2024年，生成式人工智能（genAI）试点项目激增，引发了人们对实验成本高、收益不确定的担忧。这促使公司将注意力转向交付业务成果、提高数据质量和培养人才。

　　到2025年，企业预计将优先考虑战略，增加业务- it合作伙伴关系以协助genAI项目，并从大型语言模型（LLM）试点转向生产实例。小型语言模型也可能会自成体系，在不增加数据中心处理和能力负担的情况下处理特定任务。

　　Forrester Research表示，企业还将采用新技术和新架构来更好地管理数据和人工智能，并回归预测性人工智能。

　　Forrester分析师Jayesh Chaurasia表示，预测性人工智能使用历史数据和机器学习和统计等技术来预测未来的事件或行为。另一方面，GenAI利用深度学习方法，如生成对抗网络（gan），创建新的内容，如图像、文本、视频或合成数据。Chaurasia预测，在超过50%的用例中，人工智能的钟摆将回到预测性人工智能。

　　当然，法学硕士是人工智能的核心，帮助企业解决复杂的任务并改善运营。Forrester报告称，55%的美国基因人工智能决策者使用嵌入在应用程序中的llm，而33%的人购买特定领域的基因人工智能应用程序。与此同时，slm正在迅速获得关注。

　　Gartner研究公司杰出的副总裁分析师Arun Chandrasekaran说，中小型语言模型的兴起应该使客户能够更好地在准确性、速度和成本方面进行权衡，并指出“大多数组织仍在努力从他们的人工智能投资中实现商业价值。”

　　

　　根据Forrester的一份报告，在接下来的一年里，SLM集成可能会激增60%。

　　近八成的IT决策者报告说，在过去的一年里，软件成本上升了，他们正在寻找slm，因为slm更具成本效益，并且通过在特定领域的培训提供更好的准确性、相关性和可信度。他们也更容易整合并在金融、医疗保健和法律服务等专业行业中脱颖而出。

　　到2025年，预计将有7.5亿个应用程序使用llm，这突显了基因人工智能市场的快速增长。Forrester预测，到2030年，该市场的价值将从2023年的15.9亿美元增长到2598亿美元。

　　即使有了这样的增长，许多人工智能专家认为，法学硕士对于自动化工作流程和重复性任务来说，无论是在性能还是对环境的影响方面，都可能是过度的。康奈尔大学的一项研究发现，训练OpenAI的GPT-3 LLM消耗了500公吨碳，相当于110万磅。

　　随着企业面临满足预期的挑战，2025年的通用人工智能投资可能会转向成熟的预测性人工智能应用，如维护、个性化、供应链优化和需求预测。具有前瞻性的组织也将认识到预测性和生成式人工智能之间的协同作用，利用预测来增强生成输出。Forrester的数据显示，这种方法有望将合并用例的份额从目前的28%提高到35%。

　　用最简单的术语来说，SLM是一个轻量级的遗传模型。管理咨询和软件开发公司Version 1人工智能实验室的高级技术研究员罗斯玛丽·托马斯（Rosemary Thomas）表示，这里的“小”指的是模型神经网络的大小、参数的数量和训练数据的数量。

　　slm使用更少的计算资源，支持本地或私有云部署，从而增强了隐私性和安全性。

　　Thomas表示，虽然一些SLM实现可能需要大量的计算和内存资源，但一些模型可以拥有超过50亿个参数，并在单个GPU上运行。

　　Gartner Research将slm定义为参数不超过100亿个的语言模型。与llm相比，它们要小两到三个数量级（约100-1,000倍），这使得它们在使用或定制方面更具成本效益。

　　Thomas在最近的一篇文章中指出，SLM包括谷歌Gemini Nano、微软的Orca-2-7b和Orca-2-13b、meta的lama-2 - 13b等，他认为SLM的增长是由对更高效模型的需求以及它们可以训练和设置的速度所驱动的。

　　

　　Thomas说：“由于计算资源、培训时间和特定的应用需求等实际考虑，slm越来越受欢迎。“在过去的几年里，slm变得越来越重要，特别是在可持续性和效率至关重要的情况下。”

　　根据Gartner的说法，slm使大多数组织能够实现任务专业化，提高基因ai解决方案的准确性、稳健性和可靠性。Gartner表示，由于部署成本、数据隐私和风险缓解是使用genAI时面临的主要挑战，因此slm为大多数组织提供了一种经济高效的llm替代方案。

　　创业公司Hyperscience委托对500多名用户进行的哈里斯民意调查显示，四分之三（75%）的it决策者认为，slm在速度、成本、准确性和投资回报率方面优于llm。

