Beautiful.ai公司（该公司生产人工智能演示软件）的一份报告调查了3000多名经理，内容涉及工作场所的人工智能工具、如何使用这些工具以及他们认为这些技术将产生的影响。

报告的主要结论是，41% 的管理者表示，他们希望能在 2024 年用更便宜的人工智能工具取代员工。这与之前关于人工智能可能导致的工作岗位流失的报告相吻合，其中一份9月份的报告预测，到2030年，该技术将取代200多万个美国工作岗位。早前的一项研究称，生成式人工智能可能会影响全球3 亿个工作岗位。

对于忧心忡忡的工人来说，调查的其他结果同样令人沮丧：48%的管理者表示，如果能用人工智能工具取代大量员工，他们的企业将在财务上获益；40%的管理者表示，他们认为人工智能工具可以取代多名员工，而团队在没有人工智能工具的情况下也能很好地运作；45%的管理者表示，他们将人工智能视为降低员工工资的机会，因为需要人力的工作减少了；12%的管理者表示，他们正在使用人工智能，希望通过裁员来节省员工工资。

62% 的经理表示，他们的员工担心人工智能工具最终会让他们丢掉工作，这并不令人意外。此外，66% 的经理表示，他们的员工担心人工智能工具会在 2024 年降低他们的工作价值。

不过，感到受到人工智能威胁的不仅仅是工人的生计。在所有接受调查的管理者中，有一半（其中 90% 表示他们已经在使用人工智能来提高生产力）表示，他们担心人工智能工具会导致管理岗位人员的薪酬降低，而 64% 的人表示，他们认为人工智能的产出和生产力与经验丰富的人类管理者相当或更好。此外，只有不到一半的参与者认为人工智能工具会助长全国范围内的工资下降。

自 2023 年开始以来，我们已经看到科技行业大量裁员，虽然其中很大一部分原因是大流行病期间的过度招聘和经济不景气，但一些公司也承认，采用生成式人工智能起到了很大作用。很多公司都加入了生成式人工智能的行列：66% 的受访者表示，他们正在使用这些工具来提高工人的生产力或效率。

尽管结果如此，Beautiful.ai 还是在其报告中强调了”协作”的角度，但这毕竟是一家生产生成式人工智能产品的公司。报告写道，在那些将人工智能融入工作场所的人中，60% 的人预见到人工智能工具将以积极、富有成效而非威胁性的方式取代他们的工作职能。报告还指出，自 2023 年以来，希望用人工智能取代员工的管理者人数”大幅”减少，这至少是个好消息。

自 cnBeta

目前，企业软件巨头纷纷排队强调他们正在迅速将生成式人工智能技术融入其核心产品。例如Salesforce于2023年3月7宣布了Einstein GPT，并将其称为“世界上第一个生成式人工智能客户关系管理技术，可以在每一个销售、服务、营销、商业和IT交互中以超大规模提供人工智能创建的内容“。

生成式人工智能对首席营销官（CMO）的意义不仅在于它的存在，还在于它已经进入了一个令人印象深刻的成熟阶段。曾经仅限于资金雄厚的OpenAI和大模型开发公司的实验室产品，逐步成为可以通过如微软、谷歌、Salesforce、Adobe等战略软件提供商来购买的标准化服务产品。咨询公司、系统集成商和数字代理机构组成的生态系统也正在不断壮大，通过帮助CMO构思、计划、试点、推出并支持这种潜在的颠覆性技术。

IDC给CMO应该如何利用

生成式人工智能技术的建议

生成式AI可以生成实时和高度个性化的沟通信息，同时具有强大的研究和演示能力，可以帮助营销人员在营销周期的早期阶段，即诊断和战略阶段提供决策支持。如果从最广泛的意义上将营销视为“从最终结果的角度来看整个业务，即从客户视角进行产品的销售”，那么营销人员所经历的典型业务旅程就包括：市场研究、市场细分、市场定位、品牌定位、产品定价、广告、分销等不同的工作环节。在这个旅程中，生成式AI与其他技术相结合，可以发挥潜在的变革作用。

