人工智能潮流已过，未来科技将引领新变革！

十年后，我们将清楚地看到，2025年左右我们使用生成性 人工智能 的主要方式是——根据简单指令和开放式互动快速生成内容——仅仅是构建一种技术的基础，这种技术将越来越多地融入更具影响力的形式中。

真正的经济效应将随着不同模式的生成性人工智能与传统软件逻辑的结合而逐渐显现，以越来越自动化的方式推动项目管理、医疗诊断和保险索赔处理等昂贵活动。

在我帮助全球最大的公司设计和实施人工智能解决方案的咨询工作中，我发现 大多数组织仍在努力从生成性人工智能应用中获得实质性价值。尽管这些应用令人印象深刻且令人满意，但其固有的不确定性使其难以融入推动经济运转的高度标准化的业务流程中。

代理型与解释型

最近几个月，代理型人工智能因其在几乎没有人类指导的情况下完成商业任务的潜力而备受关注，但它也有类似的局限性。代理正在发展以协助完成诸如快速构建网站等单一任务，但其工作流程和输出对于需要可预测和可靠的大型组织而言仍然过于多变。

然而，推动今天最知名的人工智能工具的那些庞大人工智能模型，正越来越多地以另一种更具经济转型潜力的方式被部署，我称之为“解释型人工智能”。而 这 很可能是推动人工智能革命的真正动力，尤其是在长期来看。

与生成性和代理性人工智能不同，解读性人工智能使计算机能够理解混乱、复杂和非结构化的信息，并以可预测、明确的方式进行解释。利用相同的IT基础设施，这项新兴技术可以推动大型组织的复杂流程，而无需在每个步骤中进行人工干预。

应用案例

一些解读性人工智能应用已经在使用。例如，医生使用解读性人工智能工具来记录与患者的对话，并在电子健康记录界面上填写信息，以便跟踪护理和便于账单处理，从而节省了大量时间。在不久的将来，这项技术可以根据以数千种不同格式撰写的警察报告来确定汽车事故的责任，或者处理从笔记本电脑屏幕录制的视频，以便在某人编辑演示文稿时为团队成员提供关于已完成工作的自动更新。这些应用范围广泛，涵盖各种行业。

根据对编码和市场营销等领域的估计，在生成性人工智能应用最广泛的领域，解读性人工智能可以为来自大型公司的GDP的一半解锁20%到40%的生产力提升。不过，首先，他们需要制定一项全面的长期战略，涵盖多个业务职能和细致的实验，并改变那些减缓其采用的根深蒂固的流程和工作文化规范。如果做得正确，这些障碍是可以克服的——而且回报可能是巨大的。

生成性人工智能模型的另一种应用

经济增长的最基本驱动力之一是持续努力标准化和扩大特定流程，使其更快、更便宜和更可靠。比如工厂的装配线是如何实现大规模生产的，或者互联网是如何对计算机通信协议进行编码，让不同网络之间能够互通的。

生成性人工智能在自动化方面总体上令人失望。例如，许多公司尝试使用生成性人工智能聊天机器人来减少人力资源员工回答员工关于内部政策问题所花费的时间。然而，这种系统的开放式输出需要人工审核，因此节省的劳动力最多也只是有限的。这项技术似乎继承了人类的许多不可预测性，同时具备模仿人类创造力和推理能力的能力。

代理人工智能承诺能够自主完成复杂的工作，智能代理能够逐步制定和执行实现目标的计划。但同样，即使这些代理变得足够聪明，能够帮助普通的知识工作者提高工作效率，它们的输出也会相当不稳定。

引入解释性人工智能。得益于像Open AI和谷歌这样的公司开发的前所未有的大型模型，计算机首次能够有效地理解人类语言的含义，包括其所有的细微差别和未言明的背景。解释性人工智能是利用这些模型来实现这一革命性进展的工具。

直到现在，计算机捕捉、存储、汇总、总结和评估大型组织活动的能力，之前仅限于那些容易用数据量化的活动。解释性人工智能可以快速而准确地执行许多其他重要活动的这些功能，规模庞大且边际成本极低。例如，企业不再需要手动去监控和管理知识工作者的任务（如将功能编码到软件解决方案中或制定一套特定于客户的外展策略），这通常需要专门的中层管理人员来进行信息收集。

公司可以通过使用解释型人工智能来提高生产力，解决一系列以前难以衡量的员工问题，包括他们与客户互动的语气和质量、工作场所的文化规范，以及他们对办公室政策和行为期望的遵守情况。

转变知识工作的管理

使用解释型人工智能将使大型组织实现广泛的转型，开启新的高效工作方式（这些组织负责组织和生产世界上大多数商品和服务）。它将大幅减少协调跨团队和学科的复杂活动所需的繁琐且昂贵的中层管理工作。

更好的是，它可以高效地理解工作发生的操作上重要但不透明的方面，例如数十年的遗留代码和数据，这使得即使是小的技术流程变更对于任何长期存在的企业来说也变得耗时且具有挑战性。

当然，解释型人工智能并不与生成型和代理型人工智能相互排斥——它只是以不同的方式使用这些技术背后的强大模型。毫无疑问，这种方式相对不吸引人，但对于那些希望在未来几年最大化人工智能经济影响的企业来说，这正是他们所需要的‘不吸引人’的方式。

这篇文章最早发表于fastcompany.com。

请订阅以获取快公司的新闻通讯：想要了解更多信息，请访问http://fastcompany.com/newsletters。