AI商業化：一場創新投入的持久戰 - asiasworldcity.hk

香港飛龍.online 官方授權發布的第4代「香港飛龍」標誌

本文内容：

滕斌聖、曹欣蓓／文1956年夏天，在美國漢諾斯小鎮達特茅斯學院的一次會議上，人工智能（AI）的概念被正式提出。彼時，由於計算能力和數據規模的限制，AI的商業化進展緩慢。直到21世紀，隨着深度學習技術的突破和大數據時代的到來，AI才真正進入商業化應用的快車道。但AI商業化的道路並非一片坦途，技術、商業以及社會倫理的多重博弈，始終貫穿AI的發展。在商業化尚未落地之時，企業仍面臨重重挑戰。商業機遇：效率革命的明暗面AI早期的商業化應用主要集中在一些特定的垂直領域，通過自動化、智能化和數據驅動等技術手段，提升行業效率。智能客服系統是AI早期應用的典型案例。通過自然語言處理技術，AI能夠同時處理各類客戶諮詢。安防是另一箇應用領域，如通過AI技術幫助公安部門快速識別嫌疑人。在製造業，特斯拉的“黑燈工廠”也是AI應用的代表。工廠內，AI驅動的機器人承擔了電池組裝、車身焊接等複雜任務。同時，特斯拉利用計算機視覺實時監測生產流程，快速檢測並糾正缺陷。此外，通過AI進行預測性維護，設備故障得以提前預防，減少了停機時間。效率革命導致資本市場的融資蜂擁而至，投資人不斷押注“改變人類文明”的敘事溢價。美國數據湖獨角獸平臺Databricks在2024年完成了100億美元的融資。OpenAI在2024年10月完成了66億美元的融資，估值達到1570億美元。在國內的AIGC行業，創業邦睿獸分析的數據顯示，2024年第三季度發生融資事件84起，已披露融資金額爲105.4億元，已披露融資規模以2億—5億元區間居多，單筆平均融資額爲2.6億元。但效率神話背後是殘酷的行業生態。一方面，場景碎片化成爲AI技術從實驗室走向規模化落地的阻礙。在製造業，不同產線因光照條件、傳送帶速度等差異也可能導致模型失效。這些非標特性提升了AI的開發成本，一些領先企業正不斷提升模型的通用性和適應性。與此同時，隨着AI技術的發展，生成能力、泛化能力和自然交互能力得到顯著提升，使其能夠更好地適應不同工業場景的需求。這些技術進展正在逐步緩解場景碎片化帶來的挑戰，爲AI的規模化落地開闢了新路徑。此外，場景的碎片化不僅源於技術問題，還與行業標準不統一、數據存在孤島現象等密切相關，這需要建立開放的技術生態，推動數據的標準化和數據共享，同時鼓勵設備製造商、軟件開發商和終端用戶之間的深度合作。另一方面，頭部企業虹吸效應加劇。鈦媒體數據顯示，自2022年11月30日ChatGPT發佈以來至2024年7月29日，國內新註冊成立、現在卻處於註銷吊銷或停業異常狀態的AI相關公司達78612家。在追求技術突破和商業化的道路上，衆多企業面臨巨大挑戰。舉例而言，在國內大模型領域，智譜AI、月之暗面、百川智能的估值均超過200億元。其中，月之暗面在2024年2月憑藉單輪超10億美元的融資刷新行業紀錄，資本加速向頭部聚攏。這種高濃度的資源傾斜，使得頭部企業憑藉資金、人才與技術三重優勢，形成“融資—研發—市場”的正循環。中小企業則在資本獲取、技術突破及行業認證等環節面臨系統性困境。馬太效應的深化正在重塑行業生態。一方面，頭部陣營通過技術代差構築護城河；另一方面，在IPO市場面臨週期性挑戰的背景下，創業投資退出通道縮窄，初創企業可能因此陷入資源匱乏的困境，從而抑制技術路線發展的多樣性。因此，我國需要建立分層支持體系，在保障頭部企業國際競爭力的同時，又能通過專項基金、技術開源等方式爲中小企業保留創新火種，以實現產業的可持續發展。數據隱私：AI企業頭頂的“達摩克利斯之劍”在AI技術迅猛發展的浪潮中，數據成爲驅動創新的核心資源。隨着數據價值的凸顯，數據隱私問題也逐漸浮出水面。早期AI企業往往面臨兩難選擇。一方面，數據是訓練算法、優化模型的命脈，沒有足夠的數據支持，技術突破幾乎無從談起；另一方面，數據治理的雙重危機正從被動和主動兩個維度撕裂企業防線，用戶隱私泄露的風險如同懸在企業頭頂的“達摩克利斯之劍”。在被動層面，AI模型的訓練高度依賴海量數據，但合法獲取高質量數據的成本居高不下，該矛盾催生了行業亂象。部分初創企業爲快速起量，不惜通過隱蔽條款、數據爬蟲，甚至是灰色交易等非常規手段獲取數據。在主動層面，據人工智能數據安全公司Cyberhaven的監測，2024年企業員工在AI工具上傳敏感數據的頻次激增485%，每10萬名員工向機器人發送數據超過200萬次。這背後暴露出AI行業正面臨創新陷阱：技術突破的加速度與倫理治理的滯後性，構成了數字經濟時代最危險的剪刀差。當人工智能公司DeepMind未經明確授權處理160萬患者醫療數據引發訴訟（儘管倫敦法院駁回了該案）；當2024年1月，意大利數據保護局指出ChatGPT數據收集技術違反該國隱私法，對於AI企業而言，如何在創新與隱私保護之間找到平衡，是企業實現長遠發展的重要課題。