01、市场研究

市场研究可能是生成式人工智能潜力最大的领域。研究通常是营销周期中资金最不足甚至被忽视的阶段。虽然生成式人工智能很难进行人类学领域的研究，但它可以通过挖掘大量数据和已发表的研究，以及总结研究结果并提出结论和行动，来改变营销人员旧的研究方法。还可以根据对实时消费者和商业数据的分析，识别快速变化的行业新趋势，并预测市场变化。

02、市场细分

生成式人工智能可能能够帮助营销人员更好地细分市场，例如，通过客户数据平台的信息，帮助他们研究消费者和商业买家的行为和态度，并提供证据，帮助营销人员创建更好的细分市场。

03、市场定位

目标市场定位是关于选择进入哪些细分市场和忽略哪些细分市场，这是一项高战略性的营销活动。在这里，生成式人工智能的强大研究能力能够帮助营销人员测试——并在理想情况下判断哪些细分市场是现在和未来最有利可图、增长最快的。

04、品牌定位

生成式AI可能在品牌定位方面贡献最少，往往自己的品牌在潜在客户心目中代表什么是由营销人员决定的。然而，生成式人工智能有可能根据其对组织销售的产品、目标人群以及竞争对手如何成功或不成功的研究和分析，在定位建议方面发挥作用。

05、产品创作和管理

生成式人工智能机器人有可能通过对文本、图像和视频的分析和操作，帮助产品设计师构思和初步设计新产品，例如在时尚和快速消费品行业。Adobe已经在它的创意工具中率先做到了这一点。生成式人工智能也有可能在缩短某些行业产品的研发阶段方面发挥作用，例如帮助制药行业缩短开发周期时间。

06、定价

营销人员经常出错的一个领域是定价，经常低估或高估产品，或者过早或太晚改变价格。虽然定价不太可能成为生成式人工智能的核心焦点，但该技术可能会帮助营销人员和产品经理，以证据为基础挑战他们对定价的假设。并且在价格定期波动的产品的情况下，预测供需变化进行价格调整。

07、分销

渠道和物流领域可能不是生成式人工智能发挥最大作用的地方，但该技术有可能帮助营销人员提供基于证据的渠道优化建议，它还将帮助营销人员通过分析数据，包括：消费者行为、天气模式和监管变化等数据，为需求来源做好准备。

08、传播

在大规模部署生成式人工智能方面，最有潜力的营销领域可能是人们最常联想到的营销传播领域。生成式人工智能可用于创建高度个性化、独特和及时的营销和广告内容，以实现品牌建设和销售激活的目的。基于对大量数据分析，这些数据不仅包括第一方和第三方客户数据，还包括一系列信号，包括定价和市场数据、物流和供应链数据、社会经济和政治事件以及天气数据。最重要的是，可以以人类无法比拟的速度、规模和成本实现这一目标。Adobe和Salesforce等老牌软件供应商已经将生成式人工智能作为标准选项纳入其企业软件套件，而更多基于人工智能的营销管理软件，开发了可以为营销人员撰写博客、营销文案、电子邮件等SaaS服务。

IDC对于生成式AI技术的应用风险提示

与任何新技术一样，生成式人工智能在给企业带来机遇和优势的同时，也会给企业带来成本和风险。这些潜在的风险和成本包括：

• 对品牌的误解：生成式AI毕竟不是人类，在理解人类的情感和情景上，仍然可能存在偏差，这需要人工审核、监督和指导。
• 算力成本：生成式人工智能需要密集的计算能力，这意味着在全新的数据中心和网络活动中可能会消耗大量的碳排放能源。虽然使用成本很低，但其创建成本很高，作为高碳消费，可能给会品牌带来负面效应。
• 先行成本：早期用户会付出更高的成本，但创建的差异化竞争优势需要企业去评估，如果不影响企业声誉和财务安全，可以在其成为必要工具前拥有并尝试。

我们现在已经迈入了AI与机器人逐渐取代人类工作的年代，在不知不觉间，AI的相关技术已经开始渗透每个人生活的角落，从Google与Facebook依照兴趣投放的广告、可以帮你找资料设定日历的语音助理Siri，背后都含有AI的概念与技术。未来的生活无论是投资、交通、医疗、学习、生产，将无处不是AI的踪影，这个技术也将彻底改变人们的生活模式。

是什么让AI从“科幻”变“科技”?

