引言
《2024年全球AI趋势》报告深入剖析了AI应用的底层趋势。在去年的《全球AI趋势》报告中，我们对比分析了在AI生产环境中取得成功的企业与未能实现预期目标的企业之间的差异。今年的研究再次聚焦AI领导力这一核心主题，重点探讨了领先企业所采取的差异化策略，同时深入分析了驱动价值创造的关键因素、基础设施决策以及正在塑造AI战略的可持续发展实践。
关键洞见
1. 人工智能应用在企业中呈现普及态势，产品质量提升和IT效能优化成为投资重点
人工智能（AI）的渗透速度呈指数级增长，并日益被视为企业的核心战略能力。
AI项目正迅速步入成熟阶段：过去一年间，AI成熟度水平发生了质的飞跃。2023年，大多数企业仍处于AI试验阶段或小规模部署，而今年，绝大多数受访者表示AI已在其组织中"广泛实施"并"创造关键价值"。 产品优化和运营效率提升成为主要投资驱动力：企业日益倾向于利用AI提升收入和增强竞争优势。其中，提升产品或服务质量（42%）成为最受青睐的目标，紧随其后的是提高收入增长（39%）。与此同时，企业也认识到通过提升员工生产力（40%）和IT效能（41%）来优化运营效果的巨大潜力，并加快整体创新步伐（39%）。
2. AI项目规模化面临挑战，传统数据架构成为瓶颈
AI项目受到脆弱数据基础设施的制约，传统数据架构阻碍了更大范围的部署。
规模化仍是一大挑战：企业在实现AI项目预期覆盖范围时面临巨大障碍。平均而言，企业有10个项目处于试点阶段，16个项目处于有限部署状态，但仅有6个实现了大规模部署。 数据质量和可用性是主要瓶颈：数据质量是推动AI项目进入生产阶段的最大挑战。项目团队面临的困难不在于识别相关数据，而在于数据的可用性；企业难以为项目构建一致且集成的数据基础。 现代化数据架构是成功的关键：因此，35%的受访者将存储和数据管理列为阻碍AI部署的首要基础设施问题，这一比例远高于计算（26%）、安全（23%）和网络（15%）。
3. 生成式AI异军突起，迅速超越其他AI应用
生成式AI在短时间内取得了显著进展。AI先行者正在实现具体的收益，并有望扩大其竞争优势。
生成式AI成为焦点：高达88%的企业目前正积极探索生成式AI，远超其他AI应用，如预测模型（61%）、分类（51%）、专家系统（39%）和机器人技术（30%）。随着企业开始意识到整合生成式AI能力的潜在价值，生成式AI的专项预算在整体AI投资中的占比正在攀升。 生成式AI的采用呈现爆发式增长：尽管生成式AI进入市场的时间相对较短，但24%的企业表示它已成为其组织内的集成能力。仅有11%的受访者尚未投资于生成式AI，而绝大多数企业正在积极将此投资转化为大规模、集成的能力。 生成式AI先行者将继续扩大其竞争优势：生成式AI先行者占企业总数的24%，这些企业表示生成式AI已在其业务流程中全面集成。已实现生成式AI集成的企业计划继续加大投资力度，预计未来12个月内生成式AI的预算将占其AI总预算的47%，远超AI成熟度较低的企业。这些生成式AI先行者在技术带来的全面效益中看到了显著的积极影响，这些效益将有助于扩大其竞争优势，而那些仍处于实验阶段的企业则未能实现同等程度的创新提升、新产品开发和上市时间缩短。
4. GPU供应持续紧张，影响基础设施决策
获取GPU成为企业的首要关注点；GPU云或许可以提供可扩展的解决方案。
获取GPU仍是一大挑战：40%的受访企业表示，获取AI加速器是其基础设施决策中的重要考量因素，30%的企业将GPU的可用性列为将AI模型投入生产时面临的三大挑战之一。 区域性压力持续存在：在某些地区，尤其是亚太地区，GPU的短缺限制了企业的AI部署；38%的印度企业将加速器的可用性列为AI项目进入生产的三大挑战之一。 超大规模云和GPU云是企业获取GPU的关键渠道：46%的受访企业利用超大规模公共云进行模型训练，32%的企业则increasingly依赖专业GPU云提供商。
