韋氏詞典該留意：今年企業發現了許多可能成為年度詞彙的候選詞。從「生成式人工智慧」和「生成式預訓練 Transformer」，再到「大型語言模型」和「檢索增強生成(RAG)」，整個產業都將注意力轉向這些具有變革性的新技術。
生成式人工智慧在今年開始只是雷達上的一個小亮點，但最終卻引起了轟動。許多公司正在努力利用其攝取文字、語音和影片的能力來生產能夠徹底改變生產力、創新和創造力的新內容。
企業正在趕上這一趨勢。像 OpenAI 的 ChatGPT 這樣的深度學習演算法，在進一步使用企業資料進行訓練後，根據麥肯錫公司的估計，每年在 63 個商業案例中可能增加相當於2.6兆至4.4兆美元的價值。
然而，管理大量內部資料常常被認為是擴展人工智慧的最大障礙。一些 NVIDIA 人工智慧專家預測，2024 年將是「打電話給朋友的時代」與雲端服務供應商、資料儲存和分析公司以及其他擁有高效處理、微調和部署大數據專業知識的公司建立夥伴關係和協作。
大型語言模型是這一切的核心。NVIDIA 專家表示，大型語言模型研究的進步將越來越多地應用於商業和企業應用程式。RAG、自主智慧代理和多模式互動等人工智慧功能將變得更容易透過幾乎任何平台存取和部署。
NVIDIA AI 專家預測 2024 年發展
MANUVIR DAS - 企業運算副總裁
一種方法並不適用於所有情況：客製化正在進入到企業端。公司不會擁有一、兩個生成式人工智慧應用程式，許多公司將擁有數百個使用專有資料的客製化應用程式，以適應其業務的各個部分。
一旦上線運行，這些客製化的大型語言模型將具有 RAG 功能，將資料來源連接到生成人工智慧模型，以獲得更準確、更明智的回應。Amdocs、Dropbox、Genentech、SAP、ServiceNow 和 Snowflake 等領先公司已經在使用 RAG 和大型語言模型建立新的生成式人工智慧服務。
開源軟體引領潮流：由於開源預訓練模型，解決特定領域挑戰的生成式人工智慧應用將成為企業營運策略的一部分。
一旦公司將這些領先模型與私人或即時資料結合，他們就可以開始看到整個組織的生產力和成本效益的提高。人工智慧運算和軟體將在幾乎任何平台上變得更容易獲得，從基於雲端的運算和人工智慧模型代工服務到資料中心、邊緣和桌上型電腦。
現成的人工智慧和微服務：生成式人工智慧促進了應用程式介面 (API) 端點的採用，這使開發人員可以更輕鬆地建立複雜的應用程式。
到 2024 年，隨著開發人員使用像是RAG 即服務等人工智慧微服務來客製化現成的人工智慧模型，軟體開發套件和 API 將會升級。 這將有助於企業透過可以存取最新業務資訊的智慧助理和摘要工具，充分發揮人工智慧驅動的生產力的潛力。
開發人員將能夠將這些 API 端點直接嵌入到他們的應用程式中，而不必擔心維護支援模型和框架的必要基礎設施。最終使用者也可以體驗更直觀、響應更靈敏且客製化的應用程式，以滿足他們的需求。
IAN BUCK - 超大規模與高效能運算副總裁
國家寶藏：人工智慧將成為新的太空競賽，每個國家都希望創建自己的卓越中心，以推動研究和科學的重大進步並提高國內生產總值。
各國只需幾百個加速運算節點，就能夠快速建置高效率、高效能、百萬兆級 (exascale) 人工智慧超級電腦。政府資助的生成式人工智慧卓越中心將透過創造新的就業機會和建立更強大的大學計畫來培養下一代科學家、研究人員和工程師，從而促進各國的經濟成長。