AI其实是个庞大而复杂的概念，但大都奠基于一项基础的关键技术，这个技术叫做“机器学习 Machine Learning”。

机器学习技术，就是让机械拥有自主学习的能力，说起来很简单，但在1950年代技术萌芽期间，演算法和硬体条件都不够成熟，是直到近年来日益优异的演算法，与强劲的硬体运算能力，才让机器学习的能力有突破性进展，而其中带进展最为快速的一项关键技术，就是大家最耳熟能详的──“深度学习”。

我们来看看这个数据：2015年机器学习的周边市场规模约3.6亿美元，至2020年预估将突破29亿美元，并在AI整体市场的50亿美元中占了约六成比重，可以说机器学习的技术突破，就是AI市场发展的原动力。

既然机器学习重要，那么它究竟是什么?为何能进展神速?

“大数据”提高了深度学习精准度

演算法及硬件条件的大幅跃进提供了机器学习发展的优良条件，再加上数字化联网的蓬勃下带来的“大数据”，便引爆了科技大厂争相投入深度学习技术的浪潮。目前不管是NVIDIA这类的芯片商，或擅长演算法的Google、Facebook等软件商，最常提到从事的机器学习的主流技术，就是深度学习。

举个例子描述深度学习如何进行。想像一下，要让一台搭载深度学习能力的车辆进行自动驾驶，面对陌生的路线、随时有行人冲出马路的危险路况，机器怎么判断?透过深度学习，你可先一次提供机器海量的数据资讯，包含路标、号志、路树、行人、等，让它学会辨识环境中的物体为何，学会了，便有助于它在行进过程中快速而精准地避开障碍、找出最佳路径，并顺利抵达目的地。只要数据越丰富完整，机器就越能够提高一切辨识的精准度，以加强判断能力。

这么说来，要能让AI靠“深度学习”发展思考能力，很大程度是依赖大数据所赐，不过，这时候我们就会面临一个问题：没有大数据，深度学习就毫无用武之地了吗?

“小数据”的机器学习方案也蓄势待发

大数据带给深度学习强而有力的判断能力，但其实机器若要做到“学习”这件事，深度学习并不是唯一方法。

回到自动驾驶的例子，倘若这次我们先不将海量的数据提供给机器，而是只告诉他“目的地”、“禁止碰撞”两项指令，然后任凭他不断的Trial & Error，在失败中汲取“经验”以达到学习的效果，最终也能抵达目的地(前提当然是没有遭遇严重车祸影响行进能力)。这样在初始阶段不仰赖大数据的学习方式，可以归类为“强化学习”。

强化学习的方法能补足机器在突发状况下的应变能力，AlphaGO 的开发商 DeepMind 也深谙这项方法的优点，因此让 AlphaGO 也借着深度学习与强化学习的组合，在对手下出意料之外的棋步时，随即建立新的经验，以做为未来在相同局势下能克敌制胜的判断依据。

为什么我们需要“小数据”的 AI 培养方案?