5. AI环境影响的担忧依然存在，但未减缓AI的采用；可持续的AI实践为减排提供了机遇
AI的环境和能源影响仍然是众多企业的关注焦点，但并未减缓企业投资AI项目的步伐。许多企业通过可持续性实践实现了显著效果，明确了应对排放挑战的机遇。
对AI能源和碳排放影响的担忧仍然突出：近三分之二（64%）的企业表示担心AI/ML项目对能源使用和碳足迹的影响，25%的企业表示非常担忧。 可持续数据基础设施技术的采用成为关注重点：显然，技术供应商的可持续性资质正变得至关重要，42%的企业表示，在过去12个月内，他们已经投资于节能的IT硬件/系统以应对AI项目的潜在环境影响。其中，56%的企业认为这些措施产生了"高"或"非常高"的影响。此外，59%的企业认为更换数据基础设施供应商，57%的企业认为调整AI项目范围，产生了"高"或"非常高"的影响。 可持续性是AI决策中的重要因素，但非主导因素：超过四分之一（30%）的企业表示，可持续性举措是AI采用的驱动因素，因为他们希望通过AI提升能源效率并减少排放。尽管这一点值得关注，但总体而言，可持续性仍是提及最少的驱动因素。即使在以减少能源消耗为目标的情况下，实现可持续目标也常常退居次要地位，企业更加关注的是节约成本和提升运营效率。在所有影响AI基础设施决策的重要问题中，可持续性居中：37%的企业将其列为优先事项，但它仍落后于更为突出的议题，如安全性（47%）和获取AI加速器（44%）。
定义AI领导者
过去一年，社会对人工智能的态度发生了巨大转变，AI的战略地位也随之显著提升。随着AI成熟度的提高，大多数组织都已将某种形式的AI投入生产环境，因此简单地将企业划分为"AI拥有者"和"非拥有者"已失去意义。当前，新的分水岭在于能否有效利用最新技术突破并实现AI大规模应用。
在生产环境中成功部署AI/ML项目，并对关键业务运营产生实质性影响。 在整个组织范围内广泛实施AI/ML，远超有限和孤立的AI项目规模。 充分利用本十年的重大技术突破（即生成式AI），并将其作为业务流程和工作流程中的集成能力。
市场前10%的企业在五个关键主题中展现出卓越实践，使其在AI应用方面脱颖而出。
行业分布：医疗保健行业在AI领导者中的占比（18%）高于其他行业。这可能反映了该行业在AI应用方面的积极创新和投资。 企业规模：大型企业在AI领军者中占比较高（16%）。这些企业通常拥有更充足的资本、资源和AI人才，且数字化转型项目往往更为成熟。 地域分布：北美地区的AI领导者比例（16%）明显高于亚太地区（8%）和欧洲、中东及非洲（6%）。这种差异可能源于AI人才获取、风险投资和资本的区域性可用性等因素。 商业模式：AI解决方案提供商更有可能被视为AI领导者（15%）。然而，这一差异并不如预期显著。值得注意的是，某些AI提供商虽然为客户构建AI解决方案，但其自身可能尚未全面实施这些能力。
AI应用全面渗透企业
产品质量提升和IT效能优化成为投资重点
过去一年，AI在众多组织中的角色发生了质的飞跃，从整体战略的边缘组件跃升为核心嵌入式能力。
关键洞见：
AI的应用状态已从2023年的战略次要组成部分，转变为2024年的广泛实施并驱动关键价值的核心能力。 提升产品或服务质量以及通过IT效能优化实现成本节约，成为AI应用开发的主要驱动力。 诸如缩短上市周期和实现产品服务差异化等战略目标，正受到越来越多的关注。
