今年的《韋氏企業詞典》（Merriam-Webster: Enterprises）年度詞匯候選者頗多。隨著整個行業都聚焦于變革性的新技術，繼 “生成式 AI” 和 “生成式預訓練 Transformer” 之后，又出現了 “大語言模型（LLM）”、“檢索增強生成（RAG）” 等詞匯。

生成式 AI 從年初開始嶄露頭角，到年末已經引起了轟動。許多企業正在競相依靠 AI 提取文本、語音和視頻的能力，生成能夠徹底改變生產力、創新和創造力的新內容。

企業紛紛順勢而為。麥肯錫表示，像 OpenAI 的 ChatGPT 這樣的深度學習算法在經過企業數據的進一步訓練后，每年可在 63 個業務用例中創造相當于 2.6 萬億至 4.4 萬億美元的價值。

然而，管理海量內部數據往往被認為是擴大 AI 規模的最大障礙。NVIDIA 的 AI 專家預測，企業在 2024 年的工作重點將是“廣交良友”，即與云服務提供商、數據存儲和分析公司以及其他擅長高效處理、微調和部署大數據的公司建立合作伙伴關系。

這一切都將圍繞大語言模型展開。NVIDIA 專家表示，LLM 研究的進展將被越來越多地應用于商業和企業應用中。RAG、自主智能體和多模態交互等 AI 功能將變得更易于獲取，并且幾乎可以通過任何平臺輕松部署。

在投入到生產中后，這些定制 LLM 將使用 RAG 功能連接數據源與生成式 AI 模型，從而作出更加準確、明智的回答。Amdocs、Dropbox、基因泰克公司（Genentech）、SAP、ServiceNow 和 Snowflake 等頭部企業已經在使用 RAG 和 LLM 構建新的生成式 AI 服務。

開源軟件引領潮流：借助開源預訓練模型，企業將把能夠解決特定領域挑戰的生成式 AI 應用納入其運營戰略中。

如果企業能夠將這些領先的模型與私有或實時數據相結合，就能加速提升整個企業的生產力和成本效益。AI 計算和軟件將可以在幾乎任何平臺上使用，無論是云計算和 AI 模型代工服務，還是數據中心、邊緣和桌面。

現成的 AI 和微服務：生成式 AI 推動了應用編程接口（API）端點的采用，使開發者能夠更輕松地構建復雜的應用。

隨著開發者將在 2024 年使用 RAG 等 AI 微服務定制成品 AI 模型，軟件開發工具套件和 API 將更上一層樓。這將幫助企業運用能夠獲取最新業務信息的智能助手和摘要工具，充分挖掘出 AI 驅動的生產潛力。

開發者可以將這些 API 端點直接嵌入其應用，而且無需再為維護支撐這些模型和框架所需的基礎設施而操心。終端用戶也能體驗到更加直觀、反應更迅速且更符合其需求的定制應用。

寶藏技術的國家應用： AI 將成為新時代的“太空競賽”，每個國家都希望建立自己的卓越中心，以推動研究和科學的重大進步，提高國內生產總值。

只需要幾百個節點的加速計算，就能快速建立起高效率、高性能的百億億次級 AI 超級計算機。由政府出資建造的生成式 AI 卓越中心，將通過創造新的工作崗位和建立更強大的大學項目來培養下一代科學家、研究人員和工程師，進而推動國家經濟的增長。

量子飛躍：企業領導者將在兩大關鍵驅動力之下發起量子計算研究計劃：一是使用傳統 AI 超級計算機模擬量子處理器的能力；二是混合經典-量子計算統一開放式開發平臺的可用性。這使開發者能夠使用標準編程語言構建量子算法，無須掌握需要定制的專業知識。

量子計算方面的探索曾被認為是計算機科學中的一個非主流的小領域。但隨著企業與學術界和實驗室共同推進材料科學、醫藥研究、亞原子物理和物流領域的快速發展，量子計算探索將成為主流。