事实上，“获取足够大量的数据”就是极耗成本的一件事，此外，有些数据如罕见疾病的病历、症状等本身就具稀有性，因此像是强化学习等低数据依赖度机器学习方案逐渐开始受到青睐，许多公司与研究机构也以此作为研发的努力方向。日前就有一间名为 Gamalon 的新创公司发表新技术，表示其 AI 系统可仅用很少量的数据训练机器学习，就达到媲美进行深度学习后的精准辨识能力，成功吸引市场关注。

除了一般仰赖大数据的深度学习外，其他可降低数据量依赖度的机器学习方案正不断酝酿中。在不远的未来，我们开车出门只要安稳的在后座休息，不须担心安全与塞车问题，AI 自然会帮我们找到最佳路径;弹指轻点，手机便会帮我们挑选出最适合的购物选择;还可能有贴身的虚拟健康顾问可咨询，并随时告知我们每天的饮食是否均衡、甚至帮我们设计健康菜单。

AI 深入生活的程度，说不定会比我们想像中来得更快。

图片来源：PCM

编者按：谷歌在今年的I/O大会推出了一个大惊喜：由机器学习支持的Allo智能聊天应用。为何Allo能够如此讨用户的欢心？谷歌研究的Pranav Khaitan在谷歌博客上为我们解读了Allo背后的人工智能算法。Khaitan具有斯坦福大学计算机科学硕士学位，曾在斯坦福大学担任研究助理工作，并在微软、Facebook等公司实习。他2011年加入谷歌，目前带领团队进行机器学习、神经网络和个人化科技的工作，并帮助打造谷歌搜索等产品所需的知识图表，在谷歌搜索的几乎每个领域——排名、指数和基础建设——都能看到由他打造、发布的功能。

谷歌一直在打造由机器学习支持的产品，让用户的生活更加简单、美好。今天，本文将介绍一个全新智能聊天应用Allo背后的技术，该应用使用神经网络和谷歌搜索，让文字聊天更加简单、高效。

正如Inbox的智能回复一样，Allo能够理解对话记录，提供用户会想采用的回复建议。除了理解对话的语境之外，Allo还能理解你的个人聊天风格，因此可以实现个人定制的聊天回复。

图片来源：Google Research Blog

如何做到的？

一年多以前，团队开始研究如何让对话可以更加简便、更加好玩。Allo智能回复的想法来源于团队中的Sushant Prakash和Ori Gershony，他们带领团队打造了这项技术。我们最初使用了一个神经网络进行试验，其模型架构之前已经成功应用在序列预测中，包括Inbox智能回复中使用的编码-解码模型。

我们面临的挑战之一，是在线聊天在回复时间上有很严格的要求。为了解决这个问题，Pavel Sountsov和Sushant想出了一个非常创新的两阶段模型。首先，一个递归神经网络一个字一个字地查看聊天语境，然后用长短时记忆（LSTM）的隐藏状态将其编码。下图展示的就是一个例子，语境是“你在哪？”语境有三个标记，每一个标记都嵌入到一个连续空间中，然后输入到LSTM里。然后，LSTM状态将语境编码为一个连续矢量。这个矢量用来生成作为离散语义类别的回复。

上图的例子中，最下方是输入的语境（“你在哪？“），黄色层为”文字嵌入“，蓝色层为”LSTM“，绿色层为”softmax函数“，最后输出”地点短语“，作为预测的回复语义。图片来源：Google Research Blog。

每一个语义类别都与它可能的回复库关联起来。我们使用了第二个递归神经网络来从这个回复库中，生成一个具体的回复信息。这个神经网络还将语境转换为一个隐藏的LSTM状态，但是这一次，这个隐藏状态是用来生成回复的完整信息，一次生成一个标记。我们回到上面的例子，LSTM看到了“你在哪？”的语境后，生成了回复：“我在上班。”

上图中，最下方是语境输入（”你在哪？”），最上层softmax函数生成”我在上班。”来源：Google Research Blog。

从LSTM生成的大量可能回复库中，beam搜索能有效选择出顶层得分最高的回复。下图展示的是一个搜索空间的小片段，我们可以从中一窥beam搜索技术。

图片来源：Google Research Blog

正如任何大规模产品一样，我们面临了多个工程方面的挑战，高效生成高质量的回复库并非易事。举一个例子，虽然我们使用了这个两阶段的架构，我们最初的几个神经网络运行都非常慢，生成一个回复需要大约半秒钟。半秒钟听起来很短，但是针对实时聊天应用来说，这完全是没法接受的。因此，我们必须让我们的神经网络架构进一步进化，将回复时间再减少至少200毫秒。我们改变了softmax层，转而使用一个层级性的softmax层，可以遍历一个词汇树，比之前遍历一个词汇列表更加高效。