　　开发基于人工智能的办公自动化工具的Hyperscience公司首席执行官安德鲁·乔伊纳（Andrew Joiner）表示：“数据是任何人工智能计划的命脉，这些项目的成功取决于为模型提供数据的质量。”“令人担忧的是，五分之三的决策者表示，他们对自己的数据缺乏了解，这阻碍了他们最大限度地利用基因人工智能的能力。真正的潜力在于采用量身定制的slm，它可以改变文档处理并提高操作效率。”

　　Gartner建议组织根据特定需求定制slm，以获得更好的准确性、健壮性和效率。任务专门化提高了一致性，而嵌入静态组织知识则降低了成本。动态信息仍然可以根据需要提供，使这种混合方法既有效又高效。”

　　Yseop是一家为生物制药行业提供预训练基因模型的供应商，其首席执行官伊曼纽尔?瓦尔肯纳尔表示，在金融服务、医疗保健和制药等监管严格的行业，法学硕士的前景肯定很小。

　　根据Yseop的说法，更小、更专业的模型将减少浪费在构建当前任务不需要的大型模型上的时间和精力。

　　Gartner的钱德拉塞卡兰表示，未来一年，特定领域的人工智能代理可能会增加，“尽管目前还不清楚这些代理中有多少能达到人们的崇高期望。”

　　Forrester表示，虽然人工智能架构是一项顶尖的新兴技术，但要达到人们所期望的高度自动化，还需要两年的时间。

　　虽然企业渴望通过人工智能代理将基因人工智能推向复杂的任务，但该技术的开发仍然具有挑战性，因为它主要依赖于多个模型之间的协同作用、通过检索增强生成（RAG）进行定制以及专业知识。Forrester在报告中表示：“将这些组件与具体的结果结合起来是一个尚未解决的障碍，这让开发人员感到沮丧。”

　　Capital One最近对各行各业的4000名商业领袖和技术从业者进行的一项调查发现，尽管87%的人认为他们的数据生态系统已经为大规模的人工智能做好了准备，但70%的技术人员每天要花费数小时来解决数据问题。

　　尽管如此，Capital One的调查显示，商界领袖对自己公司的人工智能准备情况非常乐观。值得注意的是，87%的人认为他们有一个现代的数据生态系统来扩展人工智能解决方案，84%的人报告说他们有集中的数据管理工具和流程，82%的人对他们采用人工智能的数据战略有信心，78%的人认为他们准备好管理人工智能驱动的数据的数量和复杂性。

　　然而，预计明年75%试图在内部构建人工智能代理的企业将失败，转而选择咨询服务或现有软件供应商的预集成代理。据Forrester Research称，为了解决2025年人工智能数据准备与现实世界复杂性之间的不匹配问题，30%的企业首席信息官将在领导人工智能项目时将首席数据官（cdo）纳入其IT团队。首席执行官们将依靠首席信息官来弥合技术和业务专长之间的差距，他们认识到成功的人工智能既需要坚实的数据基础，也需要有效的利益相关者协作。

　　Forrester 2024年的调查还显示，39%的高级数据领导者向首席信息官报告，37%的高管向首席执行官报告，而且这一趋势还在增长。为了推动人工智能的成功，首席信息官和首席执行官必须提升首席信息官的地位，使其不仅仅是联络人，而是将其定位为人工智能战略、变革管理和提供投资回报率的关键领导者。

　　多模态的新兴用例，特别是图像和语音作为基因人工智能输入和输出的模态，也将在2025年得到更多的采用。

　　多模态学习是人工智能的一个子领域，通过在不同的数据类型（包括文本、图像、视频和音频）上训练模型来增强机器学习。该方法使模型能够识别文本和相关感官数据之间的模式和相关性。

　　通过集成多种数据类型，多模式人工智能扩展了智能系统的功能。这些模型可以处理各种输入类型并生成各种输出。例如，ChatGPT的基础GPT-4接受文本和图像输入来生成文本输出，而OpenAI的Sora模型则从文本生成视频。

　　其他的例子还包括医学影像、患者病史和实验室结果，这些都可以集成在一起，以增强患者的诊断和治疗。在金融服务领域，多模式人工智能可以分析客户电话查询，帮助联络中心员工解决问题。在汽车行业，来自摄像头、GPS和激光雷达的输入可以通过人工智能集成，以增强特斯拉、Waymo和李汽车等公司的自动驾驶、应急响应和导航能力。

　　人工智能领导者也意识到，他们需要优先考虑业务成果，清理数据仓库，并开始培养人工智能人才。鉴于企业的实际需求与具备满足这些需求的技能的工人之间的差距越来越大，后者尤其重要。

　　Forrester在报告中表示：“在未来的一年里，你需要埋头苦干，制定有效的人工智能战略和实施计划。”“到2025年，组织的成功将取决于强有力的领导、战略改进、企业数据的重新校准和与人工智能愿望相称的人工智能计划。”