作者：Howie Su（产业分析师）

ChatGPT 推出近一年後，各家公司现在正忙着采用生成式人工智慧来获得新的竞争优势或阻止竞争对手效仿，最近微软与Open AI的经营权事件可见一般，不过，除生成式人工智慧外，传统形式的人工智慧又如何呢？人工智慧还有空间容纳老式的机器学习吗？到目前为止，生成式人工智慧普及似乎并没有引起传统人工智慧能力的广泛提升。麦肯锡最近的人工智慧现状报告指出，2023 年是生成式人工智慧的突破年，三分之一的受访组织表示他们已经定期使用相关技术：40% 的组织计划增加对人工智慧的整体投资。但麦肯锡表示，这并没有对其他形式的人工智慧产生任何外溢效应。事实上，自2022年以来，采用人工智慧工具业者的百分比一直保持稳定，并且应用领域仍然集中在少数业务范围内。

生成式人工智慧与传统人工智慧差别在哪？

为什麽会这样？这样的现象原因在於，生成式人工智慧与传统人工智慧有显着差异：生成式人工智慧主要基於非结构化资料进行训练，而传统机器学习主要基於结构化资料进行。而生成式人工智慧猛爆式成长也给企业带来一定困惑，很多公司过去因为数位转型，正在尝试结构化与非结构化资料的处理，人都还没完全找齐，业务智慧化也还在进行，结果突然间，非结构化资料可应用范畴突然变非常大，很多公司现在的挑战是，我们应该使用这些资料来做什麽？许多业者可能还没想好要怎麽把这些非结构性资料变现，或是改变商业模式。多数企业使用生成式人工智慧用於公司内部数据、文字和报告的内部助理，与聊天机器人建立上，但说要改变商业模式形成，或是像微软、Google这样具备广大应用场域的现象倒是还没出现。

另外，传统的人工智慧模型大多是客制开发的，相较之下，生成式人工智慧应用程式大多是使用供应商开发的框架建立的，有些供应商提供专有 FM（AI21 Labs、Cohere、LightOn 等）以及开源 FM（Stability AI Hugging Face 等）。这些基础模型可以使用专有资料进行客制化训练或微调以用於特殊用途。；同时，生成式人工智慧和传统人工智慧计画之间还有其他重要区别。例如，开始使用生成式人工智慧需要较小的前期开发成本，并且可以在几天内建立起来，传统人工智慧需要更高的前期成本，并且启动时间更长。而在技能需求上也有很大差异，在传统人工智慧中，需要熟练的开发人员从头开始建立模型，以及大量的资料准备和资料标记工作来训练模型。但对於生成式人工智慧，模型是预先建立与预先训练的。最後，传统的人工智慧用途本质上是分析性的，根据过去的数据预测值或对观察结果进行分类，相较之下，生成式人工智慧可以产生内容并执行任务，由此产生的应用完全不同，新功能包括程式码、文字、图像、视讯、音讯和资料的生成和操作。

两者怎麽搭配比较好？

并不是说传统人工智慧将被生成式人工智慧取代，或是进行模型开发的数据科学团队将变得多余。生成式人工智慧用例与传统人工智慧用例有很大不同，实施生成式人工智慧需要改变企业架构、开发周期、新角色和技能。生成式人工智慧并不能解决所有问题，但它有它的空间并带来新的能力，目前，我们看到的大多是独立的生成式人工智慧解决方案，但为了充分发挥其潜力，生成式人工智慧最好与传统人工智慧和现有应用程式结合使用，从 IT 策略和企业架构角度来看，将生成式人工智慧与现有数据、应用程式和自动化平台结合，需要仔细评估应用性。