目录
前言
第一部分：您是否使用生成式AI工具？
第二部分：您为什么决定开始使用生成式AI？
第三部分：您使用生成式AI工具的主要原因是什么？
第四部分：您主要如何将生成式AI工具集成到工作流程中？
第五部分：在将这些工具集成到现有系统或工作流程中时，您是否遇到了挑战？
第六部分：您目前在工作中是否使用了多个生成式AI工具？
第七部分：您为什么更换了主要的生成式AI工具？
第八部分：首选生成式AI工具、优势与挑战
第九部分：您如何应对生成式AI工具的伦理考量与潜在偏见？
第十部分：您认为生成式AI工具对社会产生了什么影响？
第十一部分：您希望在生成式AI工具中看到哪些进步或改进？
第十二部分：您如何设想生成式AI在您所在行业中的角色演变？
第十三部分：您是否参加过与生成式AI工具相关的技能提升培训？
第十四部分：您是否属于任何与生成式AI相关的社区？
第十五部分：您认为您选择的生成式AI工具对您的生产力和效率影响有多大？
第十六部分：信任与质量
第十七部分：生成式AI工具的非使用者
第十八部分：2025年生成式AI洞察
结论
前言
改变世界格局的技术往往呈现波浪式发展趋势。20世纪80年代初，个人计算机革命将企业级计算能力带到了普通消费者手中。90年代中期，互联网特别是万维网的出现，使全球数据访问变得空前便捷。进入21世纪，智能手机和无线网络的普及实现了信息的移动性，使人们可以随时随地获取数据和相关服务。
如今，2020年代初期，我们正见证一项可能超越以往所有技术的革命性力量崛起。人工智能，尤其是生成式AI的影响力不容小觑。它在创意产业、计算研究与开发、生命科学与医疗保健、制造业、金融分析等领域的广泛应用，展现了这项技术对人类生活的深远影响。鉴于其在各行各业和个人生活中的普遍应用，生成式AI有望成为本十年最具社会变革力的技术。
大多数组织刚刚开始采用AI实践和MLOps（机器学习运维），而生成式AI的迅猛发展使它们不得不加速提升这些能力，同时学习如何设计新型LLMOps（大语言模型运维）环境，以及如何实现生成式AI投资的最佳回报。
本报告将结果与去年进行对比，清晰呈现过去一年间的快速变化，为生成式AI的当前使用状况及未来发展趋势提供了前瞻性视角。我们诚邀您继续阅读，以获取深刻洞见，帮助您把握生成式AI的现状及其未来发展方向。
主要发现
效率提升：从业者（48.4%）和终端用户（56.4%）主要利用生成式AI来优化工作流程，提高效率。 文本处理：文本应用仍是从业者（42.4%）和终端用户（60.3%）使用生成式AI工具的首选领域。 多样化应用：绝大多数从业者（83.1%）和终端用户（71.8%）同时使用多种生成式AI工具。 任务导向：从业者更倾向于（30.5%）将生成式AI用于特定项目或任务，而终端用户的这一比例为20.5%。
模型优化与系统整合：从业者同等重视（33.9%）提高模型准确性和改善系统集成能力，突显了这两个领域的改进需求。 系统整合难题：从业者在将AI融入现有系统或工作流程中遇到的挑战（67.8%）明显高于终端用户（56.4%）。 工具效能与数据流：58.3%的受访者认为数据管道工具的效率是影响数据工作流的关键，其中数据分析被视为表现最不理想的环节（28.6%）。 响应速度：大多数从业者（71.4%）和终端用户（75%）表示对生成式AI工具的响应速度感到满意。
积极社会影响：多数从业者（52.5%）和终端用户（47.5%）认为生成式AI工具对社会影响总体利大于弊。 行业变革动力：大部分从业者（64.9%）和终端用户（50.2%）预见生成式AI将成为其所在行业大多数业务运营的核心要素。 质量优先：从业者（32.2%）和终端用户（27.3%）一致认为，对于生成式AI工具而言，质量现已超越效率成为首要考量因素。 潜在用户兴趣：100%的非用户表示有意愿在未来尝试使用生成式AI工具。
第一部分
您是否使用生成式AI工具？
2023年 - 88.2% 2024年 - 95.7%
从业者 - 95.2% 终端用户 - 96.2%
绝大多数从业者和终端用户报告他们在使用生成式AI工具，其中95.2%的从业者和96.2%的终端用户表示使用这些工具，较2023年（88.2%）有所增加。
从业者 - 44.3% 终端用户 - 55.7%
数据显示，55.7%的受访者自认为是终端用户，而44.3%认为自己是从业者。这表明生成式AI工具正在超越那些开发或直接实施技术的人群，触及更广泛的受众。
