专访德勤亚太咨询主管RobHillard：中国AI创新的机会在于垂直应用企业需加快接受生成式AI

作为引领未来的战略性技术，人工智能（AI）催生了新产业、新业态，也为就业提供了新选择。

工业和信息化部最新数据显示，中国人工智能企业数量已超过4500家。

中国人工智能企业的发展机遇在哪里？专用化的AI芯片有什么新变化？AI的不断发展会对企业和个人工作产生怎样的影响？

在近日德勤主办的首届跨国企业前瞻峰会上，21世纪经济报道专访了德勤亚太咨询服务主管合伙人Rob Hillard。

Rob Hillard表示，相比于通用大模型，金融、交通等垂直类模型应用在中国会变得更加普遍，这得益于中国的庞大应用市场。

以GPU为代表的专用化AI芯片将继续在企业的研发中占据关键地位。而随着“AI新生代”这一新群体的出现，企业需要加快适应并拥抱AI技术，从而实现企业发展与劳动力素质提升保持同步，还可以利用生成式AI为经济和社会转型带来巨大潜力。

垂类模型在中国有更多机会

《21世纪》：从去年的ChatGPT到Sora，生成式AI的发展速度令人瞩目，相关的大模型层出不穷，过去一年中国也出现了“百模大战”的情况，你如何看待目前大模型数量的爆发式增长？为细分行业量身定制的大型模型的开发被视为中国人工智能的潜在优势赛道，你如何评估中国未来人工智能发展的这些机遇？

Rob Hillard：以生成式AI为代表的人工智能，将是产业创新和经济增长的动力引擎之一。ChatGPT已经出现18个月了，在这段时间，我们看到了各种模型的激烈竞争，中国在这一领域的投资处于领先地位，这其中既有汉语言的通用模型，又有用于解决特定问题场景类模型，比如用于金融、教育、交通等特定领域的对话模型。

相比于通用大模型，垂类模型应用在中国会变得更加普遍，这得益于中国颇具规模的应用市场。很多公司经历初步的竞争和技术升级之后已经意识到这样的问题，需要由最初的通用大模型开发下探到具体的行业应用中。

我们可以看到，基于通用大模型的对话式AI虽然提高了效率，但其答案的可信度却成了问题，因为这些产品更擅长处理自然语言文本，并非专门为数据分析而设计，跨境数据流动也是限制因素之一，难以满足各行各业的实际需要。

与之相对的，转而使用较小的垂类模型，可以更有效地利用好不同的数据资源，而且能够融入到更多的终端硬件之中，像无人机、汽车等设备未来都有机会运用垂类模型。而且，通用和垂直大模型并不是孤立的存在，它们之间的协同作用可能正是推动AI向更高层次发展的关键。

《21世纪》：AI技术的更新速度很快，但它的研发投资和运营成本也是水涨船高，企业可能会面临着押宝式的技术投资风险，德勤之前类似的说法是“技术负债”，你认为应该如何减少这种技术更新的风险？

Rob Hillard：技术的更新迭代一直都是很昂贵的。随着技术的快速发展，企业虽然深信未来的商业模式、现有产品和服务以及内部运营将会被技术从根本上改变；但他们又难以在基础设施、数据、应用程序、网络安全和员工能力等方面进行合理的投资，以适应未来的发展。

AI的发展确实非常迅速，但这并不意味着有些事物会被取代和变得过时。德勤刚刚发布的《亚太地区生成式AI应用现状》报告称，即使时至今日，如果人们每天都在工作中使用AI，那么他们平均每周可以节省6.5小时，用于额外的工作生产或者回归个人生活。而且AI技术的应用越来越有普泛性，与前期成本相比，规模化应用之后的回报是非常可观的。

应对目前所提及的“技术负债”问题，首先要确保的就是投资成本能在短期内收回，而不是去花大价钱去做一个未来好多年甚至10年才能落地应用的东西。比如，人工智能在教育领域已经发挥了作用，各国对于个性化的优质教育资源都有着很旺盛的需求，生成式AI的出现可以很好地满足这一点。另外，AI在文档审阅、创意设计方面也有很大的作为，可以加快人们在创造性领域的工作效率。

高算力GPU仍是发展关键

《21世纪》：相比于软件的持续创新，目前在GPU等硬件上的供应紧张问题好像更为明显，你如何看待目前专用化AI芯片产能供给？

Rob Hillard：过去的50年左右，算力的性价比提升一直是由摩尔定律决定的——计算机芯片上晶体管的数量以及性能大约每18个月~24个月翻一番。在生成式AI出现之前，算力供给是十分充足的，但现在情况发生了逆转。数字化实践可以成为企业的重要竞争优势，但同时也对计算资源提出了新要求，许多企业的基础设施正在向计算密集型转型。如今大多数领先的芯片制造商都在提供GPU产品和服务，包括AMD、英特尔和英伟达等。

