凯文·鲁斯，记者兼《》一书的作者 《AGI编年史》, ……认为，人工智能行业已从对通用人工智能（AGI）的推测，转向以开发通用人工智能为核心开展业务。这一转变甚至对那些远离前沿实验室的企业也至关重要：这些系统正越来越多地作为实用的自动化工具被推向市场，而其开发者仍在为一个更宏大的目标进行昂贵且结果未卜的押注。.
从科研愿景到商业竞争
在一次关于……的谈话中 解码器, ，鲁斯描述了随着大型语言模型开始产出许多研究人员此前认为难以置信的结果，前沿实验室是如何发生变化的。 由谷歌研究人员于2017年发表的Transformer架构，成为了ChatGPT及类似产品背后系统的基石。鲁斯的核心观察是，下一个令牌的预测能力一直表现出令人惊讶的泛化能力，这促使企业相信，进一步的规模扩展有望产生更广泛形式的智能。.
如今，这种信念与更传统的商业现实并存。OpenAI、Anthropic和谷歌不仅是研究机构，它们还试图销售企业级软件、吸引客户，并筹集资金以支付庞大的计算基础设施和人员成本。鲁斯将企业销售描述为一种让“飞轮”持续运转的方式，而与此同时，这些公司仍在不断追求功能更强大的模型和智能体。.
这种紧张感相当明显。 一家专注于短期利润率的公司可能会优先考虑提高推理效率、服务现有客户以及销售可靠的功能。而一家坚信重大能力突破近在咫尺的公司，则可能会将资金投向训练、计算能力和编码系统，以支持长期运行的自主工作。文章将此视为一种战略权衡，而非成功的固定公式。.
为什么能力并不能消除脆弱性
此次访谈还突显了令人印象深刻的演示与可靠的自动化之间始终存在的区别。鲁斯对语言模型最终能够达到通用人工智能（AGI）持乐观态度，但讨论中也承认，当任务定义不明确、反馈模棱两可，或者周边软件无法提供明确的错误识别方式时，当前系统仍可能出现失误。.
这一局限性对采用人工智能自动化的企业而言尤为重要。在编码、文档分析或其他具有明确输出结果和验证标准的任务中，模型可能表现良好；但当需要其在缺乏一致性的网站上进行导航、解读未文档化的流程，或在未经人工审核的情况下跨多个系统做出判断时，其可靠性可能会大打折扣。.
对于创始人、代理机构和运营团队而言，从中得到的实际启示并非要在热情与拒绝之间做出选择，而是要区分 能力 来自 可靠性. 自动化虽然确实很有用，但仍然需要检查点、权限、审计日志、备用流程以及一名负责处理异常情况的人员。.
这对企业意味着什么
- 围绕可验证的结果进行设计。. 当能够通过结构化数据、测试、审批或与“可信数据源”进行核对来验证自动化流程是否成功时，人们就更容易信任这些自动化流程。.
- 预算应涵盖运营成本，而不仅仅是模型访问费用。. API 或软件费用仅是成本的一部分。团队还需要进行监控、工作流维护、安全控制，以及处理故障所需的时间。.
- 保持战略灵活性。. 尽管竞争格局可能对少数大型供应商有利，但此次访谈仍留下了关于定价、开放式计费模式、计算需求以及监管方面的诸多疑问。应避免基于对“哪家供应商或哪种模式将占据主导地位”这一未经验证的假设来构建关键流程。.
鲁斯的论点既涉及技术层面，也涉及文化层面：一个由研究人员、高管和投资者组成的相对较小的群体，正在做出可能产生广泛影响的决策。无论通用人工智能（AGI）是否会在其支持者所预期的时间表内出现，企业和政策制定者现在都必须应对这些能力日益增强的系统。 明智的做法既不是全盘接受每一项行业预测，也不是一概否定这项技术，而是要弄清楚自动化在哪些方面行之有效、在哪些方面会失灵，以及一旦出现失灵，责任该由谁来承担。.
资料来源 阅读原文报道. 本文对原始报告进行了总体分析，并提供了实际背景。.
了解更多： 想在您的企业中应用实用的AI自动化解决方案吗？请访问 Implementi.ai 自动化商店.
