随着人工智能（AI）底层技术如图像识别、自然语言处理、机器学习等技术的不断成熟，人工智能在智能制造、智慧教育、智慧医疗、智慧金融等不同领域多点开花，为实体经济发展带来了巨大价值，如提高各行业生产力、创造新的商业机会、提升企业竞争力、改进企业决策、增强客户体验等。

安永大中华区数据智能咨询服务合伙人陈剑光认为：“AI落地有两个特点，首先是落在与企业业务密切相关且能直接带来业务价值的场景，其次是技术的成熟度足够。”

目前来讲，企业对AI的期望主要归纳为智能、通用及创造。智能，指模型是否足够灵活，能够处理各类复杂问题，而不会因为被触及知识库体系以外的问题而缺乏反馈。通用，指模型能否提供足够的参数匹配不同的场景，减少定制化。创造，指模型不再满足于替代人类重复性的简单工作。

【资料图】

陈剑光指出，在赋能企业数字化转型的过程中，AI遇到的主要困境是其泛化能力不足导致模型高度定制化和场景碎片化，而这又会导向企业对AI性价比的思考。目前AI模型的开发效率低，生产成本高昂，落地时又会因针对场景特点进行定制而投入很多精力，带来巨大的定制成本。模型产出后，又面临不断迭代的问题，对企业内部的人才储备提出新的挑战。

陈剑光表示，要突破人工智能当前的发展困境，需要数据、算力与算法协同发展。

数据是AI学习的基础资源。如ChatGPT的用户会普遍反馈用英文得到的回答更加精准，而用中文则错误率更高，核心原因在于其中文板块的整体数据质量相对较弱，而英文板块的高质量信息库更多。由此可见高质量数据能够为好的参数打好地基，否则就像用沙子做地基，不可能盖出高楼。

再谈到算力，这是数据与算法的基础支撑。算力的发展目前被政策牵引，这是增强人工智能迈向规模化、多元化与创新化的基础支撑。国家推进数据治理和数据要素建设的核心目的是为了给AI提供高质量的数据底座，既支持企业内部的信息化和数字化，也为AI的发展提供养料。除了构建相应的数据中心，最重要的是打造算力网络，确保算力被合理分配，未来的企业一定是依赖于算力网络为客户提供服务的。

算法则是人工智能的逻辑规则“大脑”。 AI算法的发展可基本归纳为三个阶段，第一，“深蓝”。“深蓝”打败了过去的国际象棋冠军，但更多依赖的是暴力搜索算力要求高，适用性比较窄。第二，AlphaGo。从AlphaGo开始，我们认识到什么是强化学习、深度学习，比起“深蓝”有了巨大进步。第三，大模型。其依赖巨大的参数，通过训练集来训练，从而得到更好的理解，最大的能力是可以预测、判断用户真实的意图和逻辑，以及上下文的串连关系，从而能给出更精准的答案。

随着数据、算力和算法的发展，近期AIGC概念与ChatGPT火爆全网。从中可以看出算法、数据和算力的提升能够给企业期望AI能够提供的通用性、智能性和创造性提供了良好的基础。陈剑光预判，GPT未来还会应用到很多领域。以营销为例，当前所谓的个性化营销，其实是依赖于后台的设定。

如果未来使用GPT算法，完全可以基于不同的产品和客群，通过过往的训练集生成相关策略，策略执行完毕后还能形成反馈，可以自我迭代，这是很大的变化。GPT算法在医药研发行业也比较火爆，制造一款新药的最大成本在于研发，通过GPT算法，可以节省大量分析整理和探索的工作，可提供的价值非常显著。此外，未来GPT算法对数字化架构产生的影响也会很大。

在陈剑光看来，目前AIGC如果真的要落地赋能，数据积累、成本投入、盈利方式、合规性问题等都是阻碍因素，需要相关企业通力合作、协同发展。为迎接AIGC浪潮的到来，企业应积极推进业技融合、提升数据质与量、重视创新技术、加强人工智能和云技术的投入、注重技术与数据安全以及重视人才培养。我们国家无论在数据、算力还是算法层面，都正在大踏步地往前走，AI未来产业的前景非常广阔。