AIGC产业应用的4大趋势

 

据IDC预测，2023年全球企业在人工智能方面的支出将突破5000亿美元，人工智能的广泛普及将继续重塑各个行业乃至全球。这场技术革命已经影响到世界各地，各行各业都在实施数字化转型。

那么，生成式 AI 是如何深度赋能传统行业的呢？在产业链中又有哪些新的发展趋势？

丁磊博士在新书《生成式人工智能》中，总结出四大发展趋势：

生成式 AI 应用势必将在医疗和生命科学领域发挥更加重要的作用

AI 已经在医疗领域广泛应用，在辅助问诊、制订治疗方案、药物研发等方面均发挥着重要作用，并且发展十分迅速。尤其在ChatGPT 问世后，其为医疗问诊带来了更大的便利，从互动形式、反馈内容到准确率和效率都有大幅提升。

随着生成式 AI 技术的发展，AI 不仅可以用于辅助问诊，甚至可以更深度地用于药物设计，辉瑞、强生等国际大型制药公司也均尝试通过 AI 研发药物，使用生成式 AI 设计针对特定疾病的蛋白质模型，有些药物已经进入临床试验。这也实现了生成式 AI 设计从宏观到微观分子层面的过渡。

药物研发包括药物发现、临床前研究和临床试验三个阶段，往往耗时漫长且需要巨大的资金投入。药物发现包括识别和选择药物靶点、发现或者设计先导化合物、优化先导化合物、选择候选药物等流程，难点在于靶点的发现和化合物设计，这也是药物设计的关键。生成式 AI 的出现，颠覆了传统药物研发进程。通过大量的数据测算，生成式 AI 可以快速识别药物靶点，然后从数据库中匹配合适分子，进而完成化合物的设计、预测药物代谢性质和理化性质、分析药物对人体的作用等等工作，帮助缩短药物研发周期，减少研发投入，提升研发效率。

生成式 AI 在这方面具有天然优势，不仅可以通过机器学习模型进行大量数据的挖掘和计算，帮助迅速发现药物靶点，提高找到靶点的概率，而且能够计算出蛋白质折叠模式的最佳方案，进行蛋白质 3D 结构设计，甚至可以突破人类的固化思维和认知局限，生成人类此前未曾考虑过的新方案，预测、设计并生成全新的蛋白质，给出新的药物设计方案。

目前，生成式 AI 在蛋白质的设计和改造方面已取得了实质性进展，能够通过对蛋白质进行设计和建模，实现蛋白质的改造和进化。

Salesforce Research、合成生物学公司 Tierra Biosciences 和加州大学的研究团队共同研发的新型人工智能系统 ProGen 就能够从零开始进行蛋白质生成，并且其生成的蛋白质具有很强的多样性。ProGen 生成的人工溶菌酶，虽然与天然溶菌酶蛋白质序列的一致性仅为 31.4%，但是具有相似的活性，催化效果得到了验证，这首次打破了 AI 预测和实验之间的壁垒。

英伟达的云服务产品 BioNeMo，能够用于生成、预测和理解生物分子数据，加速药物研发过程中最耗时耗财阶段的完成，其中就包括加速蛋白质的创造。该云服务产品依据专有数据通过生成式 AI 设计生成蛋白质结构，辅助研发出最佳候选药物。用户可以通过浏览器界面使用 AI 模型进行交互式推理和实验，确定蛋白质结构并进行可视化呈现，极大地加快药物研发设计的流程。

图片来源：Yan A. Ivanenkov, et al, “Chemistry42: An AI-based Platform for De Novo Molecular Design”

图 4—8 Chemistry42 用于配置基于结构的药物设计生成实验的界面

生成式 AI 在分子的生成和设计方面，不仅限于蛋白质这样的大分子，在小分子领域也已有相关应用落地。2020 年，人工智能制药公司英矽智能（Insilico Medicine）推出了分子生成和设计平台Chemistry42（图 4—8），通过前沿算法模型，实现从零开始设计新颖分子，持续对生成的分子结构进行评估，并在生成式 AI 的辅助下进行药效、代谢稳定性、合成难度等多维度评分和优化。

2023 年 2 月，英矽智能宣布其新冠小分子药物 ISM3312 正式获批进入临床试验阶段，该药物是冠状病毒复制所必需的 3CL 蛋白酶的小分子抑制剂，正是在 Chemistry42 平台设计的分子结构基础上优化而来的，这是英矽智能第二款使用生成式 AI 设计的小分子药物，也是全球首款获批进入临床试验阶段的 AI 设计的新冠口服药。正是因为生成式 AI 的参与，ISM3312 药物具有新颖的结合方式和分子骨架，与其他 3CL蛋白酶抑制剂相比具有不同的作用机制和潜在的差异化优势，展示了生成式 AI 在药物设计方面的巨大能力。

