围绕人工智能的热议主要集中于提高生产力，但其真正的潜力在于先于生产力的决策过程。
大语言模型除结构化数据来源外，还能整合企业的“隐性知识”。
由此扩充的知识库可用于改进决策，将良好工作提升为卓越工作。
2023年将被铭记为生成式人工智能成为主流的一年。
柯林斯词典将“AI”选为年度词汇，这一事实最能体现该技术对公众意识的影响。围绕人工智能的监管需求，以及其对经济和就业的益处与影响，引发了激烈辩论。
世界经济论坛的《2023年就业未来报告》发现，接受调查的企业中有近四分之三计划采用人工智能，其中50%的企业预计此举将带动就业增长。我们的主席纳塔拉扬·昌德拉塞卡兰在《Bridgital Nation》一书中预测，到2025年，人工智能可新增3000万个就业岗位，并为经济增长提供强大推动力。
不出所料，人工智能对经济的影响将是即将在瑞士达沃斯举行的论坛年会的重要议题。不难理解其原因；一些预测显示，到2030年，人工智能可能带来相当于印度与中国产出总和的经济繁荣。我们正处于一个变革十年的开端，生成式人工智能已在重塑工作、生活与商业。除对商业的影响外，它还将在医疗、教育和气候变化等领域带来益处。
然而，尽管人工智能备受关注，我们却忽略了一些根本性的问题。公众的关注大多集中于借助不断加快的产出提高生产力。但其真正的潜力在于先于生产力的决策过程。在这里，人工智能可以增强人类的能力——使人从平庸走向卓越，使新手达到专家的水平——而非使人变得多余。
人工智能的演进
在探讨这一问题之前，让我们先界定人工智能的含义。其演进速度很快，可以通过其不断扩展的能力来描述。最初，人工智能专注于识别任务，例如识别图像中的物体。其后的迭代涉及推理，即分析正在发生的事情、发生的原因、可能的结果、我们应对此采取的措施，以及基于这种理解做出的决策。
最具变革性的转变发生于生成式或操作性能力出现之际，以GPT、LaMBDA和LLaMA等大语言模型（LLM）为代表。这些模型利用推理阶段所做的预测，能够做出决策并提出行动方案。
大语言模型超越了输入给它的信息并进行外推，因而对相同输入会产生非确定性的回应。它们有能力从非结构化内容中提取洞察，并且当与企业专属模型结合时，可以构建一个知识上层结构，提升决策速度、有效性与客户体验。
以人工智能增强而非取代人类
显而易见，生成式人工智能最有效的用途在于增强人类的创造力，而非取代人类。人工智能不会取代工作岗位，而是使人们在工作中更加出色，部分原因在于知识的民主化。这将使工作借助人工智能得到提升，弥合现有的知识差距，并增加全球获取信息的机会。事实上，世界经济论坛预测，到2027年，人工智能将带来净就业增长，成为净就业创造者。
尽管企业有责任支持员工根据这些发展进行再技能培训和技能提升，但其益处有目共睹：效率提高，进而往往带来更高产出，这是受欢迎的附带效果。实现这一机遇，首要任务必须是对人员进行再技能培训。在TCS，我们在过去一年中已对超过10万人进行了生成式人工智能培训，我很欣慰地看到整个行业都在开展类似努力，这对于建设具备人工智能能力的劳动力队伍至关重要。
全新的人工智能优先业务架构
在当今的知识经济中，企业通过知识型工作创造价值，此类工作涉及个人或群体做出的决策与采取的行动。机器学习和数据分析等传统技术已被用于从结构化数据中提取信息。然而，组织还拥有隐性知识：即非结构化内容与数据——通常通过经验、观察、模仿和实践获得——难以被轻易编码。
对隐性知识的依赖使决策难以解释，并导致决策输出、结果和客户体验出现差异。生成式人工智能或大语言模型有可能从此类非结构化内容中提取洞察。基础模型（如GPT、LLaMA及开源替代方案）具有“世界性”，能够整合可能以离线形式存在的常识，例如书籍或绘画中的知识。
将此类模型与企业专属模型及传统人工智能/机器学习技术相结合，即可在企业内部构建知识上层结构，提高决策和行动的速度与有效性。这有助于改善客户体验、生产力以及人才利用。这些技术更大的益处在于将企业知识数字化，并减少决策和行动中对隐性知识的依赖。
这需要为每项活动创建大量针对企业进行微调的专用模型或智能体，并将进一步借助这些知识上层结构予以增强。应将人工智能视为一项业务重新定义工作，涉及法务、安全、数据、合规和技术团队等业务各部分，以识别可通过知识上层结构加以转型的最高价值活动。
企业需要投资于一个四层架构，该架构由数百或数千个为成本、质量、安全和隐私而优化的专用模型提供支持。这一复杂工程为减少对隐性知识的依赖、提供卓越质量的价值以及降低产出质量的波动提供了重大机遇。要在企业内部推动这一转型，需要一套成熟且经过周密考量的战略。
将决策从平庸提升至卓越
归根结底，生成式人工智能为企业提供了一个全企业范围的机遇，以改善决策流程和整体效率。这一整合将企业知识数字化，减少对隐性知识的依赖，并提升生产力与人才利用率。
而正是在这一点上，当前的公共辩论重心出现了偏差，几乎完全聚焦于“行动”，而忽视了将企业知识数字化、减少决策和行动中对隐性知识依赖的潜力。简言之，人工智能和机器学习的真正价值在于产出之前的环节，即改进决策。
为什么？因为它能帮助我们弥合平庸与卓越产出之间的差距，并更稳定地实现更高质量的产出。它使我们能够实现知识的民主化。这有助于在诸多领域改善结果——例如，设想使医生能够在经验和时间受限存在差异的情况下，更稳定地诊断和治疗患者。
如果我们正确利用生成式人工智能，并专注于它如何增强我们的决策和创造力，我们便能释放强大的知识上层结构，提升决策速度与有效性，并大幅提升客户体验。
将平庸甚至良好的工作转变为卓越的工作。这才是未来真正的机遇。