AI正迅速成为众多组织战略的核心支柱，其定位已从边缘走向中心，被视为既广泛实施又至关重要的能力。今年的调查显示，将AI视为"整体战略中次要组成部分"的受访者比例较去年腰斩，而认为AI"广泛实施并驱动关键价值"的比例从28%攀升至33%，成为最普遍的观点。在北美地区，这一比例更是高达48%，远超亚太地区的26%和欧洲、中东及非洲地区的25%。
AI的影响力不仅体现在实施的广度上，更体现在其战略影响力上。历史上，AI的价值主张与成本降低密切相关。例如，早期的AI进展，如机器人流程自动化（RPA），通常与精简人力或减少外包成本等目标紧密对接。然而，AI带来的成本优化机会并未被市场边缘化——事实上，通过IT效能实现成本节约仍然是AI的第二大应用目标——但成本驱动因素已经与更具战略性的目标形成了良好的协同。我们的调查显示，超过三分之一（39%）的受访者认为收入增长是其AI举措的关键驱动力。如图3所示，企业不仅期望通过AI实现比去年更多元化的目标，而且更清晰地看到了AI与收入驱动因素的紧密联系。与去年相比，企业更加认识到AI在实现产品差异化和缩短上市周期方面的潜力。
提升产品或服务质量 42% 从IT效率中节省成本 41% 提升员工生产力 40% 提高创新速度 39% 增加销售/收入增长 39% 提升客户满意度 38% 从运营效率中节省成本 38% 支持新产品引入/开发 35% 缩短市场上市时间 34% 实现产品和/或服务差异化 31% 减少能源消耗/碳足迹 30%
AI领导者倾向于设定更多元化的目标来驱动其AI战略。这种目标范围的拓展有助于更全面地把握AI可能产生的影响，为AI投资构建更强有力的商业论证，从而形成能够吸引更广泛利益相关者的战略叙事。
AI项目规模化面临挑战
传统数据架构成为瓶颈
随着AI战略重要性的不断提升，企业内部AI举措的实施数量激增。广泛的实验和教育至关重要，组织在这方面不可掉以轻心。然而，许多项目由于缺乏明确的价值实现路径而受阻，数据挑战成为主要障碍。AI项目面临在有限部署阶段停滞的风险，导致企业在资金、时间和资源上的浪费，同时未能实现预期的使用水平。项目常常受到数据孤岛、数据质量不佳和数据及模型管道效率低下的困扰。
在平均组织中，51%的AI项目已进入生产阶段，但尚未实现大规模交付。 数据质量是将AI项目推进到生产环境中的最大障碍。 存储和数据管理是最常见的基础设施瓶颈，35%的组织指出这一点；然而，已广泛实施AI的组织对此类挑战的感知较弱。
图4：许多项目未能从有限部署阶段晋级至大规模交付
随着组织在越来越多的目标上投资应用AI，项目管道出现了明显的瓶颈。尽管更多的举措被引导到AI项目团队，但仍有大量项目仅实现部分部署。如图4所示，受访组织的平均项目中，处于生产阶段但仅有限部署的项目数量超过了已实现规模化的项目。在追逐新举措的过程中，许多组织可能未能最大化现有投资的价值。问题的核心似乎在于数据质量和可用性，传统数据架构导致了许多组织的项目管道停滞。
数据质量是将项目从试点阶段推进到生产环境时最常被提及的挑战。如图5所示，42%的组织将数据质量问题认定为其三大障碍之一，甚至超过了技能短缺（32%）和预算限制（31%）。媒体和娱乐（59%）、高等教育（53%）以及航空航天与国防（48%）领域的组织对数据质量问题尤为敏感。
数据质量挑战并非源于数据不足以构建高性能模型，而是数据未能以项目团队能够充分利用的方式进行组织和管理。当被具体问及将项目推进到生产环境的主要数据挑战时，受访者表示，数据质量的可用性比识别相关数据更为棘手。34%的组织将数据质量的可用性视为前三大数据挑战之一，仅次于数据隐私问题（35%），这表明许多组织在有效的数据管理方面存在明显短板。