更高比例的终端用户可能推动开发者和公司创造更多面向非专家的用户友好型AI工具，包括改进用户界面、提供更好的文档支持，甚至提供更好的客户支持，以确保工具的易用性和可访问性。
拥有大量终端用户对于反馈常见的挑战、需求和使用模式非常有价值。这有助于AI工具的持续开发，并推动技术的迭代改进。
第二部分
2023年采用生成式AI的主要原因是加快工作进度（48.2%）。今年，这一因素仍被视为从业者（48.4%）和终端用户（56.4%）的关键决定因素，尤其是终端用户对其重要性更为重视。
如成本降低、为日常工作创建内容、以及提高个性化等因素，作为决定性因素也有了普遍的增加，而对生成式AI工具的好奇心有所下降。
2023年
加快工作进度：48.2%
出于好奇：22.7%
其他：15.5%
编写软件：5.5%
为日常工作创建内容：4.5%
降低成本：2.7%
提高个性化：0.9%
2024年（从业者）
加快工作进度：48.4%
其他：17.7%
出于好奇：12.9%
为日常工作创建内容：8.1%
降低成本：8.1%
编写软件：4.8%
提高个性化：0%
2024年（终端用户）
加快工作进度：56.4%
为日常工作创建内容：12.8%
出于好奇：16.6%
提高个性化：6.4%
降低成本：2.6%
编写软件：2.6%
其他：2.6%
降低成本
生成式AI如何帮助降低成本的示例： 自动化日常任务以降低劳动力成本 简化数据分析以加快决策过程 提高内容生成效率 优化供应链管理 通过预测性维护减少停机时间 减少手动过程中的错误 改进资源分配
加快工作进度
生成式AI技术可以加快业务流程，促进更快的决策和任务完成。AI能够以超出人类能力的速度快速处理和分析大量数据，这在金融分析、市场研究和物流等领域尤为有用。
自动化数据输入和处理任务 自动生成报告和文档 通过自动草图工具加速设计流程 通过快速数据分析增强决策能力 使用AI驱动的聊天机器人简化客户服务 加快营销内容的创建 通过代码生成工具改进软件开发
提高个性化
使用生成式AI可以显著改善产品、服务和营销活动的定制化。通过客户数据分析，AI可以根据个人的偏好和行为定制建议、广告和消息，从而提升客户参与度和满意度。
根据用户偏好定制内容推荐 为个别消费者定制营销消息 在教育平台中个性化学习路径 根据个人使用模式调整用户界面 生成个性化电子邮件和沟通内容 根据客户数据创建定制产品 通过个性化支持互动增强客户服务
编写软件
AI驱动的编程工具可以通过建议代码片段、检测漏洞，甚至自主编写代码来帮助开发者。这可以极大地加速软件开发过程，减少错误，并提高代码质量。
根据开发者输入生成代码片段 自动化例行编码任务以减少手动操作 建议代码修正和优化 自动完成部分代码结构 提供实时调试协助 为软件测试生成单元测试 从源代码生成文档
出于好奇
许多个人和组织出于对生成式AI能力和潜在影响的好奇，开始探索这项技术。这种探索性的方法往往会产生创新的应用，并加深对AI如何融入不同工作和日常生活方面的理解。
您使用生成式AI工具的主要原因是什么？
文本应用仍然是从业者（42.4%）和终端用户（60.3%）采用生成式AI工具的主要用途。
终端用户对这些应用的重视程度显著更高，这可能表明基于文本的AI工具在提升日常通信、内容创建和数据管理任务的效率方面具有较高的价值。
虽然生成式AI在对话应用中的使用有所减少，但从业者对其使用的重要性更高，可能是为了通过聊天机器人优化与客户的沟通。
我们还观察到数据增强的重要性略有增加，这在医疗保健领域AI的广泛应用背景下是合理的。
2023年
文本应用：40.8%
对话应用：29.6%
数据增强：13.3%
视觉/视频应用：7.1%
其他：7.1%
音频应用：2%
2024年（从业者）
文本应用：42.4%
数据增强：18.6%
视觉/视频应用：13.6%
对话应用：20.3%
其他：3.4%
音频应用：1.7%
2024年（终端用户）
文本应用：60.3%
对话应用：15.4%
数据增强：14.1%
视觉/视频应用：3.8%
其他：5.2%
音频应用：1.3%
视觉/视频应用
生成式AI广泛应用于视觉和视频领域，用于创建、编辑和增强图像和视频。常见任务包括根据文本描述生成逼真的图像，创建动画，应用视觉效果，以及自动化视频内容的编辑。
创建数字广告 生成动画序列 增强视频质量和分辨率 自动化视频编辑和效果处理 合成逼真的视频背景 制作培训和教育视频 为用户创建个性化视频内容
音频应用
在音频应用中，生成式AI用于创建、修改和增强声音和音乐。这可以包括生成全新的音乐作品以及在嘈杂环境中提高语音清晰度。
