AI创业助手

企业应该怎样处理与AI的关系？ 今年的人工智能大热点，常常离不开两家公司：微软和OpenAI（ChatGPT母公司）。 近期，人工智能领域年度的最大数额融资出现：据美国媒体TechCrunch消息，OpenAI已完成103亿美元的新一轮融资，估值达到270亿-290亿美元。其中微软投资了约100亿美元。 ChatGPT掀起了行业对大语言模型（下称大模型）的关注热潮，而微软的孵化投资，又引起了业内对创新孵化机制的讨论。从体外孵化来讲，OpenAI是微软孵化的一个经典案例。 大模型火热后，国内创业者还有哪些新机会？微软与OpenAI的联合，对大企业创新土壤的培育又有哪些启示？ 4月21日铅笔道AIGC大会举行，对以上问题设置了对话讨论环节。嘉宾分别为：前微软加速器（北京）CEO、海尔海创汇合伙人檀林与前微软中国解决方案专家部中国区负责人、iBrand创始人于胜泳。 以下为嘉宾讨论精华摘要，由铅笔道编辑部整理： 1、大模型会让很多岗位消失吗？ 答：一旦某个岗位的工作可描述可重复后，很可能被替代。 2、OpenAI的最伟大之处是什么？ 答：以前大家的思路是把AI模型做专做细，而它完全反着舆论做宽做通用，居然还做出来了。 3、什么企业未来应用到大模型？ 答：有数据资产，数字化已经到了一定程度。 4、引入大模型后，对企业的影响？ 答：组织形态可顺势调整，变成流体型企业。 5、企业应该用什么机制去拥抱AI? 答：体外孵化。 6、为什么是体外孵化？ 答：看微软体外孵化OpenAI的案例。 7、企业应该怎样处理与AI的关系？ 答：别把它当奴隶，先当实习生、助理，而后是副驾、教练、合伙人。 以下为嘉宾的对话实录： 檀林：有人提到AI可能会对一些工作带来改变，什么类型的工作会被ChatGPT取代，它会创造哪些新的工作机会，我们如何利用这种颠覆性技术来提升自己？ 于胜泳：比如某个市场某个岗位有100万人，但由于10倍效率提升的生产力工具的出现，100万人不会都消失，但可能变成10万、5万人，甚至更小的需求。 宏观上是这样：一个事情就这么多需求，然后需要人去做，但是生产力的提高，使得需要的人变少了。大家首先要思考的是，我是继续在这个岗位上，成为少数的人，还是转到另外岗位去做别的事。 比如工业出现之前出现了羊吃人，但是很多人在土地上被赶走后，他去做了工厂的工人，他赶上了工业革命，而留在原来位置的人，也许没有得到工业革命的回报。 檀林：AI工具其实是取代工具人，但是你只要不断的学习，如何去和AI相处，你可以随时跟着这个时代走。 于胜泳：是的，一旦某个工作可描述可重复后，AI学习的效率会比人高很多。 檀林：我最近看到几个案例，有1-2个是与教育有关。一个公司在帮助小孩做个性化、启迪式教育。另一个案例是摩根士丹利，它有12000名财富咨询师。利用他们的几十万财富管理文档等，借用AI的力量，他们每个人的能力都加强了。比如这12000名咨询师，每个人都有首席股票分析师、首席经济学家的能力。 同时，这个模型还能服务更多摩根士丹利的客户。你觉得这些大企业都在积极拥抱，用ChatGPT去训练模型，这是一个怎样的机会？我们怎样利用新的机会去和大企业竞争？ 于胜泳：在大语言模型之前，很多的时候，我们的AI理念是做窄做细，只有专注在一个小领域里，不发散才能产生一个有针对性的好结果。 但是大语言模型出来后，我认为OpenAI的最伟大之处，是它竟然反着所有舆论去做。在大部分人都不太认可的情况下，他能把它做出来。 按照这种思路，任何细分领域，都存在着一个所谓最好的专家。而大语言模型解决了创业公司最难做的事，这个代价其实非常高。 类比一下，它解决了我们的操作系统问题，我们之所以能舒服地做应用，是因为有人把操作系统很好地封装了。