如果生成式人工智能是答案：那么问题是什么？

Tom Godden (00:10)：
我们常说生成式人工智能就是答案。但问题是什么？ 生成式人工智能的确是一项令人兴奋的新技术。这项技术颠覆了传统。我们甚至认为其变革性可与印刷机、电力、个人计算、互联网甚至云等技术相提并论。

Phil Le-Brun：
你提到这是一项新技术；但在某些方面，这是 60 年的发展结晶，是实现低成本计算的云技术的出现、统计技术的进步、目前生成式人工智能使用的 Transformer 模型的问世，才让如今的一切有了实现的可能。随着新突破的积累，我们才得以在组织中完成令人难以置信的创新。

Miriam McLemore：
我想谈谈对数据的看法。 我们都对数据感到担忧，它们铺天盖地，无处不在。有了生成式人工智能，我们就可以充分使用数据，比如用于刚才提到的优化聊天机器人、呼叫中心、内容创作等，从而提升效率。我们最近更新了 HealthScribe，各位肯定在医生办公室见过医生在电脑上埋头打字，而现在医生可以将注意力都放在病人身上。这些新功能非常强大，但都需要充分利用数据。

Tom Godden：
所有基础模型、大语言模型的生成式人工智能都让人感到兴奋。大家都渴望尽快达到某个阶段，可以开始使用生成式人工智能。但数据才是关键。如果没有强大的数据基础，那么除了实现一些小把戏之外，真的很难利用生成式人工智能完成其他事情。作为企业，作为业务方，需要获得这种可预测性和情境信息，而数据将会是关键。

Miriam McLemore：
我认为有意思的是，大家往往将数据视为一项繁重任务，把它归到后勤部门，但现在领导团队需要依靠数据策略。

Phil Le-Brun：
机器学习和人工智能的使用者以技术爱好者为主，而我们作为一家公司，正在推动这两项技术的大众化。这将为大家创造一个公平的竞争环境。如果大家看一下麦肯锡的一些数据，会发现生成式人工智能带来的好处中，将有 75% 属于四个领域：客户运营（如呼叫中心）、销售和营销、科技研发和软件开发。例如，刚刚提到的聊天机器人。我作为客户，拥有了与品牌对话的能力，从而获得我所需要的东西，而从公司的角度来看，公司可以省钱、可以减少客户旅程中的阻力：这将成为一种竞争优势。

Miriam McLemore (03:20)：
我刚刚和一个客户在一起，他们公司十分努力，想要摆脱焦头烂额的日常业务，不再总是忙于眼前事务，而是有时间展望未来、大胆思考。作为领导者，我们该如何实现这样的愿景？ 如何转变为宏观视角，如何期待变化。我们要当不一样的领导者，这样才能解决阻碍进步的官僚主义。

Tom Godden：
对，这是一场变革，就像云计算一样，就像数字化转型一样。 而且我认为，之前的许多经验依旧有效。比如要塑造好企业文化。要做好组织管理。要认真研究所谓的流程或机制，并且正确应用。否则，就会像买了一辆超快的赛车，却不给维修人员和车手提供培训。这样的话，这台车是开不起来的，只会停在原地。人们可能也会从中受益，但我们说的是变革，因为这才是我们的目标。竞争不会一成不变，对吧？ 竞争对手也不会停滞不前。而且先发优势存在于很多方面。因此，要进行变革，甚至在行业中发挥颠覆性作用，各个方面都不能马虎。

Phil Le-Brun：
一位叫做 Scott Galloway 的教授认为，大家不应该担心人工智能对自己公司的影响。而应该担心那些了解如何利用人工智能实现公司转型的人带来的影响。就像 Miriam 所说：“大处着眼，小处着手，快速扩张。” 我认为这正是我们该做的。 不要被过度的宣传所迷惑，但思维过于短视也会成为自我应验的预言。要从大局角度思考如何实现公司转型，要从现在开始克服惯性，学习如何利用人工智能。用最快的学习途径，掌握对你的组织有效的策略。

Tom Godden (05:27)：
我们又回到了生成式人工智能是答案这个话题。问题是什么？ 要为了获得价值而使用它。只在这项技术是合适的工具时才应该使用。我们经常看到“基础”数据分析，或者现在看来有些可笑的“普通”人工智能，“普通”机器学习，而这些都是六个月前看起来非常先进的技术。有时这些技术更适合需要解决的问题。有时并不需要使用生成式人工智能来完成任务。应该受价值驱动。不要人云亦云。

Miriam McLemore：
而是要深入了解，积极参与。

Tom Godden：
对，行动起来。不要拖延。因为存在先发优势。这是一场变革。这场变革可以与之前遇到的一些重大颠覆性变化相提并论，大家应该积极应对。主动尝试各种玩法。

Phil Le-Brun：
目前已经没有拦路虎了。有了 AWS SageMaker JumpStart，可以轻松使用大语言模型。 一切都准备好了。这是一种按量付费的模式，打开，试一试。如果不起作用，关了就是。