为虚拟助手生成合成语音 创作音乐作品 提高录音的音质 将文本合成语音 为媒体制作音效 自动化音频母带处理流程 为用户开发个性化音频内容
文本应用
生成式AI常被用于自动化和改进文本生成，成为各个行业的宝贵工具，包括新闻业、内容营销和企业沟通等。
文本应用的示例：
为博客和文章生成内容
自动化电子邮件回复
为电子商务生成产品描述
生成新闻摘要
实时翻译语言
提供创意写作提示
制作个性化的营销信息
对话应用
AI驱动的对话代理，如聊天机器人和虚拟助手，被设计成模拟人类互动，为用户提供帮助、知识和互动体验。
为客户服务提供聊天机器人支持 在智能设备中促进虚拟助手的使用 实现语音激活的控制系统 支持实时对话翻译 自动化初步筛选的面试机器人 增强互动式教育工具 提供个性化的购物体验
数据增强
生成式AI在数据增强中发挥着至关重要的作用，帮助改进或扩展现有的数据集。这在获取数据困难或成本高昂的领域（如医学影像或自动驾驶车辆的训练）中特别有价值。
扩展机器学习模型的训练数据集 生成用于测试的合成数据 通过修改版本增强图像数据集 模拟各种场景以进行稳健训练 为自然语言处理生成文本变体 增强物联网应用的传感器数据 生成多样化的用户画像以进行仿真测试
第四部分
您主要如何将生成式AI工具集成到工作流程中？
我们在今年询问了受访者，他们主要如何将生成式AI工具集成到其工作流程中。
无论是从业者（47.5%）还是终端用户（43.6%），都更倾向于将生成式AI工具集成到日常任务中的各个职能领域。这种共识可能源于双方都认为生成式AI工具在提升不同工作职能中的整体生产力和效率方面具有显著作用。
从业者更倾向于将生成式AI用于特定项目或任务（30.5%），而终端用户的这一比例为20.5%。这一差异可能是由于从业者的工作性质，涉及更多的专门化和项目导向的应用。
此外，从业者和终端用户都在有需求时偶尔使用生成式AI工具，终端用户（30.8%）比从业者（22%）略为频繁。这一差异可能源于终端用户对AI的互动更加灵活，并且更多地受到即时需求的驱动，而不是嵌入正在进行的项目中。
2023年
集成到日常任务中的各个职能：47.5%
作为特定项目或任务的一部分：30.5%
按需偶尔使用：22%
其他：0%
终端用户
集成到日常任务中的各个职能：43.6%
按需偶尔使用：30.8%
作为特定项目或任务的一部分：20.5%
其他：5.1%
第五部分
我们还希望在2024年调查受访者在将生成式AI工具集成到现有系统或工作流程中时是否遇到过挑战。
从业者报告的挑战发生率更高（67.7%），而终端用户的这一比例为56.4%。这可能归因于从业者在其角色中所需的集成复杂性和深度。
从业者通常负责AI实施的更多技术层面，这通常包括需要更详细定制以满足特定业务运营需求的复杂系统。这种集成级别往往涉及确保工具与旧系统的兼容性、修改现有软件或配置AI以提高性能，这使得集成更加复杂且容易出现问题。
学习成本高 工具尚未足够成熟 算法未达到预期 推广（说服团队和利益相关者） 数据集成 数据安全 结果不准确 生成式AI无法涵盖所有需求
另一方面，终端用户遇到问题的可能性较低，因为他们使用AI工具的层次较浅。这通常表现为即插即用的应用或设计为易于集成的解决方案，无需进行大规模的更改。
第六部分
随着生成式AI的普及，我们希望了解受访者是否使用多个工具。大多数从业者（83.1%）和终端用户（71.8%）都表示肯定，这可能是因为每个工具在特定领域内具有独特的优势和功能。
用户通常发现单一的AI工具无法全面满足他们的需求，因此他们会结合多种工具以实现最佳效果。
对于从业者来说，这通常涉及整合不同的AI解决方案来应对各种任务，如数据分析，或结合不同的分析技术来创建应用程序，以改善项目结果。终端用户可能会根据其特定角色和行业的需求，使用不同的工具来完成内容生成、客户服务自动化和数据组织等任务。
哪些工具最有效地满足了您的需求？
鉴于大多数从业者和终端用户都报告使用多种工具，我们询问了他们常用的具体工具。以下是最常提及的工具。
从业者：
终端用户：
您认为AI工具的响应速度是个问题吗？
我们还想知道那些使用多种工具的受访者是否认为响应速度是个问题。
大多数从业者（71.4%）和终端用户（75%）表示响应速度不是问题，这反映了对AI工具性能的普遍满意度。
当前的AI解决方案似乎在处理任务或请求的效率和速度方面达到了预期。这种高度满意度对于AI工具和技术在各类专业场景中的持续采用和依赖至关重要。虽然AI行业在响应速度方面表现良好，但保持和提升这一点仍然是优先事项。随着期望和工作负荷的增加，AI工具开发者应将这种积极的反馈视为进一步优化AI系统效率的激励。