KARI BRISKI

將 RAG 變成財富：企業將在 2024 年大力采用檢索增強生成（RAG）AI 框架，圍繞此的討論也會更多。

模型有時會因為無法獲得與指定用例相關的足夠準確信息而作出這種不準確或無意義的回答。

隨著企業訓練用于構建生成式 AI 應用和服務的 LLM，越來越多的人將 RAG 視為一種能夠避免作出不準確或無意義回答的方法。

通過語義檢索，企業將使用開源基礎模型打通自己的數據，這樣用戶就能夠從索引中檢索到相關數據，然后在運行時將這些數據傳遞給模型。

企業可以使用更少的資源，為醫療、金融、零售和制造等行業創造出更準確的生成式 AI 應用。終端用戶有望看到更加精進、更加符合上下文的多模態聊天機器人和個性化內容推薦系統，這將使他們能夠自然、直觀地與數據進行對話。

多模態“大顯身手”：基于文本的生成式 AI 將成為過去式。盡管生成式 AI 仍處于起步階段，但預計許多行業都將采用多模態 LLM，使消費者能夠結合文本、語音和圖像，對有關表格、圖表或示意圖的查詢作出更加符合語境的回答。

Meta、OpenAI 等公司將通過加強對感官的支持來推動多模態生成式 AI 的發展，進而促進物理科學、生物科學和整個社會的進步。企業將不僅能夠理解文本格式的數據，還能夠理解 PDF、圖表、幻燈片等格式的數據。

AI 安全將成為核心議題：頭部 AI 企業之間的合作將加快穩健且安全的 AI 系統的研發速度。預計各個行業將采用新的標準化安全協議和最佳實踐來保障生成式 AI 模型的一致且高度安全性。

企業將更加關注 AI 系統的透明度和可解釋性，并將使用新的工具和方法闡釋復雜 AI 模型的決策過程。由于整個生成式 AI 生態系統都會將安全問題作為核心，預計 AI 技術將變得更加可靠、可信且符合人類的價值觀。

開發普及化：不久之后，幾乎所有人都能夠成為開發者。以前的開發者必須掌握并熟練使用特定的開發語言才能開發應用或服務。隨著計算基礎設施越來越多地在軟件開發語言上訓練，任何人都將能夠提示機器創建應用、服務、設備支持等。

企業將繼續雇用開發人員構建和訓練 AI 模型及其他專業應用，同時其他具備相關技能的人士也都將獲得更多構建定制產品和服務的機會。在文本輸入或語音提示的幫助下，他們與計算機的交互將變得像口述指令一樣簡單。

電影和音樂將迎來新的時代：正如 Fab Four “新創作”的 AI 增強歌曲引發了新一波的披頭士熱潮一樣，第一部長篇生成式 AI 電影的誕生也將在電影業掀起軒然大波。

比如，電影制片人在使用 35 毫米膠片攝影機拍攝后，可以通過生成式 AI 技術，將所拍攝的內容快速轉換成 70 毫米格式。這將降低制作 IMAX 電影所需的巨額成本，并讓更多導演參與其中。

創作者將使用文字、圖像或視頻來提示計算機把精美的圖像和視頻轉化成新類型和新形式的娛樂內容。一些專業人士擔心這會搶了他們的“飯碗”，但由于生成式 AI 能夠通過特定任務的訓練而日益完善，這些問題也會逐漸消失，反而使專業人士有時間去處理其他任務，并為他們提供界面對藝術家友好的新工具。

KIMBERLY POWELL

AI 手術助手：外科醫生在手術室內外使用語音增強其所見所聞的時代已經到來。

通過將器械、影像、機器人技術和實時患者數據與 AI 相結合，可以為外科醫生提供更好的培訓，在手術過程中提供更加個性化的服務，甚至在遠程手術過程中給出實時反饋和指導以提高安全性。目前每年有 1.5 億臺手術無法開展，尤其是在中低收入國家，而 AI 手術將有助于縮小這一缺口。

生成式 AI 打造新型藥物研發工廠：一種新的藥物研發流程正在興起。生成式 AI 分子生成、特性預測和復雜建模將推動智能實驗室的運轉速度，縮短研發周期并提高臨床可行候選藥物的質量。

這些 AI 藥物研發工廠使用全基因組、原子分辨率儀器和能夠全天候運行的機器人實驗室自動化技術來建立海量醫療數據集。計算機將實現有史以來首次在龐大而復雜的數據集中學習規律和關系，并且生成、預測和模擬復雜的生物關系，而這些關系之前只能通過耗時的實驗觀察和人工合成才能發現。

