生成式人工智能及其对行业的影响有许多令人瞩目的方面，其中之一就是它与最近的其他大技术趋势相比有多么不同。
与区块链和加密货币等其他热门技术相比，它不仅发展速度更快、范围更广，而且还将企业带入了大量未知领域。
TECHnalysis Research最近对1000名参与公司GenAI工作的IT决策者进行了调查，结果显示，99%使用该技术的公司仍面临挑战。值得注意的是，半数以上的公司都强调了三个主要问题--数据保护/安全、不准确性和版权侵犯，如下图所示。此外，这些公司平均指出了五个不同的问题，这表明潜在的问题并不局限于狭小的范围，而是非常普遍。
此外，许多公司在没有全面了解GenAI技术的机制及其多样化部署可能性的情况下就贸然进入了GenAI领域。诚然，许多以企业为目标的技术都是在没有完全掌握其细微差别或潜在影响的情况下推出的，但GenAI似乎打破了等待技术成熟后再广泛实施的传统智慧。
出现这种情况有几个原因，但其中大部分归结为一个事实：GenAI已经有了一种必然性和必要性的光环，促使公司比其他时候更早开始使用它。
人们对这项技术的兴奋程度--通常是由一些令人印象深刻的早期使用经验所驱动--特别有效地促进了这项技术的采用。事实上，同一项调查显示，95%的IT决策者认为GenAI会对他们的业务产生深远或至少是潜在的显著影响。毫不奇怪，这让人们明显感觉到，每个人都在采用这项技术（同样，调查结果显示，88%的公司已经开始采用这项技术）。
这也让企业相信，如果不迅速采取行动，就会在竞争中处于严重劣势--潜在的顾虑和有限的理解都会造成严重后果。
当然，科技行业中不乏最初被认为会对企业产生巨大影响的新技术。GenAI的不同之处在于，企业似乎愿意忽略这些潜在的问题，因为它承诺会带来潜在的好处，而且围绕这项技术的紧迫感也很强。
显然，围绕GenAI的困惑是真实而普遍的。
GenAI面临的另一个重大挑战是围绕这一主题的困惑。虽然很少有人会急于承认自己对一项重要的新创新缺乏了解，尤其是那些科技领域的人，但与GenAI相关的模糊不清显然是真实而普遍的。即使是看似基本的区别，例如理解一个以GenAI为重点的基础模型（如LLM或大型语言模型）与一个利用该模型的应用程序之间的作用和意义，也会造成误解。
造成这种混淆的原因有很多。首先，在与ChatGPT等GenAI工具的早期讨论和接触中，基础模型和应用程序经常被交替使用。我们很容易认为，ChatGPT既包括基础模型，也包括我们许多人都体验过的聊天界面。但实际上，ChatGPT就是应用程序，它可以运行在GPT大型语言模型的不同迭代版本上，如GPT-3或GPT-4。
这种由底层引擎和构建在其上的应用程序组成的分层方法在大多数GenAI应用程序中都很常见。一方面，它提供了新的灵活性，但也有可能造成更大的混乱。以客户关系管理、办公生产力套件等典型的企业软件应用程序为例，我们从未考虑过用于驱动功能的内部引擎，也没有改变它的选项。然而，有了GenAI，您就有可能在相同的基本应用程序中使用多个不同的引擎，或者在完全不同的应用程序中使用相同的引擎。例如，单个LLM可用于创建原始文本、总结现有文本、编写软件代码等。因此，可能出现的各种情况很快就会让人应接不暇。
另一个问题是，不同供应商的早期产品往往以相对相似的方式进行描述，但可能以完全正交的方式处理问题或解决问题。换句话说，这往往是苹果和橘子的比较，从而进一步混淆了问题。
这也是为什么教育工作和清晰、基本的营销信息对前几代GenAI工具至关重要的重要原因之一。即使是拥有数十年IT经验的人也会发现，GenAI是一种不同的动物，大多数人都需要简单明了的解释（无论他们是否愿意承认）。在围绕GenAI迅速做出重要战略决策的额外压力下，对清晰度的需求就更加重要了。
不管这些担忧如何，GenAI的列车显然没有减速。事实上，当微软和Google的主要生产力套件支持GenAI的版本全面上市时--据说是今年秋天的某个时候--期待着新一轮的GenAI热潮和活动。这些都是企业希望GenAI能够产生最大影响的应用类型，而它们也恰好是每个企业中几乎每个人都在使用的工具。因此，一旦有大量人员开始定期使用这些工具，GenAI所能产生的实际影响就会变得前所未有的清晰。
相信这些工具可能产生的影响不会使前面讨论的挑战或教育问题消失，相反，它们会变得更加突出。不过，企业需要做好准备，供应商需要集中精力，以推动GenAI必将带来的突破性变革。