传统数据技术似乎是这些数据管理不足的主要culprit。数据管理和存储最常被视为阻碍AI应用开发的基础设施组件。超过三分之一（35%）的受访者认为这些问题比安全（23%）、计算（26%）和网络资源（15%）更为严峻。
值得注意的是，那些在AI举措上实现有效扩展的组织，受数据管理和存储组件的制约较小。在AI已广泛实施的组织中，仅28%的受访者将存储和数据管理挑战视为最大障碍；相反，他们感受到更多来自网络或计算资源的压力。这与42%认为AI在其组织中仅限于少数用例或项目的受访者形成鲜明对比。那些实现AI大规模交付的组织似乎更注重投资升级用于存储或管理数据的系统和技术。
图5：将AI/ML应用从试点阶段推进到生产环境的三大障碍
这一投资显得尤为关键，因为数据管理和存储的不足影响到AI项目的全生命周期，组织在有效准备数据以进行模型构建和部署时遇到重重困难。许多组织报告称，AI举措中最具挑战性的方面是数据预处理阶段（见图6）。尽管过去12个月中越来越多的组织表示AI在其内部得到广泛实施，但在这些数据预处理步骤的绩效上并未见显著改善。将AI项目上线但因数据基础薄弱而限制其价值或扩展性，为下一波探索阶段的举措树立了不良先例。
图6：组织发现AI生命周期初期的数据步骤与模型构建同样具有挑战性
AI领导者的差异化实践
AI领导者在数据存储和管理方面遇到的障碍明显较少，这可能源于这些公司已经优先考虑了数据架构的现代化。通过在一开始就建立坚实的数据基础，AI领导者确保了有价值的试点项目能够顺利实现规模化交付。
对于许多组织正在推进的日益依赖数据的AI战略而言，不成熟的数据管理工具集构成了令人担忧的背景。超过四分之三（80%）的受访者预测，在接下来的12个月中，他们用于开发AI模型的数据量将增加，近一半（49%）预测数据量增长将超过25%。更为根本的是，那些在数据管理上投入不足的组织可能会面临新的数据相关压力——特别是在模型训练中使用的数据类型组合方面。从2023年开始，利用非结构化丰富媒体和文本数据进行AI举措的组织比例有所增加，而过时的数据管理技术可能会阻碍这些项目的有效交付。
生成式AI异军突起
迅速超越其他AI应用
88%的组织正积极探索生成式AI。 24%的组织已将生成式AI作为其核心集成能力。 大多数生成式AI先行者认为，生成式AI举措在创新速度（79%）、支持新产品引入（76%）以及缩短上市时间（76%）等竞争差异化领域产生了"高"或"非常高"的影响。
组织迅速加大对生成式AI的投资力度，其关注度远超早期AI形式。在这波投资热潮中，一小部分生成式AI先行者脱颖而出。这些组织在能力整合上更为全面，并在新产品开发、创新提升和加速上市等方面获得了显著的竞争优势。随着生成式AI先行者借助投资和基础设施优势与其他组织拉开差距，这些竞争优势可能会进一步扩大。
生成式AI已成为2024年企业AI战略的核心驱动力。绝大多数组织（88%）正积极探索生成式AI模型，以创建全新的数据或内容。这一关注度远超其他长期存在的AI形式，如预测模型（61%）、分类（51%）、专家系统（39%）和机器人技术（30%）。考虑到生成式AI的关注度仅在2022年末才开始快速攀升，而企业级解决方案仍在开发中，这一现象充分说明了其变革潜力已获得广泛认可。调查中的大多数受访者还对假设性的人工通用智能（AGI，能够在所有认知任务上超越人类的模型）表现出浓厚兴趣，这表明许多组织正密切关注AI的演进前景。
这种兴趣正迅速转化为实质性投资。预计在未来12个月内，生成式AI的预算占比将从总AI预算的30%增长至34%。许多高管对这项技术的影响有着深刻认识，并意识到加速投资的迫切性。
