GenAI发展历程、核心优势及潜在影响有哪些？

人工智能一步一个脚印发展至今，生成式人工智 能实现突破，展现出巨大潜力。

对于GenAI这个概念，人们可能感到相对新鲜。事实上，人工智能 的发展经历了若干阶段，从“规则型人工智能”（rule-based AI）到 “判别式人工智能”（discriminative AI），最终演变到“生成式人工 智能”（generative AI，简称GenAI）。这些阶段代表了人工智能在 算法、学习方法和应用领域上的不断演进和创新。

规则型人工智能：上世纪60年代到80年代，AI发展处于初始 阶段，这一时期的AI主要基于事先定义的规则和逻辑，通过逐步 推理和匹配规则来解决问题。使用这种方法的代表是专家系统， 1970年代开发的MYCIN系统便是一例，它使用了大量规则来诊断细菌感染。然而，这些规则型系统的局限性在于其缺乏通用性 和灵活性，无法适应复杂的现实问题。

判别式人工智能：进入1990年代，AI技术开始关注从输入数据 中学习特定模式和规律，以进行分类、识别和预测。尽管近年来 深度神经网络（DNN）的出现使得判别式AI在图像识别、语音 识别、自然语言处理和推荐系统等领域取得了突破性成果，但在 这一发展阶段，人工智能仍缺乏生成新数据的能力。

 生成式人工智能：这个阶段的起点可追溯到2014年，当时生成 对抗网络（GAN）的提出引发了人们对GenAI的广泛关注。GAN 由生成器和判别器组成，通过对抗训练的方式生成逼真的数据 样本。GAN在文本生成、图像生成和音频生成等领域取得了重 大突破，使得AI能够以更具创造性的方式执行任务。

GenAI是传统AI（规则型AI以及判别式AI）的进化产物，与传统AI相 比，GenAI具有以下四大核心优势：  自动化和效率提升：传统AI需要经过繁琐的手工特征工程和模 型调整，而GenAI则能够自动从大量数据中学习，生成高质量的 输出。这使得GenAI能够自动化许多重复性和繁琐的任务，从而 提高工作效率并减少人工错误。与传统AI相比，GenAI能够更快 构建模型、处理数据、生成结果，可助力企业更快做出决策、提 供服务。

个性化和定制化：传统AI往往是基于统计分析和大规模数据的 结果，缺乏对个体差异的精确处理。而GenAI通过学习每个个体 的数据和反馈，能够根据个人需求和上下文生成个性化输出。这 使得GenAI能够为用户提供更加定制化的体验和解决方案，满足 不同用户需求，提高用户满意度和忠诚度。

 创造性和创新能力：传统AI主要是基于规则和已有数据进行预 测和决策，局限于已知模式和规律。而GenAI具备生成新的、未知内容和想法的能力，能够从学习到的数据中创造出全新解决方 案。通过GenAI的创造性和创新能力，企业可以发现新洞察，探 索新业务模式，不断创新产品和服务。

可解释性和透明度：传统AI模型往往是黑盒模型，其决策过程 难以被解释和理解。而GenAI在生成输出时能够提供一定程度 的解释，具备一定的可解释性，可以揭示其决策逻辑和原因。这 对于金融、医疗等需要可解释性的领域尤为重要，有助于建立信 任、满足监管要求，也让人们更容易接受和采纳GenAI的决策。

持续创新也将带来新的挑战。训练和使用GenAI系统所需的计算 能力有可能成为开发瓶颈，如何让GenAI成为“更具责任感的AI”也 增加了GenAI技术的综合成本。从2017年到2022年，针对GenAI的 投资以74%的年复合增长率狂飙（同期，AI总体投资的年增长率为 29%）。从地理角度来看，对GenAI的投资主要来自北美科技巨头和 风险投资公司。从2020年到2022年，总部位于美国的GenAI相关公 司筹集总计约80亿美元资金，占同期此类公司总融资的75%。

GenAI以其在全球生产活动中重塑知识工作的潜力震惊了世界。在 销售和营销、客户运营和软件开发等职能部门，GenAI已显露出变 革工作方式和提高绩效的能力。在这个过程中，它可以跨越多行业 释放数万亿美元价值。

GenAI的兴起将推动行业格局改变，带来可观的 经济增长。 不难看出，GenAI技术在提升行业生产效率和促进产品创新方面具 有显著优势，预期未来将颠覆全球各行各业的现有格局。我们预测， 人工智能整体将为全球经济带来高达25.6万亿美元的正面经济影 响，而其中来自GenAI的贡献高达7.9万亿美元。这既包括GenAI用 例本身为企业带来的直接收入增加及成本优化，也包括了GenAI推 动全行业生产效率提升所带来的经济价值。

了解GenAI为经济和社会创造价值的潜力，将有助于企业制定关键 决策。我们采用两个互为补充的视角，以确定当前的GenAI技术可 以在哪些方面提供最大价值以及价值规模。

第一个视角扫描企业能够应用的GenAI用例。我们将“用例”定义为， 将GenAI技术定向应用于特定业务并产生可衡量的价值。例如，营 销中的典型用例是应用GenAI来生成创意内容，例如个性化的会员 电子邮件等，其可衡量的价值包括降低成本以及通过大规模提升 内容质量来提升转化率。我们确定了63个生成式人工智能用例，涵 盖16个业务功能，当跨行业应用时，每年可提供2.6万亿至4.4万亿美 元的总经济效益。

第二个视角分析GenAI对大约850个职业生产活动的潜在影响，以 补充第一个视角。我们通过建模，预估GenAI在哪个时间点可以执 行构成全球经济活动的2,100多个“详细生产活动”，例如“与相关人 员沟通运营计划”。凭借分析结果，我们能够预估GenAI的能力可能 会给全球劳动生产效率带来的影响。

两个分析视角中的部分影响相互重叠（我们暂且归纳为生产效率提 升的结果），剔除这种重叠后，生成式人工智能的总经济效益（包 括我们探索的主要用例以及当该技术应用于知识工作者的活动时 可能实现的生产效率提高）每年达6.1万亿美元至7.9万亿美元。