SCR-SELF-0032026-06-01约 21 分钟阅读

AIGC对企业的影响及对策

以ChatGPT为代表的人工智能生成技术(AIGC)进入爆发期和实用阶段。企业不应该被市场上炒作和焦虑情绪带节奏,而应该回到AIGC内容生产力工具的本质,从内容分类学角度对AIGC影响的业务领域进行分析,并推导其对企业变革的要求,进而确定理性的、实用的AIGC策略。

AIGC对企业的影响及对策

AIGC对企业的影响及对策

李长华

摘要

以ChatGPT为代表的人工智能生成技术(AIGC)进入爆发期和实用阶段。企业不应该被市场上炒作和焦虑情绪带节奏,而应该回到AIGC内容生产力工具的本质,从内容分类学角度对AIGC影响的业务领域进行分析,并推导其对企业变革的要求,进而确定理性的、实用的AIGC策略。

主要发现

AIGC已经进入实用阶段,在软件代码、诗歌、绘画等内容生成领域达到较高的质量水平。

AIGC不是只有通过神经网络和机器学习才能实现,通过结构化编程也能实现AIGC。现阶段,通过结构化编程实现的AIGC比通过神经网络和机器学习实现的AIGC更可靠、可控。大部分企业用户不需要使用大模型就可以满足企业内容生成的需要。

对于非内容生产为主业的企业,AIGC的业务影响领域是可控、有限的,主要集中在软件编程、研究分析、广告宣传和培训领域,机会大于威胁。对于以内容生产为主业的企业,AIGC的业务影响是全面的,威胁大于机会。

AIGC作为生产力工具,在提升企业生产力水平的同时,对企业的生产关系变革也提出了要求,具体表现在岗位、组织、人才、工作方式、运营模式和风险管理等方面的要求。

AIGC的内容质量总体上不低于专业人员的平均水平,但达不到最高水平。人的因素是内容质量提高的决定性因素,也是最终竞争差异所在。

建议

企业应该理性拥抱AIGC,从内容出发,找到AIGC影响业务最大的领域,采用实用的AIGC解决企业的问题,实现企业的业务目标。

从数字化的全局的角度应对AIGC,回应对企业生产关系的要求,也就是对岗位、人才、组织架构、工作方式、运营模式的要求,实现企业提质增效和数字化的目标。

企业应该高度注意人才能力的提升,特别是与AIGC进行内容共创的人才能力。

要注意AIGC可能带来的风险,建立风险管理机制,发展AIGC风险管理能力。

AIGC(Artificial Intelligence Generated Contents)指由人工智能生成的内容,其背后的技术是生成式人工智能(Generative AI)。2022年下半年开始,因ChatGPT引发的AIGC浪潮席卷了全球,使AIGC成为国内、外最热的话题。ChatGPT似乎成了AIGC的代名词,所有的人都在谈论ChatGPT。人们津津乐道的传播着ChatGPT带来的各种“奇迹”和由它带来的影响。很多人认为,ChatGPT标志着通用人工智能的到来,并坚称通用人工智能将取代大量人类工作,造成大规模失业。毋庸置疑,这些传播和言论有炒作的成分,目的是制造焦虑、吸引流量和创造新的商机。但必须承认,虽然称之为奇点时刻还需要更多的观察,以ChatGPT为代表的的生成式人工智能确实发展到了一个具有历史性意义的阶段,有必要对生成式人工智能对业务的影响进行严肃、认真的分析。因为在很多领域,生成式人工智能将迅速、彻底地改变业务。错过了生成式人工智能将直接导致企业的竞争力弱化,在市场上落于不利的位。

AIGC的历史

AIGC并不是新的东西,最早的AIGC可以追溯到1950年代的隐藏的马尔科夫模型(HMMs)和高斯混合模型(GMMs) 。这些模型用来生成顺序的文本或时间序列数据。1957年,第一支由计算机创作的乐曲诞生,弦乐四重奏《伊利亚克组曲》。1966年第一个对话机器人Eliza面世。但由于产出的性价比不高,AIGC没有发展起来。2006年,深度学习算法面世,同时新型处理器GPU和TPU的算力大幅度提升,再加上互联网提供了大量的数据,使AIGC有了新的机会。2007年,第一部由人工智能创作的小说1 The Road出现了。但写作质量不高,不能算是可读的作品。2012年,微软发布了基于深度神经网络(DNN)的同声传译系统,其中语音合成部分也属于AIGC应用。但是这个系统与专业译员比起来相差甚远,并不能进行正式场合的应用。同年,IBM的Watson参加电视智力问答大赛Jeopardy并击败两名胜率最高的人类选手。