Miriam McLemore：
现在就可以制定好数据策略。事不宜迟。

Tom Godden：
无论是否使用生成式人工智能，它都会带来好处。整理好你的在线资源和云服务。如果你的业务还不够强大和成熟，可以建立一个卓越云中心和负责相关工作的团队。这样做不仅是个好主意，更是将来的必需项。这是游戏筹码，是生成式人工智能的基本要求。

Phil Le-Brun：
不要只让 CIO 负责这件事。我不是想要冒犯 CIO，而是因为这是一项业务挑战。我的意思是，我们企业高管必须了解财务，必须了解人员管理。而现在，我认为企业高管需要开始接触技术和数据，了解相应的知识要求。就像 Tom 所说的，这不是魔法。这将是技术、业务流程变革和人员变化的结合。如何结合在一起？ 不能把任务只交给 IT 团队。

Tom Godden (07:26)：
其中，我们必须全面研究负责任的人工智能。 如果各位已经在使用人工智能和机器学习，那么应该制定一个负责任的人工智能计划。由于生成式人工智能具有生成性质，因此建立正确结构很重要，要加倍关注如何减轻对事物的偏见，如何防止系统内部出现幻觉，甚至生成有害内容。这个话题已经聊过，用 Galloway 的话说，使用生成式人工智能需要依靠人的理解，但人为监督更是当务之急。我们还没有完全准备好将人类完全排除在系统之外。 如今产品上线前，往往都在人为监督下对运行状况进行过反复测试，这是个动态持续的过程。这与我们以往编写的软件不同，以往软件会在经过测试证明运行正常后投入生产，你会说：“太棒了，我们继续。过段时间进行测试。也许再过段时间，再测试一遍。” 而现在，你需要定期运行应用场景和测试。我的意思是每天，甚至可以每小时运行一次，以确保情况处于控制之中。

Miriam McLemore：
我认同你的观点，而且 Phil，你常说要谨慎行事，不要沉迷于预测，因为人们可以利用这项技术来表达和确认自己已经相信的事情。要小心谨慎、倾听数据，利用这些数据开辟新途径，思考新方法。

Phil Le-Brun：
我认为这要回到我们常说的数据特点：在遇到的数据问题中，有 75% 以上来自人员、组织和文化。根源在于领导力。作为领导者，是否树立了行为榜样？ 是否质疑过数据？ 是否提出了正确的问题？ 还是只想确认已经做出的决定？ 但我认为对企业高管来说，这是一个非常有趣、激动人心的时代，高管们既面对着无限机遇，也承担了确保负责任使用人工智能的义务。不仅要关注道德和偏见，也要关注所作所为带来的影响。我认为 Amazon Bedrock 这一点做得很好，那就是在安全的环境中将模型引入环境。用户可以使用自己的数据训练模型，而不是把数据放入公共模型中。而且大家也清楚，一个基础模型无法解决所有问题。

Tom Godden：
这就是 Bedrock 真正有用的地方。Bedrock 允许用户通过 API 访问各个语言模型，在必要时进行调整和迁移，或为新应用场景访问新的语言模型，且过程和其他 AWS 服务一样快速。需要时开启，不需要时关闭。

Phil Le-Brun (10:28)：
如果你想建立自己的模型，不要过于冲动。这样很勇敢。这样很勇敢，但是不要冲动。我的意思是，你可以豪掷一千万美元，但如果有真正的商业案例，首先要了解你要用手中的技术实现什么目的。然后要建立云端基础架构。AWS 的 Trainium 和 Inferentia 等产品可以降低推理和训练成本。因此，几乎无论未来发展方向如何，都需要制定数据策略，且建议在云端运行。不要在非专业的环境下尝试开发模型。

Tom Godden：
我们来简单聊一下基础模型的虚荣指标。最新的统计数据是，最大的基础模型有超过 5000 亿个参数。听起来真的很酷。很好。5000 亿不错。为什么不能达到 8000 亿个？ 我认为，显然有时候不需要那么多。实际上，参数过多可能导致更多虚假结果和答案。使用有针对性的模型，专为你正在开发的应用场景构建，然后根据业务背景信息进行优化，即使是公开开源模型，比起使用那些用来炫耀的虚荣指标，最后的结果和功效可能更好。5000 亿个参数听起来很了不起，但可能不是解决问题所需要的。

Miriam McLemore：
是的，用恰当的数据解决恰当的问题。还是你说的那句话，要从问题入手。从可以实现的商业价值开始逆向推导，深入规划，最终确定合适的起点。这是一个激动人心的时代，但请花一分钟弄清楚自己的节奏以及真正能带来价值的方法。有些已经进行了深入研究的客户让我很惊讶，他们开辟了各种不可思议的道路，我们可以借鉴。我认为这是最棒的一点，在 AWS 会议上，可以研究其他客户用例，向有实际经验的人学习。而不必全靠自己摸索。