從更宏觀的角度看，這需要建立技術開發者、法律學者與公衆的共治網絡，實現創新加速度與倫理底線的動態平衡。此外，訓練數據或算法的失衡也可能演變爲系統性歧視的放大器。美國非營利性在線新聞網站ProPublica的報道顯示，作爲一款預測罪犯可能會成爲再犯的風險評估軟件，COMPAS的算法存在偏見，黑人更有可能被誤判，白人更有可能被漏判，儘管被預測爲低風險，但該部分白人依然繼續犯罪。當算法決策介入生死攸關的領域時，倫理失範還可能引發致命危機。據英國《每日電訊報》當地時間6月7日報道，美國佛羅里達14歲少年的母親正起訴谷歌公司和由兩名前谷歌員工創辦的Character.AI，指控其開發的AI聊天機器人導致她14歲的兒子自殺。當技術觸碰人性底線時，任何算法優化都不能凌駕於生命價值之上，AI系統在道德責任界定、內容安全機制等方面的倫理規範是所有企業必須思考的課題。技術失控的風險不僅存在於司法領域，更會滲透到社會生活的方方面面。基於用戶行爲數據的個性化推薦系統，正在製造數字化時代的“認知繭房”。當算法捕捉到用戶對某類題材的興趣，會啓動自我強化的推薦循環，如連續選擇懸疑劇會觸發更多同類推送，觀看歷史劇則導向相似內容的推薦。這種看似貼心的服務模式，實則構建起了固化的信息閉環，公共討論的理性空間不僅遭到侵蝕，社會整體的價值光譜也將趨於單一化。政府和監管機構應發揮主導作用，制定並完善針對AI技術的倫理法規和行業標準。由於不同國家和地區的法律規定存在差異，企業要想在全球範圍內合規運營，也需要綜合瞭解，建立倫理影響前置評估機制，在技術研發初期就引入多元利益相關方參與價值的對齊和校準。此外，教育機構也需要強化對學生和從業者的倫理教育，培養其對技術倫理問題的敏銳洞察力和正確價值觀。只有多方協同合作、防範技術失控帶來的風險，AI技術才能在倫理的軌道上穩健發展。未來已來AI技術以效率工具的身份切入市場，通過自動化流程與數據分析實現商業突破，但這背後是高昂的成本。2024年12月，通用汽車宣佈將停止對Cruise的Robotaxi業務投資，轉而將Cruise的技術整合到通用汽車的輔助駕駛系統SuperCruise中，以推動個人車輛的自動駕駛發展。轉變的背後正是過高的成本以及商業化進展過慢的挑戰。據中國工業互聯網研究院數據，2024年，字節火山引擎、阿里雲、百度雲等頭部廠商主動打破成本困局，掀起大模型價格戰，降價幅度普遍達到90%以上。看似慘烈的價格博弈，實則是生態培育的戰略舉措：通過價格槓桿撬動市場需求，短期讓利換取長期地位，以促進大模型應用的快速落地和生態繁榮。中國本土研發的大模型DeepSeek-R1則證明了另一種有效路徑，通過“算法創新+有限算力”，實現了性能比肩OpenAIo1正式版的同時，又將成本壓縮至前者的數十分之一。DeepSeek的開源生態還吸引了大量開發者和企業的參與，當參與規模達到一定程度時，會形成強大的技術力量和社區影響力。DeepSeek通過開源吸引全球開發者基於其技術進行創新，使其技術路徑成爲行業標杆，同時通過降低技術門檻，還能激發長尾創新。此外，開源生態帶來的技術擴散有望突破企業邊界，形成跨行業的協同創新網絡，從而產生正向外部性。創新範式也在加速商業應用的落地。華山醫院就在不同平臺部署測試DeepSeek70B和滿血版大模型。瑞金醫院聯合華爲發佈國內首個病理大模型“瑞智病理”，實現病理切片自動化分析，日均處理量達3000張，印證了垂直場景的規模化落地潛力。AI大模型研發的背後是規模定律，DeepSeek的突圍則揭示了在數據要素投入的邊際產出下降時，依然可以通過創新重構生產函數。這給行業帶來的啓示是：在AI快速發展的背景下，效率革命並非一蹴而就，而是一場需要持續投入和創新的持久戰。企業需要不斷探索如何在有限的資源下實現技術的最大化利用，同時尋找與商業需求的深度融合點。然而，AI系統的運行依賴海量數據，數據在收集、存儲、使用和共享的過程中涉及諸多倫理問題，如數據隱私保護、數據偏見、算法歧視等。只有在數據倫理得到充分保障的前提下，AI技術才能真正實現其應有的社會價值和商業潛力。最後，AI使用者在使用AI提升效率的同時，也要警惕AI幻覺，即AI系統生成看似合理但實際虛假或誤導性的信息，普通用戶往往難以辨別其真實性。這種現象不僅會誤導用戶決策，還可能引發信任危機。從認知層面看，數字素養教育需要被納入公民基礎教育體系，建立技術侷限性認知，養成信息溯源性驗證、多源數據對比等底層邏輯，培養“懷疑—求證—研判”的思維範式。針對某些特定專業場景，通過引入人工複覈制度，在能釋放AI效能紅利的同時，又能構築風險防火牆，促進AI技術健康、可持續發展，從而實現技術可靠性與商業可行性的共振。（滕斌聖系長江商學院戰略學教授、副院長、新生代獨角獸全球生態體系研究中心主任，曹欣蓓系長江商學院新生代獨角獸全球生態體系研究中心研究員）

(本文内容不代表本站观点。)
---------------------------------