对AIGC来讲,2014年是一个非常重要的年份。因为一种基于DNN算法的新模型生成式对抗网络GAN(Generative Adversarial Network)诞生了。同年,微软小冰创作了第一部机器写作的诗集《失去阳光的玻璃》,达到了可读的朦胧诗的水平。这一年,深度伪造技术出现在互联网上。2016年,基于深度神经网络的transformer模型问世。2018年英伟达发布StyleGAN模型,可以用于生成图片。当前发展到Style-XL,可以生成高清图片,达到以假乱真的地步。2019年DeepMind发布DVD-GAN,可以生成较好的连续视频。2021年OpenAI推出基于转换器(transformer)模型的DALL-E,2022年升级为DALL-E-2,通过输入文字描述可以生成各种风格的图像。2022年OpenAI推出同样基于transformer的ChatGPT,可以对话的形式生成文本、报告、代码等。次年推出多模态的GPT4,可以理解文本、图片,并生成内容。与此同时,大量基于多模态大模型的AIGC应用问世,国内的高科技厂商百度推出文心、阿里巴巴推出通义千问,腾讯发布腾讯混元、华为发布华为盘古、商汤科技推出日日新、第四范式推出式说、科大讯飞发布星火等等。

回顾AIGC的发展历程,我们发现AIGC的发展离不开深度神经网络(DNN),无论是GAN还是Transformer都是基于深度神经网络的。在生成的过程中,最先出现的是乐谱,之后是文本、图片和视频。这些生成的内容作为AIGC的元内容,为广泛的应用奠定了基础,也展开了人工智能生成实用、有价值的内容的丰富的图景。在AIGC的发展过程中,ChatGPT起到了非常特殊的作用。因为在其推出的两个月的时间里,注册用户即达到了上亿人。这打破了历史上所有应用能够达到速度的记录。这样的引流速度,确实是非常震撼,因此引起了普遍的关注,吸引了投资人、厂商和用户的目

登录后查看全文

本报告免费开放给注册用户,登录即可阅读全文。

相关报告推荐

3835942026-11-12

外包与采购合同的重签:按人天计价与验收交付在外包方也用AI后的重新定价与追责研究

外包方引入AI工具后,传统按人天计价与验收交付的合同模式面临失效风险。AI压缩了实际作业时间,导致按时间付费的定价逻辑失衡,同时模糊了交付质量的责任边界。采购合同需从购买人力向购买业务结果转型。 在双智协同框架下,甲乙双方合作应转向基于业务编排脚本的结果导向模式。定价机制需剥离纯人天成本,引入基于业务价值的动态评估。追责机制应明确AI生成内容的权属与质量底线,将数据要素化纳入交付标准。企业需通过一把手工程推进合同重构,建立适应新双模架构的供应商管理体系,确保外包交付效率提升且风险可控。

8098352026-11-11

新角色与职责边界:AI开发下技术负责人、评审者与验证者的职责重划研究

AI开发模式下,技术负责人、评审者与验证者的职责边界正从线性交接转向动态融合。基于双智协同理念,技术负责人需从单纯的架构管控转向业务编排与全局资源调度。评审者的工作重心向算法逻辑与业务目标对齐转移,确保技术路径不偏离商业价值。验证者则承担数据要素化过程中的质量把控与合规审查。新双模架构要求上述角色打破传统流转模式,形成敏捷互动的责任矩阵。这种职责重划有效降低了项目交付风险,重塑了组织的技术治理结构。明确的边界划分与协同机制,为企业的智能化演进构建了稳固支撑。

8963392026-11-02

多智能体协作中的控制平面架构模式研究:协调、约束与责任划分

多智能体协作的控制平面不仅是技术路由,更是业务逻辑与智能决策的统筹中枢。在双智协同视角下,控制平面需实现人类意图与机器执行的精准映射,通过动态编排与约束机制,确保多智能体在复杂场景中的责任清晰与目标对齐。本报告深入剖析控制平面的架构模式,探讨如何通过协调机制打破智能体间的孤岛,利用约束规则防范系统性风险,并明确责任边界。研究发现,构建具备高敏捷性与强可控性的新双模架构,是应对多智能体不确定性的关键。企业应将其作为核心基础设施,以业务编排脚本驱动协作,实现从单点智能向全局协同的跨越,提升整体决策效能与业务韧性。