企業將定制 LLM 遷移到云端：企業在 2023 年認識到從頭開始構建 LLM 并非易事。他們往往會因為需要投資于新的基礎設施和技術而對這條路望而卻步，而且他們還很難確定如何以及何時該優先開展公司的其他舉措。

云服務提供商、主機托管提供商、以及其他提供企業數據處理服務的公司將通過全棧 AI 超級計算和軟件來幫助企業。這將使各行各業的企業能夠更輕松地定制和部署預訓練模型。

在企業數據湖中挖掘 LLM 這座 “金礦”：目前并不缺少關于普通企業信息存儲量的統計數據，大型企業存儲的信息量可能高達數百 PB。但許多公司都表示自己只挖掘了不到一半的信息來獲取可執行的洞察。

2024 年，企業將開始借助生成式 AI，將那些未被利用的數據用于構建和定制 LLM。借助 AI 加持的超級計算，企業將開始挖掘自身的非結構化數據，包括聊天、視頻和代碼等，從而將其生成式 AI 開發工作擴展到訓練多模態模型。這一巨大的進步超越了挖掘表格和其他結構化數據的能力，將使企業能夠針對問題提供更加具體的答案，并發現新的機遇，包括幫助檢測醫學掃描圖像中的異常情況，發現零售業的新興趨勢，以及提高運營安全等。

生成式 AI 購物顧問：零售商既要為顧客提供其想要的產品，又要提供符合其個人需求和偏好的高質量、人性化全渠道購物體驗。

為了實現這些目標，零售商正準備引進先進的生成式 AI 購物顧問，這些顧問將接受有關零售商品牌、產品和客戶數據的細致培訓，以便能夠提供符合品牌的向導式個性化購物過程并像人類助手那樣細致入微。這一創新的方法將幫助品牌脫穎而出，通過提供個性化的幫助提高顧客忠誠度。

采取保障安全的措施：全球零售商正面臨著日益嚴峻的挑戰。以美國為例，根據美國零售聯合會的報告，自疫情后零售業盜竊案的數量激增以來，零售商遭遇的此類事件猛增了 26.5%。

為了提高顧客和員工在店內的安全，零售商將開始使用計算機視覺和實體安全信息管理軟件采集并關聯來自不同安全系統的事件。這將使 AI 能夠檢測出異常行為，比如大規模搶奪貨架上的物品等。它還將幫助零售商主動打擊犯罪活動，維護購物環境的安全。

工業數字化擁抱生成式 AI：工業數字化與生成式 AI 的融合有望促進工業轉型。

生成式 AI 將使幾何、光、物理、物質和行為等物理學的各個方面轉化成數字數據變得更加容易。物理學數字化的普及將加速工業企業的發展，提高其設計、優化、制造和銷售產品的效率并使其能夠更加輕松地創建用于訓練新一代 AI 的虛擬訓練場和合成數據。這些 AI 將在自主機器人、自動駕駛汽車等物理領域進行交互和運行。

3D 互通性躍升：首次實現從設計到生產的數據互通。

全球制造、產品設計、零售、電子商務和機器人行業最有影響力的軟件與從業公司正在加入新成立的 OpenUSD 聯盟。OpenUSD 是一種 3D 工具和數據之間的通用語言，它將打破數據孤島，使工業企業中的各個數據湖、工具系統和專業團隊能夠比以往更加輕松、快速地開展協作，從而加快繁瑣人工工業流程的數字化進程。

實現整個汽車生產生命周期的現代化：汽車行業將進一步采用生成式 AI 來提供符合物理學的逼真效果圖，在準確展示汽車內部與外部的同時，加快設計評審的速度、降低成本并提高效率。

