29、AI发展趋势与应用洞察-优快云博客

本文链接：https://blog.youkuaiyun.com/spark7igniter/article/details/152401208

AI发展趋势与应用洞察

1. AI技术前沿趋势

1.1 机器学习代码生成工具

Gartner预测，未来十年机器学习代码生成工具将成为重要主题。这些机器学习模型会与人类开发者协同工作，并集成到开发环境中，借助自然语言描述或代码片段作为提示，为代码库提供建议。由于机器学习高度适应优化重复性任务，利用它来优化自身构建方式并不意外。

1.2 自适应AI

Gartner还预测自适应AI将会兴起，这类系统能“基于新数据在运行时和开发环境中持续重新训练模型并学习，以快速适应初始开发时未预见或未获取的现实情况变化”。这意味着对训练数据实时变化更敏感的AI，也能调整自身参数和目标，从而更自主灵活。

1.3 下一代软件开发

McKinsey的《2022技术趋势展望》报告强调，下一代软件开发是值得关注的战略趋势，包括低代码/无代码平台增加、基于自然语言上下文的AI代码推荐、自动化性能测试的AI测试以及AI辅助代码审查等，将是未来十年的关键趋势。组织在规划分析、架构设计、开发、编码、测试、部署和维护等环节战略性引入AI，是构建产品或内化这一趋势以获取益处的关键。

2. AI应用趋势数据解读

2.1 总体趋势

Forrester ：对美国、中国、日本、法国、德国、意大利、西班牙和英国的研究显示，2021 - 2025年AI软件支出将翻倍，达到640亿美元。推动这一增长的因素包括AI增强型软件产品增多、软件公司扩展AI功能、用于创建其他AI产品和应用的AI工具增加，以及AI原生产品的兴起。整体AI软件行业增长速度将比软件市场快50%，到2025年，31%的AI软件支出将是AI融合型的。73%的数据和分析决策者正在构建AI技术，74%认为使用AI对其组织有积极影响。
Gartner ：预计2022年全球AI软件收入将达625亿美元，到2025年，AI软件市场将接近1348亿美元。未来五年，市场增长率将从2021年的14.4%加速至2025年的31.1%，远超软件市场整体增长。2022年按用例划分的AI应用主要类别及增长率如下：
|应用类别|增长率（与2021年相比）|
| ---- | ---- |
|知识管理|31.5%|
|虚拟助手|14.7%|
|自动驾驶车辆|20.1%|
|数字办公场所|20%|
|众包数据|19.8%|
McKinsey ：预计到2030年，AI可带来约13万亿美元的经济产出，全球GDP每年将增长约1.2%，但这一经济繁荣主要惠及发达国家和早期采用AI的公司。自2017年以来，受访者中AI采用率增长超一倍，组织使用的AI能力平均数量也翻倍。AI部署的主要用例包括服务运营优化、创建新的AI产品、产品的AI增强、产品功能优化以及预测性服务和干预等。52%的受访者表示其数字预算中超过5%用于AI，高于2018年的40%，63%表示未来三年投资将增加。

2.2 嵌入式AI

McKinsey调查显示，56%的受访者所在组织正在采用AI。自2018年以来，训练速度提高了94.4%，2021年提交的AI专利数量是2015年的30倍，2021年对AI相关公司的投资达935亿美元，是2020年的两倍。将机器学习能力工业化，包括数据管理、模型开发、模型部署、实时模型操作和整体ML工作流程，是未来十年回报最高的关键趋势。不过，72%的受访组织未能成功采用和扩展AI，主要原因包括试点项目向产品过渡困难、模型在生产中失败、AI/ML团队生产力扩展困难以及风险控制受限。

2.3 伦理AI

Forrester ：预测25%的科技高管需向董事会报告AI治理活动，涵盖“可解释性、高影响算法决策的公平性审计以及AI环境影响核算（绿色AI）”，表明董事会和高层决策者意识到不妥善考虑AI潜在危害会带来风险。
Gartner ：预计到2023年，从事AI系统开发和培训工作的人员需证明具备伦理和负责任AI的专业知识。因果AI（能展示可解释性并传达因果关系的AI）预计需5 - 10年才能广泛应用，但将对业务产生变革性影响。Gartner将AI信任、风险和安全管理（AI TRiSM）列为2023年的战略技术趋势，指出美国、英国和德国41%的组织经历过AI隐私泄露或安全事件。

2.4 创意AI

Forrester ：预测财富500强公司对创意AI的依赖将增加，未来一年至少10%的公司将投资于AI支持的数字内容创作，因为人类创作内容的速度无法满足大规模个性化内容需求。
Gartner ：预计到2025年，生成式AI将占所有数据生成量的10%，高于目前的不到1%。生成式AI可用于创建软件代码、促进药物开发和精准营销等，但也可能被用于诈骗、欺诈、政治虚假信息和伪造身份等。随着创意AI业务用例的增加和优化，生成的内容将增多，但消费者市场的情况较难预测，不过随着创意AI与AR/VR、Web3和元宇宙等新兴技术融合，可能会出现更多新用例和产品。

2.5 自主AI开发

Forrester ：预计到2023年底，TuringBots将编写全球10%的代码。强化学习和GPT - 4等语言模型的兴起，使我们能借助AI，仅通过自然语言基本指令就能生成代码，这在开发者、技术人员、数据科学家和ML工程师短缺的情况下尤为令人兴奋。
McKinsey ：预计到2025年，70%的新软件开发将使用无代码/低代码技术，开发时间将缩短90%，部署时间将因持续集成和持续交付实践而加快一倍。37%的调查参与者表示将使用AI/ML测试和维护现有代码库。