7077352026-11-02

智能体行为可观测性与权限决策审计框架研究

在双智协同深化应用的背景下,智能体正从执行工具向自主决策实体演进,其行为可观测性与权限决策审计已成为企业数字化安全的核心底座。本报告指出,传统IT审计已无法适应敏捷环境下的智能体交互,企业需构建全链路行为观测体系,将智能体决策逻辑与业务编排脚本深度绑定,实现从结果管控向过程与意图审计的范式转变。尚参发现,建立动态权限决策审计机制不仅是合规底线,更是提升组织双智协同成熟度的关键。建议管理层将智能体审计纳入整体架构演进规划,确保人机协同在安全边界内释放业务价值。

4037272026-10-10

AI工具在求职中的应用边界:智能体能力、风险与使用框架(AI Tools in Job Search Agent Capabilities, Risks & U

AI工具在求职中的应用边界,本质上取决于使用者业务洞察力与人机协同力的平衡。当前,生成式AI虽能高效处理信息检索与文本生成等标准化任务,但在深度展现专业逻辑与复杂业务判断时存在明显局限。过度依赖AI易导致能力呈现同质化,削弱个人核心竞争力。从个人能力发展视角来看,真正的求职优势源于业务精深度与AI应用力的有效协同。企业与管理者在制定人才战略时,应引导员工建立理性的AI使用框架,将AI定位为思维延伸工具而非决策替代者。只有在守住专业底线与真实表达的前提下,才能实现个人数字素养与职业竞争力的双智协同跃升。

3455112026-09-16

面向液冷通道密闭环境的物理安防设备空间侵入式监测适配模式研究

本研究提出一种适配液冷通道密闭环境的物理安防设备空间侵入式监测新范式,核心在于突破传统安防部署对开放空间与可见光条件的依赖,转向以环境约束为设计原点的主动适配逻辑。针对液冷通道高密度、全封闭、强电磁屏蔽及温湿度动态变化等典型特征,研究构建了“感知—响应—验证”三级协同机制:通过多模态微扰信号融合识别非授权空间扰动,利用通道结构特性增强信号可辨识度,并引入轻量级边缘推理实现低延迟本地决策。该模式不依赖外部视觉覆盖或高功耗持续扫描,在保障监测连续性的同时显著降低系统与基础设施的耦合风险。实践表明,其在有限安装空间、受限供电及复杂热流场中仍能维持稳定感知效能,为新型数据中心、高性能计算设施等高约束场

3261012026-09-14

异构算力混布机房中CPU/GPU/DPU热密度梯度分布建模与散热冗余度评估框架

本报告提出一套面向异构算力混布机房的热密度梯度建模与散热冗余度评估框架,核心观点是:传统均质化散热设计难以适配CPU、GPU、DPU等多类型芯片在空间分布、功耗动态性及局部热强度上的显著差异,必须建立与设备物理布局、负载时序特征和散热路径耦合的梯度化热模型。框架以热流守恒与传热边界条件为理论基础,将机房划分为多尺度热域,通过耦合设备瞬态功耗曲线与气流组织仿真,量化不同区域的热密度时空梯度;进而定义散热冗余度指标,综合反映制冷系统在局部热点、负载突变及单点故障场景下的动态承载裕量。该方法避免依赖静态峰值功耗假设,转而强调热响应的结构性瓶颈识别——例如高密GPU区与邻近DPU通信节点间的热串扰、冷

9859542026-09-14

超算异构混布机房中GPU加速卡在液冷约束下的峰值功耗释放能力评估框架研究:聚焦冷板流速-入口温度-芯片结温三变量协同限界机制

本研究提出一种面向超算异构混布机房的GPU加速卡功耗释放能力评估框架,核心观点是:在液冷约束下,GPU的实际峰值功耗并非由供电或芯片规格单方面决定,而是受冷板流速、冷却液入口温度与芯片结温三者动态耦合所共同限界。该框架摒弃传统“功耗—散热”线性映射思路,转而构建三变量协同作用下的热力学可行域模型,揭示不同工况组合对功耗释放的非线性抑制机制。研究发现,微小的流速波动或入口温度偏移,在高负载持续运行时可能触发结温快速逼近安全阈值,从而迫使系统主动降频限功——这种限界效应在多类型GPU混布、变负载场景中尤为显著。框架支持在机房规划、液冷系统调优及任务调度策略制定阶段,量化评估功耗释放潜力边界,避免因