一份帮助企业引领人工智能良好实践的路线图

过去十年里，我一直在启发全球的高层决策者、高管和领导者：如何落地一套数字化转型的战略与路线图，如何构想一套数据战略，如何对技术趋势有清晰的把握。我得承认，这不是一件容易的事。事实上，这是一个人能选的最难的工作之一。也许我一直都是越难越有干劲。而在人工智能上迎难而上，本身就是一个庞大的挑战。

最近最热的讨论，是该拿生成式人工智能做什么。人工智能和生成式人工智能带来的冲击，和互联网的诞生一样大。在我看来，2023年应该被视为数字时代近代史上的一个里程碑，其重要性不亚于1998年 Google 的成立，或者1994年 Yahoo 的上线。

一切都始于2022年11月30日 ChatGPT 的发布。从那一刻起，火就点着了。2023年像极了淘金热。我们都太害怕，也都太兴奋：只要用自然语言，我们的能力就能变强，这种可能性摆在眼前。甚至还包括那些我们从没想过自己能发展出来的能力。但厚礼之下，责任亦重。引用 IBM Institute for Business Value [1] 的话：

「超过半数（56%）的受访高管正在推迟重大投资，直到人工智能的标准和监管变得清晰为止。总体来看，72%的高管表示，出于伦理上的顾虑，他们的组织会放弃生成式人工智能带来的好处。」 –IBV. IBM Institute for Business Value.

接下来这篇文章，并不想成为一份关于如何落地生成式人工智能战略的详尽而烧脑的作品。它只是一次初步的思考：一家公司如果想要抢先一步，以先行者和数字化领导者的身份主导这场讨论，那么要想把生成式人工智能用到最大，应该先走哪几步基本的路。

「计算机没什么用。它们只会给你答案。」 —（据传出自）Pablo Picasso

用对的问题避免一场浩劫

以我的浅见，有几个问题是任何一家公司都应该开始问自己的：

• [为什么] 公司的走向，是用人工智能消灭岗位、取而代之，还是增强公司自身的能力？ 公司最后有可能选择只回报一类利益相关方（股东），替换掉人才，而不是用人工智能增强其技能、把公司的人才盘子做大。

• [怎么做] 你要怎么把生成式人工智能与高级分析、传统人工智能结合起来？怎么让公司里的实践社群活跃起来？怎么监督使用情况、透明度和结果的问责？ 企业不能忘了，传统人工智能必须与生成式人工智能共存。生成式人工智能的热潮，绝不该遮蔽这样一个视野：在一个联邦式的模型里把数据与分析战略扩展开来，而生成式人工智能只是其中又一根杠杆。

• [谁] 谁来领导这场变革？谁来领导一项横跨组织内所有认知职能的实践？为了提升自身能力，我该怎么修改公司的政策（隐私、安全等）？ 生成式人工智能应该被你组织里的任何一个领域或部门广泛使用，但与此同时，必须有一些管理者去协调使用方式和最佳实践，以免出现机密信息泄露、不必要的法律责任和安全问题。

• [什么时候] 我应该马上就开始，还是应该先把全球的最佳实践和监管规定收集起来？ 在种类繁多的基础模型和大语言模型里挑出最好的合作伙伴，这一点至关重要。但它也不该把你当下的选择永远锁死。不到一年时间里，我们已经看到惊人的进步（OpenAI、Meta、Google，以及其他做垂直和横向企业解决方案的独立厂商），而我们仍在等待全球主要地区对人工智能的使用立法（美国的人工智能法案、欧盟的人工智能法、中国关于人工智能与隐私的伦理规范）。

• [做什么] 哪些任务应该优先交给生成式人工智能来支持？哪些技能应该被优先增强／替换？有没有哪些任务，用生成式人工智能反而边际收益递减？ 负责任地使用人工智能，并衡量它对你当下和未来技能库存的影响，不仅能替你省掉不少头疼事，还能让你提前预判高管层在经济下行期会提出的要求。也许现在最好的做法，不是替换，而是丰富你的人才招募战略。而在当下不把人力资源专家、高级管理者以及数据与分析专家拉进来，可能会造成很大的干扰。

落地生成式人工智能的6步路线图

在讨论围绕生成式人工智能的主干战略要如何落地时，可以考虑以下这些战略步骤：

要应对在公司内部使用生成式人工智能这一挑战，一份可能的路线图（AGIR）可以这样开始：

[AGIR-1] 在公司里指定一个牵头的领域或部门，由它来构想这场对话。首席数据与分析官，或者高级分析与数据战略负责人，应该成为生成式人工智能主干战略实施的主责管理者。这位主责管理者应当用 AGI 部署一套治理模型，确保安全与隐私方面的良好实践，避免员工直接使用大语言模型控制台、把公司机密信息交给这些基础模型时造成信息泄露。这第一步称为「AGI 治理模型」，以下是一些可能开展的举措：