量子飛躍：企業領袖將基於兩個關鍵驅動因素啟動量子運算研究計劃：一是利用傳統的人工智慧超級電腦來模擬量子處理器，二是用於混合經典量子運算的開放、統一開發平台。這使得開發人員能夠使用標準的程式語言，而不需要客製的、專業的知識來建構量子演算法。
量子運算探索曾經被認為是電腦科學中的一個不起眼的領域，但隨著企業加入學術界和國家實驗室一起追求材料科學、藥物研究、次原子物理和物流的快速發展，量子運算探索將改變得更加主流。
KARI BRISKI - 人工智慧軟體副總裁
從檢索增強生成 (RAG) 到財富：預計在 2024 年，隨著企業採用這些人工智慧框架，我們將更多地聽到有關檢索增強生成的訊息。
當公司訓練大型語言模型來建立生成式人工智慧應用程式和服務時，RAG 被廣泛視為解決不準確或無意義回應的解決方案，這些錯誤或無意義的回應有時會在模型模型在某些用例中缺乏足夠準確、相關資訊時發生。
使用語義檢索，企業將採用開源基礎模型，注入自己的資料，以便使用者查詢可以從索引中檢索相關資料，然後在運行時將其傳遞給模型。
總體來說，企業可以使用更少的資源在醫療、金融、零售和製造等領域實現更準確的生成式人工智慧應用。終端使用者應該期望看到更複雜、對上下文敏感且多模態的聊天機器人，以及個性化的內容推薦系統，這使他們能夠自然而直觀地與資料進行對話。
多模態已嶄露頭角：基於文字的生成式人工智慧將成為過去。儘管生成式人工智慧仍處於起步階段，但預計許多產業都會採用多模式的大型語言模型，讓消費者使用文字、語音和圖像的組合，對有關表格、圖表或原理圖的查詢提供與上下文更相關的回應。
Meta 和 OpenAI 等公司將尋求透過增加對感官的更大支援來突破多模式生成人工智慧的極限，這將導致物理科學、生物科學和整個社會的進步。 企業不僅能夠以文字格式，也能夠以 PDF、圖表、投影片等格式來理解他們的資料。
NIKKI POPE - 人工智慧與法律倫理主管
目標鎖定人工智慧安全：領先人工智慧組織之間的合作將加速穩健、安全的人工智慧系統的研發。 預計將出現跨產業採用的新興標準化安全協議和最佳實踐，確保生成式人工智慧模型的一致和高水準的安全性。
公司將更加關注人工智慧系統的透明度和可解釋性，並使用新的工具和方法來闡明複雜人工智慧模型的決策過程。 隨著生成式人工智慧生態系統圍繞著安全展開，預計人工智慧技術將變得更加可靠、值得信賴並符合人類價值。
RICHARD KERRIS - 開發者關係副總裁暨媒體與娛樂主管
開發的民主化：幾乎任何地方的任何人都將很快成為開發人員。傳統上，人們必須了解並熟練使用特定的開發語言來開發應用程式或服務。隨著運算基礎設施越來越多地受到軟體開發語言的訓練，任何人都將能夠提示機器來創建應用程式、服務、設備支援等。
雖然公司都將繼續僱用開發人員來建立和訓練人工智慧模型和其他專業應用程式，但預計任何擁有適當技能的人都將有更廣泛的機會來建立客製化產品和服務。 他們將得到文字輸入或語音提示的幫助，使與電腦的互動像口頭指令一樣簡單。
電影和歌曲中的 Now And Then：正如披頭四樂團的「新」人工智慧增強的歌曲 Now and Then 激發了新一輪的披頭四狂熱一樣，第一部長篇生成式人工智慧電影的誕生也將在整個電影業產掀起轟動。
以一位使用 35 釐米膠卷攝影機拍攝的電影製片人為例。 同樣的內容很快就可以使用生成式人工智慧轉化為 70 釐米的製作，從而降低 IMAX 格式電影製作的大量成本，並讓更多的導演可以參與其中。