生成式AI的采纳正在快速推进。如图7所示，24%的组织已将生成式AI投资提升为规模化生产能力。相比之下，11%的公司尚未投资于生成式AI，29%仍在试验阶段，37%的组织已将生成式AI投入生产，但尚未实现规模化。对于一项在2022年11月ChatGPT发布后才进入公众视野的技术而言，这是一个令人瞩目的接受程度。
AI领导者的差异化实践
AI领导者在多种类型的AI上进行全面投资，并更有可能在生成式AI之外深入探索机器人技术、专家系统和分类模型。这种多元化的投资组合使他们能够识别满足各种业务需求的解决方案，并促进了这些技术的更全面整合。
图7：生成式AI的成熟度和投资水平
那些已成功集成并广泛部署生成式AI的组织体验到了全方位的收益。值得注意的是，这些收益通常出现在提供竞争优势的关键领域。超过四分之三（79%）的先行者认为，生成式AI对其创新速度产生了"高"或"非常高"的影响，76%认为对缩短上市时间有显著效果，76%认为对新产品引入提供了强有力支持，74%认为对产品或服务质量的提升有明显作用，67%认为对产品和/或服务的差异化产生了重要影响。这些水平远超"AI成熟度"较低的组织，并且表明生成式AI的相对采纳程度可能会重塑行业格局，决定赢家和输家。那些未能迅速实施有意义的生成式AI项目的组织，可能会被能够做到这一点的竞争对手所超越。
AI领导者的差异化实践
与其他投资于生成式AI的组织相比，AI领导者更注重优先考虑那些能够提升创新率和增强IT效能的生成式AI举措。通过聚焦这些领域，他们创造了一个良性循环：增加的创新促进了生成式AI的进一步应用，而精简的IT流程则确保了可持续和高效的交付。
未来的投资水平似乎为这些先行者扩大优势奠定了基础。生成式AI的先行者已大量投资以保持领先地位。成功将生成式AI提升为核心集成能力的组织平均将其AI预算的44%投入到生成式AI中，这一投资水平显著高于其他组织。相比之下，处于生成式AI成熟度早期阶段的公司平均只投入了26%。这些先行者计划进一步扩大生成式AI预算，继续拉大与AI成熟度较低组织的差距。
生成式AI的先行者在支持性基础设施和战略方面表现更为成熟。他们使用更多元化的渠道进行AI模型的训练和推理。更为根本的是，他们在进行AI基础设施规划时考虑了更全面的因素。与投资程度较低的组织相比，他们更可能将安全性、AI加速器的可访问性、数据隐私、可扩展性、客户支持以及AI工具和框架的可用性纳入规划中。这些先行者唯一较少考虑的因素是前期成本，他们认为长期运营支出相对更为重要。通过在基础设施决策初期就考虑这些关键因素，这些组织确保了在项目推进过程中不会遇到重大障碍。
GPU供应持续紧张
影响基础设施决策
AI加速器在优化AI性能方面发挥着关键作用。这些专用硬件设备——尤以GPU为代表——旨在加速模型训练和推理，相较于传统CPU，它们在处理AI工作负载时表现出更高的速度和效率。然而，组织在获取GPU时面临诸多挑战，这种稀缺性提升了GPU在基础设施规划中的战略地位，并促进了专业AI云计算平台的兴起。
在安全性之后，AI加速器的可用性成为基础设施决策的主要因素，44%的组织将其列为首要考虑。 大型公有云服务是获取GPU的主要渠道，但越来越多的组织转向专业的AI云服务。GPU云正成为训练（32%的组织使用）和推理（31%）的关键平台。 在某些地区，特别是亚太地区，AI加速器的短缺已经严重制约了组织将AI模型投入生产的能力。