在您的数据工作流或管道中，哪一部分的响应速度最低？
我们希望调查那些报告存在响应问题的从业者，了解哪些因素可能影响了他们的响应速度，尽管报告问题的样本量很小。
数据分析：28.6% 问题/业务案例识别：28.6% 数据存储：14.3% 其他：14.3% 评估与推理：7.1% 数据整理：7.1%
哪些因素对这部分数据管道有影响？
我们还询问了从业者关于影响该部分管道的因素。大多数受访者（58.3%）指出，管道工具的效率是关键因素。这可能表明需要提高这些工具的性能和速度，这对于在快速决策环境中维持生产力和确保快速处理时间至关重要。
有25%的从业者指出，存储是继管道工具效率之后的一个重要瓶颈，不足或效率低下的存储解决方案可能影响处理和管理大量数据的能力。
管道工具效率：58.3% 存储：25% 代码质量：16.7%
代码质量
数据管道中的代码质量是其整体性能和可靠性的关键。高质量的代码通常会减少错误和中断，从而实现更顺畅的数据流和更可靠的输出。
错误处理与恢复 优化算法 可扩展性 可维护性和可扩展性 并行处理和多线程 资源管理效率 测试和质量保证
管道工具效率
高效的工具可以快速处理大量数据，帮助支持复杂的数据操作而不会出现性能问题。这是处理大数据或实时处理需求时的关键因素，因为延迟可能导致过时或不相关的洞察。
数据处理速度 资源利用率 最小化延迟 缓存与状态管理 负载均衡 自动化与编排 适应数据量与数据多样性
存储
数据管道中的存储解决方案影响数据处理的成本效益和性能。有效的存储解决方案必须提供足够的空间来存储数据，同时具备可访问性和安全性。
数据检索速度 数据冗余和备份 可扩展性 数据完整性和安全性 成本效益 自动化和管理工具 集成能力
NLP：42.8% 图像识别：14.3% 图像/视觉生成：14.3% 推荐系统：14.3% 其他：14.3%
我们还要求受访者识别推动其数据管道设计、实施和操作的具体场景或业务需求，以了解数据管道在其组织内的主要用途。
自然语言处理（NLP）被突出为主要用例（42.8%），其他用例的分布均匀。这可能是因为企业在数字领域的业务增加，这些领域从电子邮件、社交媒体、客户服务聊天等来源生成了大量文本数据。
NLP
NLP应用需要处理和分析文本数据，以完成诸如情感分析、语言翻译和聊天机器人互动等任务。针对NLP的有效数据管道需要管理社交媒体帖子、客户反馈和技术文档等多样化的数据来源。
从文本数据中提取关键信息 自动分类和标记内容 分析客户反馈中的情感 通过语义分析增强搜索和发现 从非结构化来源中自动输入数据 从大规模文本数据集中生成摘要 支持高级问答系统
图像识别
图像识别分析视觉数据以识别物体、面孔、场景和活动。图像识别的数据管道必须有效处理大量图像数据，这需要大量存储和强大的处理能力。
在制造业中自动化质量控制 对数字图像进行分类和标记以便于检索 通过面部识别增强安全系统 支持自动驾驶车辆导航 分析医学图像以进行诊断 监控零售空间以控制库存 处理卫星图像进行环境监测
图像/视觉生成
当使用生成模型创建新图像或视觉内容时，数据管道旨在支持生成过程，例如在图形设计或虚拟现实中。
为时装设计创建虚拟模型 生成逼真的游戏环境和角色 为建筑规划模拟建筑可视化 为市场营销和广告制作视觉内容 开发带有自定义插图的教育工具 通过CGI效果增强影视制作 为社交媒体平台创建个性化头像
推荐系统
推荐系统如何驱动数据管道的示例： 个性化推荐流媒体平台上的内容 向电子商务网站的用户推荐产品 定制社交媒体上的新闻推送 根据听习惯推荐音乐 建议专业网络上的联系人 根据过往行为推荐旅行目的地和活动
第七部分
大多数从业者（50.9%）和终端用户（57.5%）已经更换了他们的主要生成式AI工具。
在更换工具的从业者（30.5%）和终端用户（35.9%）中，主要原因是其他工具提供了更好的功能/性能。
AI工具市场的竞争激烈，要求持续的创新和改进。用户对现有AI工具抱有很高的期望，如果他们的主要工具无法满足需求，他们会寻找替代方案。
第八部分
2023年
ChatGPT：15.5%
其他：11.1%
GitHub Copilot：2.3%
Midjourney：3.2%
2024年（从业者）
其他：47.5%
ChatGPT：45.8%
GitHub Copilot：6.7%
Midjourney：0%
2024年（终端用户）