創作者將透過用文字、圖像或影片提示電腦，將美麗的圖像和影片轉化為新的娛樂類型和形式。一些專業人士擔心他們的技術會被取代，但隨著生成式人工智慧在特定任務上的訓練變得更好，這些問題將逐漸消失。反過來，這將釋放出雙手來處理其他任務，並提供具有藝術家友善介面的新工具。
KIMBERLY POWELL - 醫療保健副總裁
人工智慧手術助理：外科醫生可以使用語音來增強他們在手術室內外所看到和理解的內容的這一天已經到來。
將儀器、成像、機器人技術和即時患者資料與人工智慧相結合，將帶來更好的外科醫生訓練，手術過程中更加個人化，甚至在遠端手術期間也能透過即時回饋和指導提高安全性。 這將有助於彌補需要但尚未實現的 1.5 億例手術的差距，尤其是在低收入和中等收入國家。
生成式人工智慧藥物探索工廠：一種新的藥物發現過程正在興起，其中生成式人工智慧分子生成、屬性預測和複雜建模將讓智慧實驗室驅動飛輪效應 (intelligent lab-in-the-loop flywheel)，縮短發現時間並提高臨床可行的質量候選藥物。
這些人工智慧藥物探索工廠可透過整個基因組、原子分辨率儀器和能夠全天候運行的自動化機器人實驗室，採用大量醫療資料集。電腦第一次可以學習巨大而複雜的資料集中的模式和關係，並產生、預測和建模複雜的生物關係，而這些關係以前只能透過耗時的實驗觀察和人類合成才能發現。
CHARLIE BOYLE - DGX 平台副總裁
企業將客製化的大型語言模型轉移到雲端：企業從 2023 年學到的一件事是，從頭開始建立大型語言模型並不容易。採取這種方式的公司常常因投資新基礎設施和技術的需要而感到畏懼，並且他們在弄清楚如何以及何時優先考慮其他公司計劃方面遇到困難。
雲端服務供應商、託管供應商和其他協助其他公司處理資料的企業，將提供全端人工智慧超級運算和軟體。 這將使跨產業的公司更輕鬆地客製化預訓練模型並部署它們。
在企業資料湖中尋找大型語言模型黃金：關於平均企業儲存多少資訊的統計資料並不缺乏，對於大公司來說，它可能高達數百 PB。然而，許多公司報告稱，他們為了獲取可行的見解所挖掘到的資訊量卻不到一半。
在 2024 年，企業將開始使用生成式人工智慧來利用這些未經處理的資料，將其用於建構和客製化大型語言模型。借助人工智慧驅動的超級運算，企業將開始挖掘聊天、影片和程式碼等非結構化資料，將其生成式人工智慧開發擴展到訓練多模式模型。這種超越挖掘表格和其他結構化資料能力的飛躍將使公司能夠針對問題提供更具體的答案並發現新的機會。這包括幫助檢測健康掃描的異常情況、發現零售業的新興趨勢以及使業務運作更安全。
REV LEBAREDIAN - Omniverse 與虛擬技術副總裁
工業數位化與生成式人工智慧的結合：工業數位化與生成式人工智慧的融合有望促進工業轉型。
生成式人工智慧將使物理世界的各個方面 (例如幾何、光、物理、物質和行為) 更容易轉化為數位資料。實體世界數位化的民主化將加速工業企業的發展，使他們能夠更有效率地設計、最佳化、製造和銷售產品。 它還使他們能夠更輕鬆地創建虛擬訓練場和合成資料，以訓練將在物理世界中互動和操作的新一代人工智慧，例如自主機器人和自動駕駛汽車。
3D 互通性起飛：從繪圖板到工廠車間，資料將首次實現互通性。
