的,这种业务层面上,要求通常不高。例如,生成式AI很可以为广告或产品描述撰写文案,许多这个领域的B2B应用,表现出明显的增长态势。

但我们随后也发现,生成式人工智能在撰写意见或论据方面确实不可靠(即使AI生成的内容令人信服或有信心,它也往往无法达到我们想要的准确程度)注意,当涉及到B2B生产环境中的创新合作时,这一点更重要,大模型生成SEO信息也许是可用的。但是,如果让它为开发者撰写一篇详细新产品的博客文章,将会需要不小的人力去完善,以确保这篇文章是准确的,与目标受众产生共鸣。

另一个常见例子是AI用于编写销售的电子邮件,生成式AI对于普通的、冷冰冰的冷启动邮件是很有用的,但对于准确的个性化邮件来说就不太可靠了。从一个优秀销售的角度来看,生成式AI有助于在更短的时间内写出更多的电子邮件,但要写出能提高回复率,并带来订单的电子邮件(这也是对销售代表的评价),销售代表还是需要仔细研究,并通过自己判断,了解潜在客户想听什么。

从本质上讲,在头脑风暴和早期,第一波生成式人工智能对于更实质性的写作是成功的,但最终,越是需要创造力和领域内人专业知识,就越需要人为完善。

重构工作流程,有何代价?有何好处?

即使在生成式AI对较长的博客文章有用的情况下,你的Prompt必须是精确的。也就是说作者必须已经对代表自己博客文章的实质概念,具备清晰认识。然后,为了得到良好的结果,作者必须对AI输出的结果进行审查,迭代Prompt,不行的话,还要重写整个章节。

这里有个例子是用ChatGPT来生成法律文件,需要熟悉法律prompt的人提供所有需要的条款,然后ChatGPT可以用这些条款来生成草案。注意,AI不能执行当事方之间的谈判过程,但一旦所有关键条款都确定下来,生成式AI就可以出品较长的法律类文件草稿。不过,这些工作仍需要职业律师对它进行审查,编辑输出,以使这项文件达到可以签署的出品样本。

这也是为什么这类成本+效益评估模式,会在B2B背景下打破。

知识工作者正在评估如何工作流程中增加一个额外的AI功能的步骤是否值得花时间?是否应该还是由我们自己做?

第二波生成式AI浪潮:

汇聚信息,从而改善决策

当我们进入第二波生成式AI浪潮的时候,焦点会从信息生成转向信息综合。注意,在知识工作中,决策能力具备巨大价值,而员工的报酬是根据不完善信息做出决定,而不一定是单纯执行或解释这些决定而产生的内容数量而决定的。在许多情况下,更长的时间并不意味着更好。

许多常识和公理都支持下列观点:

1.代码行数不是衡量工程生产力的好方法2.更长的产品内容,不一定就能起到更清楚的说明作用3.更长幻灯片,也不一定能提供更多见解

Hex公司创始人Barry McCardel认为,人机可以共生,比如说LLM如何能够改善我们的工作方式?

AI在这里是为了增强和改善人类的能力,而不是取代人类。

因为当涉及到理解世界和做出决策时,人类一定要参与其中。人工智能能做的是帮助人类将更多的脑电波,应用于有价值的、创造性的工作,这样我们不仅能在一天中花更多的时间来做重要的工作,而且还能解放自己,从事最有价值的工作。”

那么,AI如何改善人类的决策?法律专家需要专注于综合和分析,提高决策的质量和/或速度(上面的B2B图),明显的应用是,去总结人类自己永远无法直接消化的大量信息。

SynthAI在未来的真正价值是,帮助人类更快地做出更好的决定。

这里的设想几乎与ChatGPT的用户界面相反:与其根据简明的Prompt写出长篇大论的回复,如果我们能从海量数据中,逆向设计出总结的简明提示,会怎么样?(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? )

这将有机会,让我们重新思考用户体验,使其尽可能有效地传达大量的信息。例如,像Mem这样由AI技术驱动的知识库,保存着某个组织中的所有会议笔记,可以主动对相关的决策、项目或人发起建议,当组织中的角色开始一个新项目时,应该参考这些决策、项目或人,从而节省了他们浏览先前机构沉淀知识的数个小时(甚至几天)的时间。

回到上面一个对外发送营销邮件的例子,一个潜在的表现是,AI可以识别目标客户,究竟在何时会处于最高水平的购买意图(基于新闻报道、人才迁移等),并提醒相关销售代表。然后,人工智能模型将根据综合研究,建议在电子邮件中提一两个最重要的问题,以及与想要销售的目标客户最相关的产品功能。

这些输入,可以被输入到第一波生成式AI带来的解决方案中,但其价值来自于综合阶段,并为销售人员,节约了对单一潜在客户的研究时间。

确保这种综合信息质量足够高的根本转变是,从大规模的通用模型转向能够应用多种模型的架构,包括在特定领域和特定用途的数据集上训练的更精细模型。例如,某个构建客户支持应用的公司,会使用以支持为中心的模型,该模型可以访问公司的历史支持票据,但在其他情况下又会回到GPT。在建设专有微调模型和数据集壁垒,这些组件会成为公司速度和质量的护城河。

SynthAI的部署

当我们思考,第二波生成式AI浪潮可能是什么样的时候,我们相信从SynthAI中,受益最大的应用场景将是以下两种情况:

1.存在大量信息的场景,人类很难手动筛选所有的信息。2.高信噪比场景,主题或抽象出来的观点必须具备准确性

人工智能对工作流的改造,会带我们走向一个新的生产力时代。