越來越多的汽車制造商將在其智能工廠中采用這項技術，通過連接設計與工程工具來構建生產設施的數字孿生。此舉能夠在不關停工廠產線的情況下降低成本，實現運營的精簡化。

生成式 AI 將使消費者的研究和購買變得更具互動性。無論是汽車配置器和 3D 可視化，還是增強現實演示和虛擬試駕，都將為消費者帶來更加引人入勝和愉快的購物體驗。

行駛安全無小事：除了汽車產品生命周期外，生成式 AI 還將推進自動駕駛汽車（AV）開發領域的突破性進展，包括將記錄的傳感器數據轉化為全交互式 3D 模擬。在將自動駕駛汽車部署到現實世界前，可以使用這些數字孿生環境以及合成數據生成技術，在虛擬環境中安全地對自動駕駛汽車進行大規模的開發、測試和驗證。

生成式 AI 基礎模型還將幫助車輛的 AI 系統提供全新的個性化用戶體驗、功能以及車內外的安全措施。

駕駛將變得更加安全、智能和愉悅。

使用生成式 AI 創建新事物：通過生成式 AI，企業只需要與大語言模型進行對話就可以完成汽車的設計，或者使用新的技術和設計原則來從無到有創建新的城市。

建筑、工程、施工和運營（AECO）行業正在圍繞生成式 AI 構建未來。AECO 和制造業的數百家生成式 AI 初創公司與客戶將專注于為幾乎所有用例創建解決方案，包括設計優化、市場洞見、施工管理和物理預測等。AI 將加速制造業的發展，提高效率、減少浪費并實現全新的生產和可持續發展方式。

開發者和企業尤其關注點云數據分析，該技術能夠使用激光雷達生成具有精確細節的建筑和自然環境示意圖。借助由生成式 AI 加速的工作流，這項技術將實現高保真的洞察和分析。

AI 飛速增長，連接需求激增：企業正在使用 GPU 和基于 GPU 的系統獲得加速計算所需要的網絡帶寬，網絡效率和性能也將再度成為其關注的焦點。

萬億參數的 LLM 將需要更快的傳輸速度和更廣的覆蓋范圍。想要快速推行生成式 AI 應用的企業將需要投資于加速網絡技術或者選擇能夠滿足這一需求的云服務提供商。實現最佳連接的關鍵在于將其融入到加入了新一代軟硬件的全棧系統中。

網絡將成為設計數據中心的決定性因素：企業將認識到數據中心不必千篇一律。為數據中心選擇合適網絡的第一步是確定數據中心的用途。傳統數據中心的帶寬有限，而能夠運行大型 AI 工作負載的數據中心需要成千上萬個 GPU，而且這些 GPU 在運行時必須保證高度確定且較低的尾部延遲。

網絡在大規模滿負荷情況下的運行能力是確定性能的最佳指標。未來的企業數據中心需要通過獨立的管理網絡（又稱南北向網絡）和 AI 網絡（又稱東西向網絡）連接。其中的 AI 網絡包含專門用于高性能計算、AI 和超大規模云基礎設施的網內計算。

DAVID REBER JR.

明確使安全模式能夠適應 AI：企業正在如火如荼地從以應用為中心的安全模式轉向以數據為中心的安全模式。數據是 LLM 的基礎供應鏈，同時也是生成式 AI 的未來。企業現在才剛剛看到這個問題大規模地顯現，他們需要重新評估人員、流程和技術，重新定義安全開發生命周期（SDLC）。整個行業將重新定義信任的方法并明確透明度的含義。

新一代網絡工具將應運而生。AI 的安全開發生命周期將由新的市場領導者來定義工具和使命，以完成從命令行界面到人類語言界面的過渡。隨著越來越多的企業開始使用開源 LLM（如 Meta 的 Llama 2）加速生成式 AI 的輸出結果，這一需求將變得尤為重要。

使用 AI 提升安全性：將 AI 應用于網絡安全領域將能夠檢測出從未被發現的威脅。目前，全球只有一小部分數據被用于網絡防御。與此同時，攻擊者仍在不斷利用每一個錯誤配置。

企業將通過實驗認識到 AI 在發現突發威脅和風險方面的潛力。網絡助手將幫助企業用戶應對網絡釣魚和配置問題。為了使這項技術發揮作用，企業需要解決工作和個人生活交匯處固有的隱私問題，以便能夠在以數據為中心的環境中實現集體防御。