今天看来，我觉得创业公司仍然有一些非常好的机会，比如做专业的插件。 总体来讲，我认为创业是被加速了。 檀林：对的。我认为这一波机会，和移动互联网那波不太一样，之前那波是面向消费互联网。 于胜泳：我表达一下对这一波机会的看法。这一波AI浪潮不同的是，它会在B端更早地显现出一些价值。我认为一些有觉悟的员工会主动掌握这个工具，另外一些人还在看热闹。 大模型之后，所谓的子模型就会进入到子领域。大企业创新有一些不容易做的地方，它的决策要考虑很多东西。我比较主张通过创业公司和大企业结合，用一种好的创新机制（甚至投资机制）。它能结合创业公司的优势，在船小好调头的专业领域又能与大企业的品牌结合。 檀林：你说了一个非常重要的观点。大企业有丰富的场景、重要的数据和知识资产，这些与大模型结合后能有新的机会。只不过这些机会不是在企业外部，而大企业自身创新又受到机制的约束，于是需要引入一种机制，让外部更敏捷的创业团队参与，利用大企业的场景和数据，共同来训练这个模型。 于胜泳：是的。有两种，一种是行业性的模型。举个例子，比如企业领导力模型并不专属于某个企业，这个领域有非常好的专家，这些老师也上课做工作坊。另一种模型在头部企业里，他在这个领域借用这样的工具和资源，可以做很好的深化，来提供更普适化的服务。 不同的模式给不同的企业不同的机会，但总体来说，我觉得大模型加速了大家的组合式创新，就像现在有些生成式AI也有很好的发展。 比如一个100页的文档，我们谁都不喜欢看这么长的文档。我们以前的方式，请一个实习生或者助理看完，再给我讲讲它的主要内容，然后我问他几个自己关心的问题——很显然，这件事交给大模型做很合适。它所生成的摘要并不是我们论文前面的概要，而是按照我的要求提炼的新数据。 我们阅读的是这种合成式东西，这些方式和以前有很大变化。 檀林：对。以前一个企业里有大量的工作来帮助你做决策支持，它其实在做很多的数据搜集、分析，然后内容的生成处理完全可以交给ChatGPT这样的大模型来做。那么跟行业领域的相关知识，可能前期需要一些专家来做预训练。这里面有没有一些比较好的成熟方式？我知道现在有很多开源模型，但它们很多不能应用于商业。 于胜泳：我认为它分为两点，一个是生产力工具，这个我主张用提示工程（一种模型信息获取方式）。还有一类是专业领域方向，比如金融医药等。举个例子，比如我推出一个模仿ChatGPT的构建方式的产品，它借鉴了ChatGPT的的训练过程。这实际创造了一个机会，也许你做了一个更差的东西，但是你也有可能做出了在专业领域更好的东西。你可以认为它在你的专业领域里做了一个适合你的ChatGPT——这适合专业领域很强的场景。 在生产力工具方向，在专业性工具方向在论文等领域已有发展，而且它的发展成本大家可以承受。...

本文探讨了ChatGPT在商业领域的应用，主要体现在创意合作上。它能够为企业提供创新的商业思维和战略，帮助个人和企业进行品牌创意和内容创作，以及提供行业趋势和竞争分析。创意合作不仅能让合作双方获得独特的创意选项，还能助力企业制定有针对性的人员培训、产品研发和市场营销战略。总之，ChatGPT的创意合作功能在商业创新和发展中具有巨大的潜力。

这篇文章主要介绍数据埋点的概念和实现过程。数据埋点是一种数据采集方法，主要用于收集用户在使用产品或服务过程中的行为、操作、事件等数据，帮助分析用户行为、优化产品设计、提升用户体验等方面。为了帮助没有技术背景的运营人员更好地理解数据埋点，可以用通俗易懂的生活案例进行类比，例如在应用程序或网站中设置“摄像头”和“传感器”来监控和记录用户行为，以便运营人员根据这些数据做出更明智的决策。