生成式 AI 在药物设计领域的应用是 AI 生成设计能力从宏观到微观的延伸，但是由于基础数据和设计精细度的局限，AI 尚不能承担药物设计的全部流程，从设计到成药依旧困难重重。尽管如此，通过大数据和大模型，生成式 AI 在药物设计方面已经提供了很好的助力，随着模型的发展和数据的积累，生成式 AI 应用势必将在医疗和生命科学领域发挥更加重要的作用。

生成式 AI 能够更加准确、快速地赋能需求预测

因为供应链管理应该以市场需求为导向，而需求预测能够在一定程度上体现出市场需要何种商品以及需求量是多少，所以需求预测是所有供应链计划的基础和核心。需求预测也是每个企业都应该高度关注的问题，只有做准了需求预测，才能实现其与供应链的完美共舞。

传统的需求预测一般采用征集销售人员或专家意见的方式来预测市场的需求量，或是采用基础统计的方法，这些方法不仅工作量大、成本高，而且预测的准确度也不高。人工智能的需求预测和传统需求预测的区别在于人工智能预测会基于更多数据维度，这些数据维度整合在一起，可以帮助人工智能时间序列模型进行需求预测，测算出在未来一段时间内商品的需求情况。

在零售场景中，人工智能可以更准确地预测商品的需求。基于人工智能的需求预测，对未来两周预测的准确率能够达到 75%~85%。相比而言，运用传统策略加上人工经验的方法，需求预测的准确率一般最高只有 70%。同时，基于人工智能的需求预测也可以显著地降低库存周转天数，实现相应的效益提升。例如，生鲜品牌通过人工智能需求预测可以优化库存管理、减少生鲜损耗、降低经营风险。

图 4—17 AI 需求预测值和实际值对比

随着人工智能技术的发展，生成式 AI 能够更加准确、快速地赋能需求预测。实验证明，可以使用 seq2seq 模型在不同销售地点和不同时间点，针对不同商品进行需求预测，从而降低需求预测工作的复杂度。

相比于其他几种模型，seq2seq 模型以较低的计算成本实现了优秀的需求预测效果，能够高效支持供应链领域的应用。图 4—18 是用于需求预测的 seq2seq 模型架构。在 seq2seq 架构图中，左边的框里显示了编码器，它以历史销售额以及其他与时间相关的附加数据作为输入，并返回最后一个单元的隐藏向量作为输出。架构图的中间显示了上下文条件模块，该模块接收来自编码器的输出，并将其与不随时间变化的静态数据连接起来。

最后，在右边的框里，解码器接收上下文条件模块的输出作为初始状态，并向第一个循环单元提供一个特定的符号，解码器以自回归方式产生序列预测。

以上就是生成式 AI 的 seq2seq 架构，在实践中能够准确且高效地对市场需求进行预测，从而精准地进行供应链管理。由此可见，生成式 AI 不但“能说会道”“能写会画”，还可以成为供应链中的有用工具，提供见解和预测，促进供应链的智能化。

图片来源：Iván Vallés-Pérez, et al,“Approaching Sales Forecasting Using Recurrent Neural Networks and Transformers”

图 4—18 用于需求预测的 seq2seq 模型架构图

将营销工作推向一个革命性的新时代

一般来说，企业的营销数据并未在内部完全打通，所以目前的人工智能很难做到自动生成企业整体的营销策略，但在具体的营销细分场景中，人工智能自动生成一个可执行的方案还是完全可以的。这样的细分场景也十分常见，例如广告投放。事实上，目前的广告投放系统已经大量采用基于机器学习的决策式 AI 自动优化广告效果，并且决策式 AI 已逐步取代了原本属于广告优化师的工作。所以，说决策式 AI 已经是广告投放的基础设施，一点也不为过。

但是，随着 AIGC 在各行各业开始应用，我们不仅希望通过人工智能来优化广告投放的效果，更希望广告的投放方案就是 AI 生成的。你可以向 AI 输入预算、投放目标、目标人群、合作媒体、要传播的信息等条件，就像提供 AI 作画的提示词一样，然后生成式 AI 就能自动输出一个最优的投放方案。

沿着这样的思路，我们同样可以将决策式 AI 和生成式 AI 结合起来，而这样也很有可能将数字广告的投放推向一个革命性的新时代。

数字广告（尤其是效果类型的广告）的条件和参数，都是非常结构化的，产生的营销结果确定性强且能够实时反馈。所以，基于 AI 的决策和优化能力可以发挥显著作用：

一方面，决策式 AI 能够实时调优投放的执行；另一方面，在广告投放前利用生成式 AI 制订的方案，也能够根据广告投放的实际效果自动加以优化。

通过这样的方法，AI最终选定的方案，可能比营销人员构思出来的更加“不明觉厉”，实际效果可能更好！就像 Diffusion 模型会生成一些普通人看来匪夷所思的画作，但很多专业画家都会从中寻找灵感。