其他：50%
ChatGPT：41%
GitHub Copilot：5.2%
Midjourney：3.8%
ChatGPT不仅继续是今年的主要工具选择（相比去年的15.5%），而且在从业者（47.5%）和终端用户（41%）中的使用比例也更高。
尽管今年提到Copilot的频率增加了，但我们发现，尽管ChatGPT仍然是首选生成式AI工具，但与2023年相比，今年提到的工具种类更多。
首选工具的主要优势是什么？
2023年
效率：26.7%
质量：14.4%
速度：15.5%
创造力提升：15.5%
准确性：10.3%
更好的决策：8.2%
其他：8.2%
成本节约：1.2%
2024年（从业者）
质量：32.2%
速度：13.6%
准确性：11.9%
更好的决策：11.9%
效率：15.3%
成本节约：6.8%
其他：5.1%
创造力提升：3.2%
2024年（终端用户）
质量：27.3%
速度：22%
创造力提升：13%
准确性：7.8%
成本节约：2.6%
更好的决策：6.5%
效率：15.6%
其他：5.2%
2023年，效率（26.7%）被认为是受访者首选工具的主要优势。
今年，我们看到优先事项发生了变化，从业者（32.2%）和终端用户（27.3%）一致认为质量现在更为重要。
用户正在寻找能够高效执行任务且极为准确和可靠的工具。这种转变可能是因为生成式AI工具越来越多地用于关键业务功能，这种情况下的错误可能会带来高昂的代价。
效率仍然是从业者的第二重要原因（15.3%），而终端用户则强调速度（22%）。
这种差异表明从业者和终端用户有着不同的需求；前者通常处理复杂而多面的任务，需要工具最大化资源利用并将浪费降至最低，而后者则可能更重视工具能否迅速提供他们所需的内容以应对日常任务。
首选工具的主要挑战是什么？
2023年
生成式AI的偏见、错误和局限性：36.1%
信息池的有限性：19.5%
生成式AI的数据安全：16.5%
与高级版本相关的费用：12.4%
其他：7.2%
生成式AI与知识产权的冲突：5.2%
对第三方平台的依赖：2.1%
员工士气：1%
2024年（从业者）
生成式AI的偏见、错误和局限性：43.9%
生成式AI的数据安全：23.6%
与高级版本相关的费用：8.7%
其他：6.8%
生成式AI与知识产权的冲突：6.8%
信息池的有限性：5.1%
对第三方平台的依赖：5.1%
员工士气：0%
2024年（终端用户）
生成式AI的偏见、错误和局限性：50.6%
生成式AI的数据安全：13%
信息池的有限性：11.7%
与高级版本相关的费用：9.1%
对第三方平台的依赖：5.2%
其他：3.9%
生成式AI与知识产权的冲突：3.9%
员工士气：2.6%
生成式AI的偏见、错误和局限性连续两年被认为是首选工具的主要挑战。这对终端用户（50.6%）来说比对从业者（43.9%）更为重要，后者同样看重生成式AI的数据安全，分别占13%和23.6%。
或许出乎意料的是，这与去年相比有所变化，当时生成式AI技术较为新颖。2023年，信息池的有限性是第二大挑战，而生成式AI的数据安全则排在其后。这可能表明用户对这些工具及其能力的认识有所提高，尤其是在生成式AI的伦理和治理方面的讨论增多的情况下。
第九部分
正如前面提到的，生成式AI的伦理问题可能会引起担忧，今年我们希望了解受访者在继续使用这些工具时如何应对这些问题。
大多数从业者（44.1%）强调定期审计和评估是解决伦理挑战的主要方式。这表明了该群体中一种结构化和积极主动的方法，定期审计通常有助于识别和缓解潜在问题，以确保与利益相关者的透明度和符合伦理规范或法规。
然而，这也是终端用户（31.1%）的一个非常接近的第二选择，主要是报告他们并没有专门处理任何伦理问题（32.5%）。这可能表明在意识或资源方面存在一定的差距，终端用户可能不具备充分应对生成式AI工具伦理考虑的能力。
第十部分
随着生成式AI工具的使用逐渐成熟，我们希望了解它们对社会的影响。
大多数从业者（52.5%）和终端用户（47.5%）认为生成式AI工具对社会的影响主要是积极的。有趣的是，相当大比例的从业者（42.4%）和终端用户（39.8%）表示这些工具对社会产生了混合影响。
这种分歧表明，在部署生成式AI工具时，理解和体验可能会非常复杂。尽管结果显示只有少数人对这些工具持负面看法，但对其复杂性的认识引发了混合情绪和影响。
这种混合影响强调了在AI领域保持开放对话和频繁监管的重要性，以确保适当建立指导方针和框架。
第十一部分
