今天分享的是AIGC系列深度研究报告：《AIGC专题：生成式人工智能在能源和材料领域中的新机遇》。

（报告出品方：McKinsey & Company）

报告共计：11页

来源：人工智能学派

利用人工智能的力量

Gen Al在加速增长和降低成本方面的潜力不容忽视(展示)。能源和材料领域尤其如此这两个领域的创新严重依赖数据和分析，包括建立在越来越微妙和复杂的流程上的部门。简而言之，人工智能为任何数据添加了智能，这些数据可用于为决策提供信息一有可能将漫长的过程简化为一个问题--它使员工能够获得以前未知的信息。

考虑到这一点，采矿、石油和天然气、化工、农业、电力和材料等领域中令人兴备和非凡的潜在用例不断增加，这为领导者认真考虑AI代提供了充分的理由(请参见侧栏什么是生成性A1，以及为何如此令人兴音?")

然而，只有对如何利用AI的力量有一个清晰的愿景，这一前景才能实现，而了解如何穿过噪音可能是困难的。行业参与者将需要认真考虑如何在他们当前的数字化战略中融入新一代A。这包括组织是否拥有数字化能力来实现这些技术，是否在可行时推出商品化解决方案，或者是否设计全新的、极具野心的解决方案。领导人还需要了解Gen Al带来的风险以及如何以确保组织受到保护的方式管理这些风险。

尽早建立这些功能并在AI代中站稳脚跟，可以让公司在未来迅速采用更先进的模型;大型语言模型(LLM)预计在未来两到三年内在规模和功能上将旱指数级增长。事实上，与2023年前几个月的模型相比，最先进的模型已经显示出实质性的改进，扩大了技术可行用例的范围。与传统的分析技术以及之前的数字技术一样，组织可能不会选择将人工智能视为目标，而是将其视为一种强大的新工具，以充分发挥组织的潜力。

什么是人工智能，为什么会有这么多令人兴奋的东西?

就像许多被认为是一夜成名的人。生成AI(GenAl)实际上已经存在多年了。虽然OpenAl的ChatGPT谷歌的Bard和其他基于大型语言模型(LLM)的工兵在2022年底和2023年初突然出现，但它们都有共同的起源，在深度学习的进步，在过去几年中，研究科学家已经熟悉了。

到可用于创建新内容或从大量音频中合成现有内容的算法，代码、图像、文本或数据序列。LLM，比如用于支持ChatGPT的LLM，可以学习和再现比以前最先进的模型更复杂的数据关系模式，展示了从整个布上生成引人注目的内容的能力。

在许多这样的行业中，资产密集度本身就很重要，同样重要的还有优化资产利用率(假设数据可用)、压缩流程和预测随时间变化的结果的用例。考虑到这一点，有两类用例可能适用于行业内的大多数子部门:那些更直接的用例和那些被认为是“登月计划”的用例。

简单明了的用例通常不需要大量的技术专长或专业知识来部署，并且很可能会迅速商品化。这方面的例子包括标准的后台功能，如将行政职能自动化的虚拟助理或面向客户的聊天机器人，甚至是软件开发人员和数据科学家的“副驾驶员”，它们可以大幅提升生产力，但直到最近才出现现成的产品。

相比之下，moonshot用例更具创新性，因此需要更多的定制，有时甚至需要从头开始培训的LLM。虽然moonshot用例有可能提供更多的价值，但它们也需要在功能和基础设施方面进行大量的前期投资。因此，基于每个子部门以及价值链的每个部分的具体细微差别，这些用例的AI通用应用可能会有所不同。

行业领导者应该如何考虑优先考虑和实施一代人工智能

未来几年的挑战将是实现为组织带来有意义的价值的用例。在这一点上，参与新技术的公司的一个常见陷阱是在组织的几个领域启动多个试点，而不是首先设计一个全面的数字化战略。相反，领导者应该把精力集中在花费必要的时间和资源在高影响力和可行性的用例上。这些赌注更有可能产生真正的结果，喂养高采用率和增加利益相关者的支持。

公司应该谨慎考虑是否选择人工智能来帮助解决给定的问题。虽然基于AI代的模型在许多功能方面提供了新的好处，并在其他方面对现状有了明显的推动，它可以帮助解决的问题并不总是以前难以解决的，“传统的人工智能”解决方案(如更简单的预测，系统建模，或优化应用)往往更适合，甚至可能更适合未来。对于许多工业来说，仍然有一些影响，这些影响可以更简单地捕捉到，例如，在AI是一个适当的选择之前，常见的过程优化用例。

报告共计：11页

来源：人工智能学派