Tom Godden：
我们谈到了 Code Whisperer。 我看到很多人也对联络中心非常感兴趣。这是一个充满商机的环境。与客户建立直接关系后应该谨慎行事，当然，不用像医疗健康行业开发新疗法那样谨慎。所以请大胆行动，我们需要这样的进步。但是现在风险越来越高；情况确实变得非常复杂。我看到有人会使用内网，如果各位使用的内网和我的一样，一定会感觉这就像是信息的坟墓。这类内网通常拥有强大的搜索引擎，但却几乎搜不出东西，而现在我们可以抓住机会，获取并解锁所有的组织内部信息，将信息从坟墓中盘活，让员工意识到内网的作用，从而以低风险方式完成任务。这将创造很多价值。行动吧。不要拖延。

Miriam McLemore (13:35)：
我们推出过的重大更新中有培训方面的，对吧？ 因为学习使用方法很重要。 因此，开始行动，让你的团队接受培训，让高管团队接受培训。我们有许多产品可以帮助客户进行组织内部培训，内容包括选择合适的起点、有哪些工具等方面，你可以自行决策，为公司选择适合的培训方式。

Phil Le-Brun：
学习并保持好奇心。 我的意思是，我们有培训和认证高级课程。 内容通俗易懂，介绍了什么是生成式人工智能。 我们还推出了 Coursera 课程，质量很高。如果你想深入了解一些谈论过的事物细节，比如数据量和参数之间的平衡，如何计算并找到正确的平衡。一切都准备好了。大部分都可通过公网访问。现在就行动吧。立即开始学习。事不宜迟。

Tom Godden：
这类培训可以帮助你提升影响力，因为生成式人工智能是一项变革性技术，甚至可能具有颠覆性。有些人会十分担忧，这种现象意味着什么？ 不只是担忧工作。我有房租、抵押贷款，有要上大学的孩子。在这个激动人心、发生了沧桑巨变的新世界里，还会有我的一席之地吗？ 社会会有什么变化？ 而且我认为，帮助他们理解自己的角色，帮助他们了解自己将来能够承担的职责，并通过培训提供帮助，这件事在今天这场变革中的重要程度，远远高于往日的其他变革。

Phil Le-Brun：
是的，打破你的孤岛。我的意思是，Tom 想说的是偏见。纠正偏见的最佳方法是组建一支代表客户群的团队。此外，我们知道通用机器学习或生成式人工智能必将渗透整个组织。对各类组织结构都有作用，与何种组织结构无关。因此，请摈弃官僚主义。我想可以利用生成式人工智能克服一部分官僚主义，关键在于——

Tom Godden：
帮我建一个新的组织结构图？

Phil Le-Brun：
是的，自动制作幻灯片。

Miriam McLemore：
帮我挑一个负责人。

Phil Le-Brun：
这是个容易产生偏见的场景。没错。但生成式人工智能可以帮助你了解自己的竞争优势。比如像 Autodesk 这类使用生成式人工智能的公司，现在他们正在将某些设计比重减少到 40%。多么具有可持续发展性的优势。此类公司确实已经确定“在何处利用生成式人工智能可以为组织带来竞争优势”。

Tom Godden：
要为了获得价值而使用生成式人工智能。不要人云亦云。

Phil Le-Brun (16:11)：
我觉得有趣的是，人们常常在“我应该存钱，因为大环境很艰难”或“我应该创新”之间纠结，认为除此之外别无选择。其实你应该兼顾两者。然而现实往往是组织中的很多资金被浪费了。在一项研究中，有 94% 的 CXO 表明所在组织的组织结构阻碍了创新。在所有这些官僚主义面前，决策需要花费多长时间？ 我们戏称为“官僚主义质量指数”。 实际进行有意义工作的时间与等待决策结果的时间相比，比值是多少？ 如何推翻决定？ 所以我认为“创新还是省钱？”不是单选题， 应该两者兼顾。减少无差异化工作的成本，将减少的成本用于创新，创造良性循环。还可以使用机器学习、生成式人工智能，真正减少组织内部成本，摆脱官僚主义。

Miriam McLemore：
我们所看到和对客户说的是，条件有限时，实际上比具备一切资源时更易激发创新。艰难困境可以让人在“如何破局”方面发挥创造力。 经济困难时期能让人们改变思考方式。因为别无选择。 但我也认为，正如你所说，生成式人工智能最大的价值之一是提高生产力，节省一部分无差异工作成本。我在可口可乐公司任职多年，负责过内容创作，向消费者和客户提供新网站、新体验、新图像，以及辅助销售物料等业务。如今，营销科技的游戏规则将由生成式人工智能改变。

Tom Godden：
我们已经在其他技术变革中见证过这样的情景。真正的变化并不总在于技术，而在于人们是否愿意用新的方式应用技术。我们见证了电力如何改变了布局和运营工厂的方式。因此我们才能够每天 24 小时更安全地运营工厂。从而再次证明了技术是推动力，是最初的推动力，但真正的转变发生在我们重新设计流程时。因此，当我们审视当下并寻找新的平衡时，应该回过头来观察此时的流程，并思考为什么要这样做。 生成式人工智能是否允许我尝试以完全不同的方式来完成这件事？ 不要只使用生成式人工智能来自动化过去。要以此为契机，重新思考这些事情，尝试完全不同的方式。