随着生成式AI工具的持续使用，我们想知道有哪些进步或改进会有所帮助。
从业者将更准确的模型和更好的集成能力（33.9%）视为同等重要，其次是增强的数据隐私（28.8%）。
终端用户也强调了相同的需求，但更强调更准确的模型（42.9%），其次是更好的集成能力（29.9%）和增强的数据隐私（22%）。
对更好的集成能力的需求是一致的，旨在无缝将AI工具融入现有系统和工作流程中，这意味着这些工具可以提高生产力，而不会干扰现有流程。
数据隐私则涉及到AI系统处理敏感信息时的持续关注，需要监管机构提供强有力的数据保护措施，以确保个人和机密数据的安全。
第十二部分
大多数从业者（64.9%）和终端用户（50.2%）认为生成式AI将在其行业的大多数运营中变得不可或缺。随着生成式AI被期望在日常任务中发挥重要作用，行业可能很快会进一步将其整合到核心运营中，以确保更高的生产力、效率和创新能力。
许多从业者（31.6%）和终端用户（30.6%）还将这项技术视为一种辅助工具。虽然AI具有变革性，但许多人认为它是能力的增强者，而不是运营的替代品或驱动力。AI可以被战略性地用于改善决策、提供洞察，并辅助人类能力。
第十三部分
是：64.4%
否：35.6%
是：46.2%
否：53.8%
大多数从业者（64.4%）已经参与过提升生成式AI工具技能的培训，而大多数终端用户（53.8%）尚未进行相关培训。
从业者可能更需要在这个快速发展的领域中保持技能的更新和熟练，因为这些工具复杂，需要扎实的技术和技巧理解才能有效使用。
这种积极主动的学习方式使他们能够充分发挥生成式AI工具的全部潜力，推动公司改进和创新。
另一方面，大多数终端用户尚未参与培训，这可能表明缺乏意识、对复杂性的认知或在获取资源和培训机会方面存在障碍。
参与培训的从业者中，有84.3%表示他们的体验为7分或以上。 参与培训的终端用户中，有83.4%表示他们的体验为7分或以上。
高满意度表明现有的培训计划能够满足参与者的需求和期望，并有效应对使用和应用生成式AI工具时的复杂性。
第十四部分
您是否属于任何与生成式AI相关的社区？
是：64.4% 否：35.6%
是：48.7%
否：51.3%
大多数从业者（64.4%）属于生成式AI社区，这突显了同行合作和定期更新进展与挑战的必要性。
这些社区对于建立网络至关重要，直接影响到职业发展，并激发关于技术问题和创新的讨论。
另一方面，大多数终端用户（51.3%）不属于这些社区，可能是由于更广泛的AI生态系统中存在的差距，如获取问题、缺乏意识或对相关性的认知不足。
这些社区如何支持您使用生成式AI工具？
我们深入探讨了这些社区如何支持从业者和终端用户：
从业者视角：
"大型语言模型和对话模型本质上是人机交互的全新范式。这种新型交互界面催生了此前难以实现甚至无法想象的创新流程和解决方案。因此，成为早期采纳者社区的一员至关重要。在某种程度上，我们都是这一领域的新手，通过社区交流加速了集体学习进程。"
——科技咨询与专业服务公司首席执行官
"关于如何减少用户、消费者和业务偏见的讨论正在深入。人们普遍担忧工作岗位流失的可能性。尽管这些议题备受关注，但我认为还有更多值得探讨的方面。我在团队协作以及行业实践中，特别是在企业基础设施运营领域，成功应用了生成式AI工具。"
——Vistaprint网络工程经理
"我参与的AI社区提供了丰富的学习资源，包括教程研讨会、专家讨论会、问答环节和在线论坛。用户可以在这些平台上交流经验、分享资源，这些都极大地提升了我使用生成式AI工具的实操能力。"
——医疗行业首席技术官
终端用户观点：
"社区帮助我了解了新兴工具、最佳实践以及问题排查技巧。"
——高级用户体验研究员
"我深入学习了生成式AI引擎的架构细节，更全面地理解了对话响应的生成机制。"
——运营分析师
"主要收获是获取了实用且最新的提示技巧，帮助我认识工具的局限性，并在新工具应用方面积累知识、加速学习。"
——高级产品营销人员
第十五部分
为了更深入地了解生成式AI工具的优势与挑战，我们还旨在评估受访者对该技术对其生产力和效率影响的看法。
正面影响
总体来看，正面影响相比去年（6.85）有所提升。从业者（7.85）和终端用户（7.09）均报告生成式AI工具对其生产力和效率产生了更为积极的影响，其中从业者的正面影响略高于终端用户。
负面影响
有趣的是，负面影响也较去年（1.86）有所增加，这可能是由于生成式AI工具的广泛采用所致。终端用户（2.45）报告的负面影响高于从业者（1.97），这一点与正面影响的情况相反，符合预期。