• 制定全面的数据治理政策。

• 建立定期审计人工智能用例的规程。

• 建设一个案例研究与最佳实践的资料库。

• 为数据的访问与使用建立一套制衡机制。

[AGIR-2] 成立一个 AGI 观察站，用来评估不同的基础模型、大语言模型，以及针对不同领域和行业定制的 AGI 解决方案。我们把这个战略模块叫作「AGI 观察站」，以下是 AGI 观察站可能开展的一些举措：

• 按职能成立专门的工作组，研究人工智能的影响。

• 建设一个案例研究与最佳实践的资料库。（一套按领域或地区分类的最佳实践框架）

• 与学术机构合作开展前沿研究。

• 每季度举办行业圆桌，讨论新的进展。

• 推出一套人工智能影响评估工具，衡量它对运营的作用。

[AGIR-3] 建立一个由 AGI 先锋带领的实践社群。这些人在提示词工程上非常娴熟，同时也懂技术、懂数据。我们把这个战略步骤标记为「AGI 实践社群」和「AGI 先锋」。以下是这个实践社群可以落地的一些举措：

• 举办内部黑客松，用 AGI 做创新。

• 提供 AGI 技术方面的专项培训和认证。

• 为提示词工程技能建立导师制。

• 搭建一个内部知识共享平台（GPTs 清单 3，或者一份为检索「用生成式人工智能做出来的项目」而优化的记录）。

• 每年组织一次 AGI 研讨会，邀请外部和内部的讲者。

[AGIR-4] 在公司里定义一份主题专家（SME）名录，用来校验日常使用 AGI 所得到的结果，防止员工把因使用 AGI 而获得、或经 AGI 强化过的信息公开对外分享，或者以公司的名义分享出去。这个战略模块可以标为「SME 名录」，以下是这群专家可能开展的一些举措：

• 设计一套 SME 参与计划，让协作更顺畅。

• 建立反馈闭环，持续改进人工智能模型。

• 为 SME 的贡献引入一套认可机制。

• 组建一支应对人工智能相关事故的快速响应团队。

• 推出季度通讯，重点介绍 SME 的洞见和人工智能的进展。

[AGIR-5] 让人力资源部门参与进来，把历史上每一份职位说明书里、各业务单元与部门所要求的全部可能技能，整理成一份技能普查或汇编。汇总全公司所需的技能，并和人力资源一起去理解不断变化的技能版图。挑战在于建立一份可能会被 AGI 影响到的公司级技能库存。把这份「技能库存」对照「AGI 观察站」发现的新举措做转译，并持续调整。以下是与技能库存这一战略阶段相关的一些补充举措：

• 做技能缺口分析，预判未来的需求（通过技能分类学的梳理和技能本体，挖掘生成式人工智能未来能带来的节省）。

• 考察各种技能库存的标准。

• 搭建一个由人工智能驱动的动态平台来追踪技能。

• 为员工设计个性化的培训路径。

• 与教育平台建立合作，获取外部学习资源和人才池。

• 为员工上线一个人工智能职业顾问工具。

[AGIR-6] 选择并落地一套负责任使用人工智能的框架。一个可能实施的框架，是美国国家标准与技术研究院 NIST 定义的人工智能风险管理框架 [2]（AI RMF）。这套框架应该被当成一个启发性的工具来用：定义治理模型，梳理组织在推行生成式人工智能方面最初要开展的活动，建立一整套公司级的度量和指标来管理正确落地人工智能所带来的风险与收益，同时也定义如何管理这套框架，以实现对人工智能正确且负责任的使用。这个战略模块应该叫作「负责任人工智能框架的实施」，从中衍生出的一些子举措可以是：

• 把 AI RMF 对照公司现有政策做映射，找出缺口。

• 制定清晰的沟通策略，把框架的原则传播出去。

• 设计一套人工智能使用度量和绩效指标。

• 建立人工智能危机管理规程。

• 为合规的项目和团队启动一套「负责任人工智能」徽章制度。

刚刚过去的11月30日，标志着 OpenAI 用 GPT-3 版本、也就是它的 ChatGPT 打开潘多拉魔盒之后，已经满12个月、整整一年。不到1年时间里，我们见证了一个改变游戏规则的东西，而有人把它的冲击量化为当前全部劳动力的50%。我们只是还不知道这个冲击到底会是什么样。

我不喜欢玩制造混乱这一套，而这场变化影响深远，所以要推动颠覆性的改变，唯一的办法就是把这件事拆成小块。这篇文章想做的，就是第一口——一次咬一口。

图片由 DALL-E 3 生成

[说明：这份文档的目的、方法和范围100%由人类定义。ChatGPT 参与了这篇博文的最终撰写。按字数计算，本文有20%是由人工智能写成的。]

参考文献与来源：

1. IBV：「Ethics can’t be delegated」https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/ceo-generative-ai/responsible-ai-ethics IBM Institute for Business Value. 2023年10月。

2. 美国国家标准与技术研究院 NIST：「AI Risk Management Framework」https://airc.nist.gov/AI_RMF_Knowledge_Base/AI_RMF/Core_And_Profiles/5-sec-core。2023年6月

3. OpenAI.com「Introducing GPTs」https://openai.com/blog/introducing-gpts 2023年11月