來自製造、產品設計、零售、電子商務和機器人產業全球最具影響力的軟體和從業公司都致力於加入新成立的 OpenUSD 聯盟。 OpenUSD 是 3D 工具和資料之間的通用語言，將打破資料孤島，使工業企業能夠比以往更輕鬆、更快速地跨資料湖、工具系統和專業團隊進行協作，從而加速以前繁瑣的手動工業流程的數位化。
XINZHOU WU - 汽車產品副總裁暨總經理
現代化汽車生產生命週期：汽車產業將進一步採用生成式人工智慧，以提供物理上準確、逼真的渲染，準確顯示車輛的內部和外部外觀，同時加快設計審查、節省成本並提高效率。
越來越多的汽車製造商將在其智慧工廠中採用這項技術，連接設計和工程工具來建造生產設施的數位孿生。 這將降低成本並簡化營運，而無需關閉工廠生產線。
生成式人工智慧將使消費者研究和購買更具互動性。從汽車配置器和3D視覺化到擴增實境演示和虛擬試駕，消費者將能夠獲得更具吸引力和愉悅的購車體驗。
安全絕非偶然：除了汽車產品生命週期之外，生成式人工智慧還將在自動駕駛汽車開發方面實現突破，包括將記錄的感測器資料轉化為完全互動的 3D 模擬這些數位孿生環境以及合成資料產生將用於在將自動駕駛汽車部署到現實世界之前，以虛擬方式安全地大規模開發、測試和驗證自動駕駛汽車。
生成式人工智慧基礎模型也將支援車輛的人工智慧系統，以實現汽車內外全新的個人化使用者體驗、功能和安全功能。駕駛體驗將變得更安全、更聰明、更愉快。
RONNIE VASISHTA - 電信副總裁
奔向還是遠離 RAN：預計將對 5G 的投資案例進行重大重新評估。
經過五年的 5G 發展，網路覆蓋範圍和容量大幅增長，但收入增長緩慢，而且大部分專有且不靈活的基礎設施成本上升。 同時，5G RAN 的利用率一直低於 40%。
新的一年將積極追求在現有頻譜上尋找新的收入來源，以發現新的可付費應用。電信業也將重新考慮資本支出結構，更專注於建立於通用組件上的靈活、高利用率的基礎設施。 隨著公司利用人工智慧工具來提高效能、提高效率並消除成本，預計將全面降低營運開支。 這些舉措的結果將決定營運商將在 6G 技術上投資多少。
從聊天機器人到網路管理：電信公司已經在聊天機器人和虛擬助理中使用生成式人工智慧來改善客戶服務和支援。 在新的一年裡，他們將加倍努力，增加對生成式人工智慧的使用，以改善網路規劃和最佳化、故障和詐欺檢測、預測分析和維護、網路安全營運和能源最佳化等領域的營運改進。
鑑於生成式人工智慧的普遍性和策略性，建造新型人工智慧工廠基礎設施來支援其發展也將成為當務之急。 越來越多的電信公司將建立供內部使用的人工智慧工廠，並將這些工廠部署為開發人員的平台即服務。 同樣的基礎設施將能夠作為額外租戶支援 RAN。
DEEPU TALLA - 嵌入式和邊緣運算副總裁
機器人程式設計師的崛起：大型語言模型將協助機器人工程師快速進步。生成式人工智慧將為機器人開發程式碼並創建新的模擬來測試和訓練它們。
大型語言模型將透過自動建立 3D 場景、建立環境並根據輸入生成資產來加速模擬開發。 由此產生的模擬資產對於合成資料生成、機器人技能訓練和機器人應用測試等工作流程至關重要。
除了幫助機器人工程師之外，轉變人工智慧模型(大型語言模型背後的引擎)將使機器人本身變得更加智慧，以便它們更好地理解複雜的環境，並更有效地執行其中的廣泛技能。
為了使機器人產業規模化，機器人必須變得更加通用，也就是說，它們需要更快地獲得技能或將它們帶到新的環境中。 在模擬中訓練和測試的生成式人工智慧模型將成為推動更強大、靈活且易於使用的機器人的關鍵因素。