在生成预测时我们遇到的另一个挑战比较有趣，那就是控制信息的长度。有时候，所有可能的回复长度都不合适——如果模型预测的信息太短，可能对于读者来说就没有用；而如果我们预测的信息太长，可能就不适合手机屏幕的显示大小。我们的办法是，让beam搜索更偏向于跟进能够通向更高反应用途的路径，而不是倾向于选择最有可能的回复。这样，我们可以高效生成长度适合的回复预测，对用户来说会非常有用。

个人定制

这项智能聊天建议最棒的地方在于，随着时间，软件会为用户进行个人定制，这样你的个人风格会在聊天对话中体现出来。例如，假设当别人和你说“你好吗?”（“How are you？”）的时候，你通常的回复方式是“蛮好。”而不是“不错。”（英文中某个用户可能更习惯回复“Fine.”而不是“I am good.”），软件就会了解到你的偏好，在未来的回复建议中就会考虑到这一点。要实现这一点，就要在神经网络中加入用户的个人”风格“，将这个神经网络用于预测回复中下一个词语是什么，这样回复建议就会根据你的个性和偏好进行定制化。用户的风格是在一系列数字中获取的，我们称之为用户嵌入。这些嵌入可以作为常规模型训练的一部分，但是这种方法需要等上很多天训练才能结束，而且如果用户超过了几百万人，这种方法就有可能搞不定。为了解决这个问题，Alon Shafrir打造了一项基于L-BFGS的技术，让Allo能够快速、大量地生成用户嵌入。现在，Allo的用户只需要很短的一段时间，就能获得个人定制化的回复建议。

不只会说英语

我们之前说到的这个神经网络模型是不针对某种语言的，因此我们可以对每一种语言分别建立预测模型。Sujith Ravi为了确保每一种语言的回复可以从我们对其他语言的语音理解中获益，他提出了一种基于图表的机器学习技术，可以将不同语言的可能回复联系起来。Dana Movshovits-Attias和Peter Young将这项技术应用在一个图表中，对收到信息的回复，可以与其他有相似词汇嵌入和语法关系的回复联系起来。基于谷歌翻译团队开发的机器翻译模型，这个图表还能将不同语言中具有相似语义的回复联系起来。

利用这个图表，我们使用了半监督学习（点击链接，可以通过这篇Sujith Ravi发表在第19届人工智能与数据国际大会（AISTATS）的论文中了解更多关于半监督学习的信息）来了解回复的语义含义，判断哪一个可能的回复组群是最有用的。每一个可能的回复语义中都有多个可能的变种，现在我们可以让LSTM对每个变种进行打分，让个人化常规来为用户在聊天情景中选择最好的回复。这还能帮助实现多元化，因为我们现在可以从不同的语义组群中选择最终的回复库。

一个打招呼的信息图表可能会是这个样子的。左：法语，中：英语，右：中文。图片来源：Google Research Blog。

不止于智能回复

我非常期待Allo中的谷歌个人助理，你可以与它聊天，获得谷歌搜索上可以了解到的任何信息。它可以直接通过对话理解你的句子，帮助你完成日常任务。举个例子，你和朋友聊天的时候，谷歌助理可以在Allow应用内帮你发现有什么好吃的餐厅并预定座位。正是因为我们在谷歌进行了最尖端的自然语言理解研究，我们才能实现这项功能。更多细节信息将在未来发布。这些智能功能将于今年夏天晚些时候出现在Allo的安卓和IOS应用中。

Via Google Research Blog