生成式 AI (GenAI) 迅速成为技术创新的前沿。它的应用似乎无限,其崛起引发了大量炒作、猜测和兴奋。然而,一些观察者(如高盛和红杉资本)仍持谨慎态度,强调可能限制其实际影响的挑战,至少在短期内是如此。这种分歧值得探讨:为什么对生成式 AI 的潜力存在如此多的对比观点?
当我们通过两个不同的视角来看待生成式 AI 时,答案就变得更清晰了:消费者生成式 AI 和企业生成式 AI。每一种都有不同的发展速度、采用模式和影响。例如,像 ChatGPT 和 DALL-E 这样流行的消费者工具迅速捕获了人们的想象力,让用户能够在社交媒体上大量发布 AI 生成的内容。而在企业环境中的生成式 AI——尤其是在制药等高度监管的行业——则进展得更为谨慎。通过研究消费者和企业生成式 AI 的独特特征、挑战和目标,我们可以更好地理解它们的采用率为什么不同,生成式 AI 将如何在这两个类别中发展,以及最重要的是,制药行业如何利用生成式 AI 的优势,加速采用并产生显著影响。
企业生成式 AI:影响深远、变革性强,但谨慎
对于消费者来说,生成式 AI 关乎创造力、速度和可访问性。但是,虽然消费者生成式 AI 快速发展,企业生成式 AI——尤其是在制药等受监管领域——却是另一番景象。
在企业环境中,生成式 AI 有望彻底改变工作流程,改进决策制定,加速研究。然而,大型组织在复杂的框架内运作。在这里,生成式 AI 的实施更加缓慢和谨慎,因为它们必须满足数据处理、安全性和合规性方面的严格要求。影响制药行业采用生成式 AI 的一些关键因素包括:
数据隐私和合规性:
制药公司必须遵守严格的数据隐私法规,如美国的 HIPAA 和欧洲的 GDPR。此外,公司必须防止其商业秘密和专有信息进入公共大语言模型 (LLMs)。为了成功使用生成式 AI,制药公司必须制定企业范围内的规则和基础设施,以管理 AI 使用并确保完美的数据和信息安全。
数据孤岛和质量:
大多数企业生成式 AI 模型依赖大量高质量数据来生成准确的见解。对于制药公司来说,可靠的 AI 需要访问跨研究、临床试验、供应链和患者记录的高质量数据。然而,在许多制药公司中,数据仍然分散在各个部门,难以利用完整的数据集。此外,"数据债务"——未组织或过时的数据——可能严重限制生成式 AI 提供有意义输出的效果。
嵌入式启发法和决策制定:
在制药领域,许多决策既受数据指导,也受启发法(即经验法则、直觉和经验)影响。将这些微妙的启发法嵌入生成式 AI 模型具有挑战性,因为它需要将定量的 AI 驱动预测与定性的人类知识相结合。
采用因素,如信任、影响和易用性:
要使企业生成式 AI 在制药行业获得牵引力,公司需要解决包括信任、网络效应和易用性在内的关键采用因素。在制药领域,由于严格的合规规则、工作流程的复杂性等原因,这些因素可能特别具有挑战性。
基于这些原因,企业生成式 AI,尤其是在制药等高风险领域,往往进展得更为谨慎。尽管如此,制药公司知道他们需要打破传统的孤岛,提高效率,改进洞察力,以应对面临的诸多挑战——从上市压力到竞争加剧,再到资源减少。生成式 AI 可以帮助公司做到这些,但前提是它们能够在整个组织中实现广泛采用。
J 曲线增长路径的潜力
为了实现 J 曲线形状的采用模型,制药公司应该采取战略性的分层方法来实施生成式 AI。这种方法将帮助他们实现广泛采用,并从生成式 AI 投资中释放持续价值。
关注整体而非局部:专注于用例"族",而不是孤立的用例,以在关键领域实现更广泛、更连贯的影响。识别具有大用户群和高跨功能适用性的功能,以选择这些重点领域。这使得资源(如数据和报告)的交叉补贴成为可能,通过在多个用例中分配成本显著提高投资回报率,并支持可能有助于采用的低投资回报率用例(例如,摘要可能本身没有投资回报率,但是构建更高效工作流程的重要组成部分,因此得到交叉补贴,确保整体更好的采用)。
分步推进:逐步构建生成式 AI 成熟度。通过逐步分层的方式增加生成式 AI 能力(例如,先是摘要机器人,后是病患互动机器人),公司可以强化现有努力,并创建一个强大的基础,提升整体影响。这种分层方法确保生成式 AI 不是一次性全面推出,而是能够获得早期胜利,积累动力,并减少意外。
不要仅仅沉迷于生成式 AI:避免让生成式 AI 主导技术栈。规划最佳技术栈。例如,通过将生成式 AI 与互补技术结合,优化其潜力。在制药领域,生成式 AI 与传统 AI 工具结合时特别有效。例如,传统 AI 可以分析临床试验数据并预测患者结果,而生成式 AI 可以总结患者反馈并制定个性化治疗建议。这种组合提供了全面的患者护理视图,从而产生更精确和更明智的医疗解决方案。
平衡的 AI 未来:超越炒作的生成式 AI
在消费市场,生成式 AI 将继续发展,为个人扩展创意可能性和个性化。在企业领域,随着组织解决数据和集成挑战,生成式 AI 的采用将会增长。
随着生成式 AI 的成熟,我们将看到一个更加平衡的格局,消费者和企业生成式 AI 都能找到自己的位置,不仅推动技术进步,还能改善依赖精确性的行业(如医疗保健和制药)的成果。
最终,理解生成式 AI 采用的两个"视角"——消费者和企业——使我们能够欣赏其潜力,而不会迷失在炒作中。虽然生成式 AI 在制药领域的进程可能较慢,但它正在朝着 AI 驱动的洞察力改变整个行业的未来迈进。
好文章,需要你的鼓励
从ADHD意识游戏到疫苗教育游戏,目的驱动的游戏正在重塑全球公共健康沟通。研究表明,这些游戏不仅能提高参与度和知识保留率,还能带来更持久的行为改变。专家认为,结合AI聊天机器人的游戏化健康工具有望进一步提高效率,为全球健康挑战提供创新解决方案。
Google 推出了新一代应用开发平台 Firebase Studio,利用生成式 AI 技术,让用户能在浏览器中快速创建自定义应用。该平台集成了 Google 的多项开发工具,支持多种编程语言和框架,提供各类预置模板和 AI 辅助功能,大大简化了应用开发流程。目前该平台已开放预览版供所有 Google 账户用户使用。
随着人工智能的发展,企业面临着前所未有的安全挑战。40%以上的企业欺诈现在由AI驱动,能够模仿真实用户行为、绕过传统防御系统,并以压倒性的速度进行攻击。2024年,近90%的企业遭受攻击,半数损失超过1000万美元。为应对这一威胁,安全团队需要采用全新的思维方式和技术手段,实时评估每个用户的风险,构建更加智能和动态的防御体系。
Google 推出统一安全平台 GUS,整合多项安全产品和服务,包括威胁情报、安全运营、云安全等。该平台由 Gemini AI 驱动,旨在为企业提供全面的安全数据层面,简化安全管理流程,提高威胁检测和响应效率。Google 期望通过这一平台解决企业安全领导者面临的碎片化安全解决方案问题,为用户提供更好的安全成果。