第十六部分
我们还希望评估受访者对生成式AI工具的信任度以及他们对这些技术所生成内容质量的评价。
与去年相比，受访者对生成式AI工具的信任度有所提升（5.61）。从业者的信任度（6.69）略高于终端用户（6.58），这或许可以归因于工具的更广泛应用和更频繁的使用。
我们还可以推测为什么从业者对工具的信任度略高于终端用户：从业者通常通过频繁使用对这些工具有更高的熟悉度，拥有更高的技术专长，更丰富的改进和更新经验，以及更高的职业依赖性。
您如何评价生成内容的质量？
2023年：平均而言，大多数受访者将生成式AI工具评为他们的首选，评分为五分之四（48.5%）。
2024年 - 从业者；平均而言，大多数从业者将生成式AI工具评为他们的首选，评分为五分之四（57.6%）。
2024年 - 终端用户：平均而言，大多数终端用户将生成式AI工具评为他们的首选，评分为五分之四（50%）。
从2023年到2024年，尤其是在从业者中，正面评价的上升趋势表明对生成式AI工具的满意度在增加。我们还观察到这些工具本身的改进，对其功能的熟悉度提高，以及在工作流程中应用的相关性提升。
第十七部分
今年，只有2.1%的受访者表示他们不使用生成式AI工具；这一比例较去年的11.8%显著下降。我们希望了解这一选择及下降背后的原因。
这一显著下降表明存在多种重要的潜在因素，例如对生成式AI工具的认知和理解的增加、更加广泛的可及性、效果和投资回报率的验证、同行影响和行业趋势、技术的发展以及文化和组织的变化。
受访者不使用生成式AI工具的理由分布较为均匀。
选择内部开发AI工具可能意味着倾向于使用针对特定业务量身定制的解决方案。这可能源于对控制权的担忧或希望保留专有系统。
受访者还提到缺乏兴趣作为不采用外部生成式AI工具的原因。这可能源于对这些工具如何能够改善其特定操作的清晰优势或理解的缺乏，指出了潜在的认知差距。
类似地，存在生成式AI工具与操作无关的认知，这意味着AI技术的提供与潜在用户的需求或理解之间可能存在脱节。
您是否考虑在未来使用生成式AI工具？
是 - 100%
所有非使用者均表示他们愿意在未来使用这些工具，这表明了对生成式AI工具的看法和技术发展的重要洞察。
生成式AI工具正在被广泛接受，并展现出积极的前景，表明它们已经证明了自身的价值，并成功说服了以前持保留态度的个人或公司，认识到其潜在的好处。
这些工具在各个行业的广泛实施潜力也十分显著，随着越来越多的非使用者采纳这一技术，我们可能会看到生成式AI更加广泛地融入商业运营中，推动新一轮的数字化转型。
对生成式AI的总体看法
支持：33.3%
中立：66.7%
反对：0%
大多数受访者（66.6%）表示他们的公司对生成式AI持中立态度，有些（33.3%）则表示公司对其持积极态度。
这种中立的普遍观点可能表明许多公司仍在评估生成式AI的潜在影响和好处，而尚未完全承诺采用它。
与去年类似，没有出现反对意见，这暗示了对生成式AI持开放态度的可能性，甚至可能在未来会采纳。
您是否信任生成式AI工具？
信任：72.8%
不信任：27.2%
对生成式AI工具的信任程度（72.8%）与去年持平，继续显示出并非所有承诺将来使用该技术的人也信任它。
您认为生成式AI工具对社会的影响如何？
大多数受访者（66.7%）认为这些工具的影响是混合的，这可能表明对技术好处与挑战的细致理解。这种观点可能源于意识到，尽管生成式AI推动了创新和效率，但它在伦理和偏见方面也可能存在风险。
您如何看待生成式AI在您的行业中的角色发展？
作为补充工具：100%
所有非使用者将其角色视为补充工具，这可能表明尽管生成式AI有其用途，但对核心业务运营并非至关重要。这可能为开发者提供了教育和展示AI广泛好处和能力的机会。
哪些具体的安全或隐私问题阻碍了您使用生成式AI工具？
个人/生成数据的潜在滥用和数据使用透明度不足是非使用者的主要担忧。这可能表明对个人数据被AI系统或第三方处理不当的担忧。
数据使用的透明度也需要得到充分解决；AI系统如何使用、处理和存储数据需要强有力的数据治理政策和法规，这需要由AI提供商妥善传达。
回答“其他”的人未作具体说明。
您是否注意到由于其他人使用生成式AI而在您的行业中发生了变化？
大多数受访者（66.7%）表示他们注意到由于其他人使用生成式AI技术而在行业中发生了变化。然而，他们没有详细说明这些变化的具体情况。
我们可以推测，这些变化可能涉及从市场动态到操作流程的各种方面，例如市场扰动和伦理问题。