下面是AI应用趋势的mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(AI应用趋势):::process --> B(总体趋势):::process
    A --> C(嵌入式AI):::process
    A --> D(伦理AI):::process
    A --> E(创意AI):::process
    A --> F(自主AI开发):::process
    B --> B1(Forrester数据):::process
    B --> B2(Gartner数据):::process
    B --> B3(McKinsey数据):::process
    C --> C1(采用情况):::process
    C --> C2(工业化趋势):::process
    C --> C3(面临挑战):::process
    D --> D1(Forrester预测):::process
    D --> D2(Gartner预测):::process
    E --> E1(Forrester预测):::process
    E --> E2(Gartner预测):::process
    F --> F1(Forrester预测):::process
    F --> F2(McKinsey预测):::process

3. AI启用的挑战与关键要素

3.1 挑战

采用AI面临有形和无形挑战。有形挑战包括基础设施、投资和技能，组建能应对AI复杂工作的团队需要特殊技能，而此类人才需求旺盛。建立支持AI项目各方面的流程和工作流也是艰巨任务。无形挑战更具思想性和情感性，AI带来的不确定性使组织难以向习惯既定预期的团队说明其影响，在预算分配、软件采购、时间和成本预期管理以及团队协作边界重置等方面沟通困难。

3.2 AI启用的核心

AI启用的核心是数据。高效收集、标注和整理大量非结构化数据，可持续提升模型性能。优化数据管道、保持数据清洁并确保稳定的训练数据供应，是赋予AI/ML管道能力的关键。确保正确的数据转换和适当的数据质量水平，是AI启用的最终目标，因为AI高度依赖数据。

3.3 最佳组合

AI启用或AI就绪的最佳组合包括：
- 有强大用例支持AI投资。
- 有可用于支持用例的干净数据网络。
- 有明确的治理策略，界定组织内谁能访问什么以及角色划分，以展示所有权、控制权和安全措施，确保AI投资成功。

4. AI启用的重要性与实施策略

4.1 AI启用的定义与意义

AI启用是弥合AI有形和无形挑战之间差距的工作。对于传统软件产品向AI产品的无缝过渡，领导者和产品经理需要制定成功的过渡计划。采用AI是组织及其产品构建方式的重大转变，建立强大的AI启用文化能让团队为未来做好准备。

4.2 实施策略

为了实现AI启用，可参考以下策略：
1. 明确目标与用例 ：确定AI投资的具体目标和用例，确保投资具有明确的方向和价值。例如，若目标是提高客户服务效率，可将聊天机器人作为用例。
2. 数据管理 ：
- 数据收集 ：建立高效的数据收集机制，确保数据的全面性和准确性。可以通过多种渠道收集数据，如用户行为数据、市场调研数据等。
- 数据标注与整理 ：对收集到的数据进行标注和整理，使其符合模型训练的要求。这可能需要专业的人员和工具。
- 数据质量保障 ：定期检查数据质量，确保数据的一致性和可靠性。可以通过数据清洗、异常值处理等方法提高数据质量。
3. 团队建设 ：
- 招聘专业人才 ：招聘具备AI相关技能的人才，如数据科学家、机器学习工程师等。
- 培训现有团队 ：为现有团队提供AI培训，提高他们的AI素养和技能。
- 跨部门协作 ：促进不同部门之间的协作，确保AI项目能够顺利推进。
4. 治理策略 ：
- 访问控制 ：明确谁能访问哪些数据和模型，确保数据安全。
- 角色划分 ：清晰界定组织内各角色的职责和权限，避免职责不清。
- 安全措施 ：采取必要的安全措施，如数据加密、备份等，保障AI系统的安全稳定运行。

以下是AI启用实施策略的表格总结：
|策略类别|具体措施|
| ---- | ---- |
|明确目标与用例|确定投资目标，选择合适用例|
|数据管理|高效收集、标注整理、保障质量|
|团队建设|招聘专业人才、培训现有团队、促进跨部门协作|
|治理策略|访问控制、角色划分、安全措施|

4.3 AI启用的实施流程

下面是AI启用实施流程的mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(明确目标与用例):::process --> B(数据管理):::process
    B --> C(团队建设):::process
    C --> D(治理策略制定):::process
    D --> E(模型开发与训练):::process
    E --> F(测试与优化):::process
    F --> G(部署与应用):::process

5. 总结与展望

5.1 总结

本文探讨了AI技术的前沿趋势，包括机器学习代码生成工具、自适应AI和下一代软件开发等。通过Forrester、Gartner和McKinsey等机构的数据，分析了AI应用的总体趋势以及嵌入式AI、伦理AI、创意AI和自主AI开发等领域的发展情况。同时，阐述了AI启用面临的挑战、核心要素、重要性以及实施策略和流程。

5.2 展望

随着技术的不断发展，AI将在更多领域得到应用和发展。未来，AI可能会与物联网、区块链等技术深度融合，创造出更多创新的应用场景。同时，随着人们对AI伦理和安全的重视，伦理AI和AI治理将变得更加重要。对于企业和组织来说，抓住AI发展的机遇，做好AI启用工作，将有助于提升竞争力，实现可持续发展。在消费者市场，创意AI和自主AI开发可能会带来更多有趣和实用的产品，为人们的生活带来更多便利和乐趣。总之，AI的未来充满无限可能，值得我们持续关注和探索。