生成式 AI (GenAI) 是人工智能的一部分，可以生成各种数据，包括音频、代码、图像、文本、模拟、3D 对象、视频等。它从现有数据中汲取灵感，但也产生了新的和意想不到的输出，在产品设计、艺术等领域开辟了新天地。其中很大一部分要归功于最近在 (Chat)GPT 和 Midjourney 等领域取得的突破。
ChatGPT在发布的前五天，就有超过百万用户登录平台亲身体验。OpenAI 的服务器几乎无法满足需求，网站会定期闪烁一条消息，提示用户需要在服务器容量空闲时再返回试用。
ChatGPT 和 GitHub Copilot 等产品，以及为此类系统提供支持的底层 AI 模型（Stable Diffusion、DALL·E 2、GPT-3 等），正在将技术带入曾经被认为只属于人类的领域。有了生成式人工智能，计算机现在可以毫无争议地展现创造力。他们可以根据查询、从他们摄取的数据以及与用户的交互中提取内容来制作原创内容。他们可以开发博客、绘制包装设计草图、编写计算机代码，甚至推理生产错误的原因。
最新一类的生成式 AI 系统已经从基础模型中出现——大规模、深度学习模型在涵盖许多主题的大量、广泛、非结构化数据集（如文本和图像）上进行训练。开发人员可以针对广泛的用例调整模型，几乎不需要对每项任务进行微调。例如，ChatGPT 的基础模型 GPT-3.5 也被用于翻译文本，科学家们使用 GPT 的早期版本来创建新的蛋白质序列。通过这种方式，所有人都可以使用这些功能的强大功能，包括缺乏专门机器学习技能的开发人员，以及在某些情况下，没有技术背景的人。使用基础模型还可以减少开发新AI 应用程序的时间达到以前很少有的水平。
生成式 AI 有望使 2023 年成为 AI 迄今为止最激动人心的年份之一。但与每一项新技术一样，企业领导者都需要精神，当今的AI技术的进展提出了许多道德和实际挑战。
经济活动在过去分为三个部分——生产、交易和互动（production, transactions, and interactions）。在 100 多年前的工业革命期间，机器和工厂技术通过增加和自动化人力劳动改变了生产方式，而人工智能进一步提高了制造车间的效率。交易在大致相同的时间范围内经历了许多技术迭代，包括最近的数字化和自动化（digitization and automation)。直到最近，交互劳动（例如客户服务）才经历了最不成熟的技术干预。生成式人工智能将通过以一种非常接近人类行为的方式进行交互劳动来改变这种状况，在某些情况下，这种行为是难以察觉的。这并不是说这些工具可以在没有人工输入和干预的情况下工作。在许多情况下，它们与人类结合起来最强大，可以增强它们的能力并使它们能够更快更好地完成工作。
生成式人工智能还将技术推向了一个被认为是人类思维独有的领域：创造力。该技术利用其输入（它摄取的数据和用户提示）和体验（与用户的交互帮助它“学习”新信息以及正确/不正确的内容）来生成全新的内容。虽然在可预见的未来，关于这是否真的等同于创造力的餐桌辩论将会激烈进行，但大多数人可能会同意，这些工具会通过激发人们的初始想法来为世界释放更多的创造力。
即使这些AI模型处于扩展的早期阶段，但我们已经开始看到第一批跨功能的应用程序：
营销和销售——制作个性化营销、社交媒体和技术销售内容（包括文本、图像和视频）；创建与特定业务（例如零售业）保持一致的助手
操作——生成任务列表以高效执行给定活动
IT/工程——编写、记录和审查代码
风险和法律——回答复杂的问题，从大量的法律文件中提取，以及起草和审查年度报告
研发——通过更好地了解疾病和发现化学结构来加速药物发现
生成式 AI（generative AI） 令人惊叹的结果可能使它看起来像是一种现成的技术，但事实并非如此。它技术人员仍在努力解决问题，许多实际和伦理问题仍然悬而未决：
与人类一样，生成式人工智能也可能是错误的。例如，ChatGPT 有时会产生“幻觉”，这意味着它自信地生成完全不准确的信息来响应用户问题，并且没有内置机制向用户发出信号或质疑结果。
系统性偏见仍然需要解决。这些系统从大量数据中提取数据，其中可能包含不需要的偏差。
没有反映个别公司的规范和价值观。公司将需要调整技术以融入他们的文化和价值观，这项工作需要技术专长和计算能力，这超出了一些公司可能已经准备好获得的能力。
知识产权问题有待商榷。当生成式 AI 模型根据用户提示提出新的产品设计或创意时，谁能拥有它？当它根据其训练数据剽窃来源时会发生什么(plagiarizes a source based on its training data)
在考虑使用生成人工智能的公司中，企业快速确定技术可能产生最直接影响的业务部分，并实施一种机制来监控它，组建一个包括数据科学从业者、法律专家和职能业务负责人的跨职能团队至关重要。
该技术可能在哪些方面影响行业和/或业务的价值链？
企业的政策和姿态是什么？例如，是在观望技术如何发展、投资试点（investing in pilots）还是寻求建立新业务？不同业务领域的态度是否应该有所不同？
鉴于模型的局限性，企业选择目标用例的标准是什么？
如何寻求建立一个有效的合作伙伴、社区和平台生态系统？
这些模型应遵守哪些法律和社区标准，以便能够与利益相关者保持信任？
与此同时，必须在整个组织内鼓励深思熟虑的创新，在沙盒环境中建立护栏进行实验，其中许多都可以通过云轻松获得，而且更有可能即将出现。
免责声明：本文通过参考公众媒体内容，整理、翻译、编辑而成，仅供读者参考。文中的观点和内容不具有指导作用，对读者不构成任何项目建议或承诺。如果本文不慎侵犯您的权益，请与我们联系，我们将及时处理。
资料来源：Mckinsey, Generativeai.net, Medium, Forbes