基础设施决策的主要驱动因素依次为安全性、AI加速器的可访问性、可靠性和可用性。如图8所示，AI加速器的可访问性排名较高，甚至超越了传统关注的运营成本和灵活性等因素。电信（53%）、高等教育（53%）和制造业（51%）的组织对此尤为重视。
图8：安全性和AI加速器访问为基础设施决策的主要因素
大型公有云服务为寻求GPU资源的组织提供了重要途径，但这并非唯一选择。尽管大型公有云计算服务仍是AI训练和推理的首选平台，分别被46%和40%的组织采用，但专业AI云服务已成为一种重要的补充甚至替代方案。GPU云的快速崛起反映了市场对GPU的旺盛需求。近三分之一（32%）的AI投资组织利用GPU云执行训练工作负载，31%用于推理任务。这些专业云服务在信息技术和服务公司中尤其受欢迎，51%的公司将GPU云视为训练的首选平台。
随着AI开发和部署领域的不断扩张，GPU云有望进一步增长。组织预计在未来12个月内，将显著增加训练和推理平台的使用。在这一增长背景下，GPU云的采用率预计将达到34%，无论是在推理还是训练方面。高等教育机构似乎将成为一个特别快速增长的客户群体。我们的数据突出显示，可扩展性是组织认为GPU云主要发挥作用的领域；能够灵活且经济高效地管理波动的AI工作负载显然是推动采用的核心因素。
在一些国家，尤其是多个主要的亚太经济体，GPU的可用性问题尤为突出；印度、台湾、新西兰和澳大利亚更可能将GPU的可用性列为将模型投入生产的三大挑战之一。瑞典（39%）和阿联酋（35%）在这方面也面临显著压力。
AI领导者的差异化实践
AI领导者更倾向于利用GPU云进行训练和推理，并特别关注如何利用这一技术来缩短AI举措的上市时间。通过利用专业的云基础设施服务来加速开发流程，确保获取稀缺的GPU资源，已成为推动AI竞争优势的明确策略。
尽管对AI环境影响的担忧持续存在，但并未阻碍AI的广泛采用；相反，可持续的AI实践为减少碳排放提供了新的机遇。
本年度的焦点在于扩展：拓展AI的应用领域、提升工作负载要求、扩大数据基础设施规模。在此背景下，可持续性实践的重要性不言而喻。众多可持续性措施不仅能带来可量化的价值，而且利用AI解决能源消耗问题也展现出显著潜力，有助于应对碳排放挑战。
近三分之二（64%）的受访者表示，其组织对AI基础设施的可持续性表示"担忧"或"高度担忧"。 常见的可持续性举措包括：投资节能IT硬件（42%的组织）、加大AI治理投入（40%）、开展可持续性培训与教育（37%）以及制定可持续性指南（35%）。 近三分之一（30%）的受访者将减少能源消耗视为推动其组织采用AI/ML的重要动力。
可持续性仍是组织的重点关注领域，近三分之二的组织对AI/ML对能源使用和碳足迹的影响表示担忧，其中25%表示"高度担忧"。这一议题对AI战略制定影响深远，37%的受访者认为可持续性是影响其组织AI基础设施决策的主要因素之一。如图8所示，这一比例与运营成本、数据隐私和可扩展性相当。在数据需求不断扩大的背景下，这种对可持续性的关注尤为重要，同时也影响了未来12个月AI工作负载的预测，包括训练和推理场景的选择。
过去12个月中，42%的受访者将投资更节能的IT硬件作为最常采取的可持续性措施。值得注意的是，可持续性被视为GPU云的第二重要属性，仅次于可扩展性。许多领先的GPU云服务提供商承诺使用更环保的数据中心，这与效率提升举措密切相关。
除了明确表示愿意投资于更优化的技术外，许多组织还增加了对AI治理的投入（40%）、提供可持续性培训和教育（37%）以及制定可持续性指南（35%）。相对较少的组织采取了收缩AI投资的措施。仅5%表示在过去12个月中取消了AI项目，19%表示调整了项目范围。