您是否参加了提升生成式AI工具技能的培训？
大多数非使用者（66.7%）已参加培训以提升他们的技能。
当被要求在1到10的范围内评分时，平均分为6。
第十八部分
生成式AI技术未来5年的发展前景
生成式AI作为一场独特的技术革命，其显著特征在于能够在多个领域协助人类。它不仅提升了研究领域的组织性、速度和效率，还为个人生活带来了清晰度，同时为企业创造了与消费者建立更紧密联系的机会。
目前，生成式AI正处于关键的转折点，我们已进入扩展和演进阶段。预计下一阶段的发展将聚焦于更深层次的个性化以及针对特定行业的专业化模型。虽然在讨论摩尔定律时需要谨慎，因为它更多是一种预测而非自然法则，但值得注意的是，摩尔定律的实现周期已从两年延长至三年，且AI芯片尺寸的缩小正变得愈发昂贵和复杂。从终端用户的角度来看，生成式AI的使用复杂度预计不会显著增加。
在商业化方面，当前主流的3纳米芯片预计将在2025年发展到2纳米。按照摩尔定律目前的三年周期，5年内我们可能勉强达到1纳米水平。这可能标志着摩尔定律的终点，届时芯片技术将面临新的挑战，因为在现有技术条件下，将商用芯片尺寸缩小到1纳米以下似乎难以实现。
降低AI生产成本和环境影响 完善监管框架，加强隐私保护和安全措施 推进技术扩展和商业化应用 深化AI教育和提高AI可解释性 推动芯片制造领域的创新
您认为生成式AI将对哪些领域产生最大的影响？
这取决于您的视角，但从消费者的角度来看，我认为零售和电子商务领域将受到更深远的影响。若能将生成式AI技术应用于这些领域，试想一下它对消费者搜索、客户服务、最后一公里物流以及整个供应链的变革性影响。那些全面拥抱AI的企业将在竞争中占据更有利的地位。
生成式AI物联网设备/AI设备的普及， CAIO（首席AI官）岗位需求的增加， 对AI的认知深化。
生成式AI技术将在未来5年如何发展？
我预计将出现一些更为通用的工具，同时也会有一些高度针对特定应用场景的工具，这些工具将超越当前使用的机器学习和模型技术。
您认为生成式AI将对哪些领域产生最大的影响？
医疗保健、供应链和交通运输行业。此外，在线零售和在线金融服务（如银行、保险等）也将受到显著影响。
更多的"按需付费"生成式AI服务模式， 监管力度加大，对模型和使用案例的透明度要求提高， 开源环境中可定制和共享模型的增加，使用户能够查看和利用定制化的应用程序。
生成式AI技术未来五年的发展趋势
生成式AI预计在未来五年将取得显著突破，有望克服当前面临的诸多局限。其中一个关键领域是稳健性——即生成一致可靠输出的能力。随着训练数据筛选和偏差检测技术的进步，AI模型的可信度将大幅提升。此外，研究人员正在开发使生成式AI能够理解和响应用户反馈的方法，使其更能适应用户需求。这些进展将使生成式AI在创意产业、科学发现和个性化体验等领域发挥更大作用。
生成式AI的影响领域
医疗保健：在药物研发、医学影像分析和个性化治疗方面有望取得突破。 材料科学：有助于设计具有特定性能的新型材料。 创意产业：将在图形设计、内容创作和音乐创作等任务中实现高度自动化。
2025年三大趋势预测
生成式AI的重大突破。预计到2025年，生成式AI将实现重大进展，能够产生更加真实和富有创意的输出。这可能会彻底改变内容创作、药物研发和材料科学等领域。
AI驱动工具的广泛应用。预计到2025年，AI技术将变得更加用户友好和易于获取，推动其在各行各业的广泛应用。这可能包括用于数据分析、客户服务甚至科学研究的AI驱动工具。
对负责任AI开发的关注度提升。随着AI技术日益融入社会，预计2025年将更加重视负责任的AI开发。这可能涉及有关偏见、透明度以及AI伦理影响的讨论和法规制定。
与去年相比，生成式AI的采用率大幅攀升，利用这些工具加速工作流程和提升生产效率的趋势愈发明显。实践者和终端用户都认识到生成式AI在文本应用和特定项目任务中的关键作用，凸显了其在日常运营中日益增长的重要性。今年的调查结果还显示，优先考虑质量而非效率的趋势发生了显著变化，表明人们对这些工具的认知和使用方式正在转变。
本报告的一个关键发现是，尽管生成式AI发展迅猛，但定期审计、强化安全措施和提高数据使用透明度对于维持其增长势头和确保其合乎伦理的部署仍然至关重要。
总之，今年的报告强调了持续教育、改进工具集成以及关注伦理和隐私问题在塑造生成式AI未来发展中的重要性。
Source: AI Accelerator Institute
---【本文完】---
近期受欢迎的文章：
更多交流，可添加本人微信
（请附姓名/单位/关注领域）