全球领先的营销 SaaS（软件运营服务）公司 Adobe 会利用人工智能优化营销预算分配和场景规划产品，人工智能会通过一系列复杂的机器学习算法，将营销评估与规划结合起来。

使用者在人工智能的帮助下，可以将跨渠道数据分析的时间从数月缩短至数周，从而更有效地为营销活动服务。具体来说，该产品可以生成最优化的营销预算分配方案，以最大程度地提高投资回报率并实现既定的收入目标；还可以了解客户在不同渠道和时间的行为，然后优化他们在整个客户旅程中的体验。这样生成的人工智能营销方案曾帮助众多企业实现丰厚的投资回报。

在国内，蓝色光标旗下的销博特推出了 2022 元创版本智能策划模块，该版本主要聚焦营销策划场景的多人协同创作。

通常，营销团队发起一场营销策划需要多种角色的人才组成专业小组，经过草案规划、数据分析、头脑风暴、媒体规划等多轮沟通交流，历时数周才能完成。而若使用销博特此次发布的智能策划模块，用户可以在该功能模块中填写简报，而后发起一个营销策划项目，由人工智能在 30 分钟内生成一个策划方案。然后用户可以邀请团队成员加入，查看已经创建好的策划方案，加入的成员可以一起参与讨论，提出自己的想法和修改意见。这样的产品极大地方便了营销策划的过程，最终将策划方案形成的时间缩短到 2~3 天。

将给客服领域带来更有效的沟通

随着生活方式和行为模式的改变，消费者对服务的期待日益增长，服务模式也越来越个性化。近些年来，我国客服中心座席规模逐年增长，保持年复合增长率 17%的增长态势， 2020 年已突破 300 万个。随着座席规模的逐年增长，企业的用人成本也逐年攀升，企业既要保证客服满意度，又要控制相应的成本，因而对客服降本增效的需求日益强烈。

传统客服工作强度大，时常加班、值班及轮岗，客服工作内容枯燥无趣，机械性重复工作居多，费时耗力，客户的投诉及刁难造成客服人员负面情绪积压等原因，导致客服人员流失率高，从而造成企业招新和培训等成本变高。此外，对于客服中心而言，招聘难、员工工作效率低、高峰期需求波动大、质检绩效管理耗时费力等，导致运营管理难度增加。

这使得企业一方面无法满足客户需求，另一方面也无法深挖客服数据的价值，长此以往必然导致客源流失，业务增长乏力。伴随人工智能尤其是生成式 AI 的发展，智能客服有望解决客服中心运营管理的难题，实现客服中心真正意义上的数字化、智能化运营。

如今，对于交互式对话来说，生成式 AI 模型诸如 ChatGPT 的对话能力已经得到体现，但是，智能客服作为在一线服务客户的商业产品，需要在明确业务目标和服务目标的指导下，结合专业知识和业务逻辑来进行服务。目前，ChatGPT 针对客服场景生成的响应还不够准确，如果要在智能客服场景中使用它，就需要结合具体的业务场景对 ChatGPT 模型进行微调，通过对其响应的审核和修正，不断训练以提高模型的专业能力。

创立于旧金山的客服自动化公司 Intercom 在这方面颇有经验。超过 25 000 家企业的客服团队使用 Intercom 的解决方案，使用 AI为客服赋能一直是 Intercom 追求的目标。在 ChatGPT 发布后不久，Intercom 就迅速为其产品推出了一系列的人工智能功能，期望应用生成式 AI 来帮客户提高效率。但应用效果显然没有达到预期，对于一些客户的问题，ChatGPT 经常会因为找不到答案而进行编造，这是不能容忍的。

最近，OpenAI 发布的 GPT—4 上述问题显著减少，因此，Intercom迅速基于此构建了一个人工智能驱动的客服机器人 Fin，它具有GPT—4 的诸多优点，并且更加适合客服场景的业务需求。Fin 的设计理念如下：第一，使用 GPT 技术进行自然交谈；第二，使用受企业控制的信息回答有关的业务问题；第三，将不准确的回答减少到可接受的水平；第四，尽可能地减少人工参与。

图片来源：https://www.intercom.com/blog/announcing-intercoms-new-ai-chatbot

4—21 当 Fin 给出答案时，它会链接到其来源文章，让客户验证来源是否相关

尽管前景光明，Intercom 对 Fin 存在的问题也直言不讳：

第一，不同行业对客服准确率的要求有所不同，对许多行业而言，Fin 的响应已经足够准确，但对某些要求严格的行业而言，Fin 的准确率仍须提升；

第二，目前 GPT—4 模型的使用费用不菲（未来有望显著降低）；

第三，GPT—4 模型的响应时间有时高达 10 多秒（随着技术的发展，响应时间会逐渐降低）。

总的来说，虽然在现阶段 Fin并不完美，但它现在已经为应对许多企业客服中心的挑战做好了准备。