组织普遍认为可持续性实践行之有效。在评估哪些举措更可能产生重大影响而非微小或无影响时，我们发现可持续性实践更有可能带来实质性影响，尤其是那些有时被忽视的做法（见图10）。虽然只有19%的组织在过去12个月中为应对环境问题而调整AI项目范围，但其中57%认为这一措施具有"高度"或"极高"影响。另一个可能带来显著机会的做法是更换基础设施供应商——27%的组织采取了这一步骤，且被认为是最具影响力的实践。
图10：按影响评估的可持续性措施
AI领导者的差异化实践
AI领先企业正在采取更多举措来应对其项目的环境影响，并且更倾向于认为这些措施具有"高度"影响。特别是，AI领先企业显著更可能考虑在未来12个月内调整训练或推理场景、制定可持续性指南以及实施碳抵消方法。通过同时采取多种措施，每项措施的价值似乎都得到了放大。尽管排放影响评估可能有用，但当这种评估能够转化为供应商选择或AI训练及推理环境的决策时，其价值会更加凸显。
一些组织已经开始应用AI来优化能源消耗——利用AI驱动的效率优势来抵消AI工作负载的资源密集特性。近三分之一（30%）的组织将减少能源消耗和碳足迹视为开发AI/ML应用的关键驱动力。尽管目前这是AI/ML应用中最不普遍的目标，但值得注意的是，几乎三分之一的组织可能已经在应用AI来更好地评估和预测排放，或者提供可以节省能源的效率改进。随着工作负载压力的增加，我们预计这一比例将会上升。
减少能源消耗的动机不仅仅是为了实现可持续发展目标。尽管11%的受访者认为满足企业可持续发展目标是减少能源消耗的优先事项，但这一点不如提高运营效率（13%）和实现成本节约（12%）重要。对监管合规（9%）和客户期望（9%）的关注也同样明显。在某些情况下，这可能使可持续性倡导者能够在关注可持续性影响的同时，将价值置于更广泛的业务目标背景中。
结论
2024年《全球AI趋势报告》呈现了与2023年版截然不同的AI采纳格局。AI的实施范围不断扩大，更加聚焦于提升产品和服务质量以及推动收入增长。生成式AI的快速成熟是推动这一转变的关键因素。然而，挑战依然存在。诸多组织在将投资转向可规模化交付的能力方面面临困难，同时意识到业务运营的可持续性正面临压力。
五大关键行动建议：
1. 构建强大的数据架构以确保AI成功：
组织必须为AI项目的规模化交付制定清晰路径，确保高效的数据管理和存储。在承诺大规模试点项目之前，优先投资于强健的数据基础设施至关重要。这将有助于实现AI价值的无缝交付。
2. 明智投资是生成式AI成功的关键：
从生成式AI中获益的组织已经重新分配预算，聚焦于这些举措。成功取决于精明的决策和强大的基础设施。为效仿这一做法，组织应确保全面的采购实践，并最大化GPU的可用性和利用率，包括探索专业GPU和AI云服务。
3. 探索生成式AI驱动的IT效率提升：
生成式AI能够自动化常规模型开发任务，并优化IT决策，从而推动更流畅的交付。这种自我增强的方法可以支撑更可持续的AI路线图。
4. 扩大可持续性实践的范围：
更换基础设施供应商或调整AI项目范围可以对整体排放产生实质性影响。当多种可持续性措施协同使用时，其价值会倍增，因此组织应鼓励项目团队采用多管齐下的方法。
5. 制定全面的AI战略：
尽管生成式AI提供了显著机遇，但组织应制定全面的AI战略。狭隘的AI方法——即未能充分探索多种技术——不仅忽视了整合不同类型模型的机会，还会错失许多高影响力的应用场景。
Source: S&P Global, 2023 Global Trends in AI Report, August 2024
---【本文完】---
近期受欢迎的文章：
更多交流，可加本人微信
（请附中文姓名/公司/关注领域）