随着企业逐渐意识到生成式AI的价值，未来一段时间，以GPU为代表的专用化AI芯片将继续在企业的研发中占据关键地位。同时，AI的日益普及会给大多数企业现有的数据中心基础设施带来压力，和通用资源相比，高性能的定制芯片可能成为竞争主流。

《21世纪》：德勤的《技术趋势2024》报告曾指出，GPU并不是唯一用于训练AI模型的专用化硬件，TPU等新产品也在出现，你认为实现替代GPU是否可能？

Rob Hillard：正如你所说，GPU并不是唯一用于训练AI模型的专用化硬件。例如，亚马逊提供了一种名为Inferentia 的芯片。据称该芯片旨在训练生成式AI，包括大型语言模型。这种芯片用于处理海量数据，同时消耗的功率比传统处理单元更少。

谷歌也参与了AI芯片的竞赛，其研发的一款叫作Tensor Processing Units(TPU)的产品，已经能够通过谷歌云对外提供服务。这种处理器属于专用的集成电路，通过优化处理矩阵运算，能够支持绝大多数的机器学习模型。

未来可以明确的是，我们要把大部分计算的芯片制造得更小、更通用。我们可以看到一些非常有趣的新技术正在从巨大的研**潮中涌现出来。当然，现在这些创新还不足以直接替代掉GPU，企业也许还需要几年时间采用这些创新技术。与此同时，企业已经可以开始发展生态合作伙伴关系，为新兴技术做好准备，并在商业案例成熟时准备好利用这些新技术所需要的技能。

“AI新生代”引领应用潮流

《21世纪》：德勤在最新的研究报告中提出“AI新生代”这一概念，每当有新技术出现都会有类似的概念出现，80、90后群体也曾被称为“数字原住民”，你认为“AI新生代”会面临着什么样的成长环境？

Rob Hillard：生成式AI的采用正由日常用户驱动，他们在前沿实验并引领这场革命的是我们称为“AI新生代”（Generation AI）的年轻员工和学生。AI新生代描述的是那些在智能设备、语音助手、推荐算法及其他AI驱动技术时代长大的儿童和青年（最大24岁）。他们就像曾经的数字原住民（Digital Natives）一样，从小就在娱乐、教育、医疗和日常互动等生活各方面体验过AI。因此，他们以数字熟练度和AI技术使用能力高为特征。

在整个亚太地区，学生和员工以惊人的高速率使用生成式AI。我们的调查显示，81%的大学生和62%的员工正在使用这项技术。而且中国人使用AI的比例还要高于亚太地区的平均水平。

我们所提到的“AI新生代”里，18至24岁的员工使用生成式AI的概率大概是年长职业者的两倍。而这也说明，年龄越小，接触AI越早，对生成式AI的使用频率就会越高，我们预计在未来五年内，每天使用生成式AI技术的用户比例将增加三倍。

《21世纪》：人工智能对就业带来的结构性冲击是人们担心的，一些工作是确实被替代掉了，而新增岗位又出现了人才短缺的情况，你对此有何看法？

Rob Hillard:虽然社会上有很多关于AI可能威胁人类就业的讨论，但没有真正的迹象表明，现在有企业真正计划用它来实现大批量的岗位替代。

在德勤对企业领导者的调研里，提高工作内容质量、增强竞争优势和扩展员工专业知识是部署AI的最常见原因，裁员是最低选项。回到四五十年前，第一波计算机浪潮出现的时候，人们也有过类似的设想，反而是我们做的每件工作都比以前更加复杂、也效率更高。

其实现在的工作可以分成三种，为机器而工作、和机器一起工作、利用机器工作。未来的结构性变化就是人让绝大多数的工作要利用AI去做，AI最有效的应用不是取代人类，而是为员工提供工具，帮助他们提高和增强生产力、知识力和创造力，从而推动企业创新。我们估计，生成式AI可能会影响亚太地区每周16%的工作时间——近110亿小时。对一些人来说，这可能意味着他们日常工作中需要进行重大改变和再培训；而对其他人来说，生成式AI可能只需要适度的技能提升，或者仅仅在他们的工作背景中运行。

反而是企业高管更应该感受到压力。AI本身就是企业进行数字化转型的有力工具，如果不抓紧利用，可能会被其他竞争对手所赶超。而且在生成式AI时代，员工在推动应用方面发挥关键作用，当企业未能在生成式AI上吸引员工时，就有人才流失的风险。而且如果缺少对这方面的管理，员工个人在使用生成式AI工作时还会面临机密或敏感信息的泄露，以及带来的侵犯版权等法律风险。商业领导者应该充分了解这些风险，对员工利用生成式AI进行合理的数据授权和应用管理。