除了實現技術的全民化之外，AI 也將在威脅不斷增加的情況下造就新一代的網絡防御者。一旦明確任何一種威脅，企業將使用 AI 生成海量數據，并使用這些數據訓練下游檢測器以防御并檢測此類威脅。

RAN 既是目標，也是起點：預計對 5G 投資案例將展開大規模重新評估。

經過五年的發展，5G 的網絡覆蓋范圍和容量都有了顯著的提升，但收入增長卻很緩慢，而且大部分專有且靈活性欠佳的基礎設施的成本也在上升。同時，5G RAN 的利用率仍止步于 40% 以下。

在新的一年里，我們將在現有頻譜上，積極開辟新的收入來源，發掘可商業化的新應用。電信行業還將重新考量資本支出結構，更加關注以通用組件構建的靈活高利用率的基礎設施。此外，由于企業正在使用 AI 工具來提高性能和效率以降低成本，所以預計運營費用將全面降低。這些舉措的成效將決定運營商對 6G 技術的投資力度。

從聊天機器人到網絡管理：為提升客戶服務和支持力度，電信公司已將生成式 AI 應用于聊天機器人和虛擬助手。在新的一年里，他們將進一步在網絡規劃和優化、故障和欺詐檢測、預測分析和維護、網絡安全運營以及能源優化等領域加強生成式 AI 的使用，實現運營方面的改進。

鑒于生成式 AI 的普及度和戰略性，建立新型 AI 工廠基礎設施來推動其發展也將成為當務之急。越來越多的電信公司將建立供內部使用的 AI 工廠，并以平臺即服務的形式，將這些工廠提供給開發人員。這類基礎設施將能夠支持作為額外租戶的 RAN。

金融服務公司需要在保持技術發展速度，降低集中風險的同時保持敏捷性，所以需要做出戰略轉變，即采用將本地基礎設施與云計算混用這樣具有高度可擴展性的方式。能夠處理好最關鍵工作負載（包括 AI 驅動的客服助手、欺詐檢測、風險管理等）的金融服務公司將獲得領先優勢。

物理機器學習加速仿真模擬：能源公司將越來越多地使用物理機器學習加速仿真模擬、優化工業流程并增強決策能力。

物理機器學習將傳統的物理模型與先進的機器學習算法相結合，是快速、準確模擬復雜物理現象的強大幫手。例如在能源勘探和生產中，物理機器學習可以快速建立地下地質模型，幫助確定潛在的勘探地點，評估運營和環境風險。

在風能和太陽能等可再生能源領域，物理機器學習將在預測性維護方面發揮關鍵作用，使能源公司能夠預見設備故障并提前安排維護，從而減少停機時間和成本。隨著算力和可用數據的不斷增加，物理機器學習將深入改變能源公司處理模擬和建模任務的方式，推動更高效和可持續的能源生產。

LLM —— 提升運營成果的高招：結合物理機器學習，LLM 將能夠分析能源設備的大量歷史數據和實時傳感器輸入數據，從而預測潛在故障和維護需求。這種具有前瞻性的方法將減少意外停機時間，延長風力渦輪機、發電機、太陽能電池板和其他關鍵基礎設施的使用壽命。LLM 還有助于優化維護計劃和資源配置，確保維修和檢查工作的高效率。最后，將 LLM 應用于預測性維護將為能源公司節省成本，幫助其更加穩定地為用戶供應能源。

機器人開發者的興起：LLM 將為機器人工程師的工作帶來迅速的改觀。生成式 AI 將為機器人開發代碼并創建新的模擬環境以測試和訓練它們。

LLM 將自動創建 3D 場景、構建環境并根據輸入的數據生成資產，從而加快模擬開發速度。生成的模擬資產將成為合成數據生成、機器人技能訓練和機器人應用測試等工作流的關鍵。

除了幫助機器人開發者外，LLM 背后的引擎 —— Transformer AI 模型將使機器人變得更加智能，使其能夠更好地理解復雜的環境，并更有效地在這些環境中執行各種技能。

為了擴大機器人產業的規模，機器人必須變得更加通用。也就是說，它們需要能夠更快掌握技能或將技能應用于新的環境中。在模擬中訓練和測試的生成式 AI 模型將成為使機器人變得更加強大、靈活且易用的關鍵。