理解AI应用

AI应用应该是什么、不是什么，与传统应用有什么根本区别？在采纳AI的技术路线上，企业应该采取部署、迁移还是重构策略？如何避免过去信息化基础不牢、数字化转型误区？

基于在信息化、数字化及IT应用架构转型及开发方法的经验积累，结合最新的AI应用研究与探索，StrategyLogic平台推出了《企业级AI战略》系列，帮助这一轮进入AI战略的企业及从业者：

• 提升AI技术投资回报率
• 构建高业务价值的AI应用
• 实现独特的产品设计与扩张策略

在本系列的企业级上下文中，AI应用为AI原生应用程序（AI-Native Application）的简称，特指企业部署和使用的应用程序，AI产品指包含商业目标的可销售应用及必须的技术解决方案。

AI战略转型：To be or not to be?

一家全球化的软件公司AX，在多个国家有研发和交付中心，主要为大型金融集团提供核心系统，最近涉及到一项关于AI的技术投资决策。

核心技术团队已经基于AI模型开发出了一项场景应用，并获得AWS AI技术创新奖项。在AX公司内部，CTO倾向于为这个应用投资立项，在现有客户中推广、转化，但更高层及CEO认为，该项目与公司战略的主营产品并不相关，不具备协同效应和投资价值。

在分析了应用场景与项目目标后，我给出了建议：

1. 应用场景过小，但项目目标又过大，且已属大厂必争之地，AX公司如果不想投入，说明并不想改变业务战略；
2. 要说服高层及CEO投资，应该说明AI技术将如何影响AX公司现有业务，包括积极和消极影响，再商议应该在哪些方面进行AI投资。

AX公司调查研究后发现，继续现有信息化系统的开发，已经不符合现有客户的兴趣、未来的信息处理方式，决定尽可能发掘与业务相关的AI应用场景，进行进一步的技术探索。

是否转向AI战略，相信大部分企业都很快会得出结论。但如何转向AI战略、应该开发什么样的AI应用，是甲乙方企业现在共同的困惑。

第一篇文章，我们首先探讨一下AI应用的特点：高度复杂、永续进化的类生命系统。

复杂度：AI应用的设计挑战

在进行AI应用规划之前，企业需要了解到，与云原生（cloud-native）、数字原生（digital-native）应用一样，AI应用并非某一种技术的应用，而是一系列技术的叠加，涉及到复杂的系统级思维。

企业级应用系统早已进入了超过百万行级、千万行级代码的大规模、复杂系统阶段，在应用交付生命周期中需要仔细考虑领域设计、系统/子系统边界、模块化、组件、APIs及版本管理。

AI应用是这些复杂系统设计、开发、测试、部署等方面的工程实践进一步升级，它包含了：

• 商品组件：无须修改的可集成AI能力，涉及到组件版本管理和向后兼容；
• 专有能力：持续增强、优化的可修改功能，涉及到需求版本管理、功能迭代与回溯；
• 特定能力：在专有能力之上基于特定用例的性能优化及平衡，涉及到用例设计与组合测试；
• 混合技术：微调、RAG、提示工程及模型集成方法，涉及到复杂系统的集成与验证；
• 性价比权衡：大模型是真正的APIs经济，在开发阶段即产生模型调用及算力计费，需要考虑开发时、运行时（查询层）如何实现最佳的调用性价比。涉及到如何将AI应用程序的运行成本与潜在收益的商业关注点，整合至系统设计的全新实践。

可见，AI应用是一系列新技术在既有技术、能力、模式、实践甚至商业模式上的叠加，如果没有面向复杂系统的分析、设计与集成经验，大量组件、版本及APIs管理的工程能力，将很难驾驭AI应用的设计、交付与运营。

永续进化：没有维护终点的系统

除了复杂度之外，企业还需要理解到AI技术是昂贵的，需要对技术专家、专有数据及基础设施持续地投资，还需要不断地迭代。换句话说，AI应用永远不会真正地完成——企业需要认真考虑所开发的AI应用是否真正具备战略与业务意义。

动态变化的问题

如果企业问题只是简单的信息处理、编写十几条规则就能够解决，那么并不需要开发一个AI应用。如果问题是相对稳定甚至是静态的，可能标准化处理或统计分析就能够解决。

只有当问题在不断变化、需要响应多样化的用户输入/环境参数和非结构化的数据时，AI应用才能发挥最大的价值。

例如，在线查询图书馆的图书，是几条有限的规则（标题、作者、出版社等）就能够处理，它适合传统的结构化数据应用；询问某一领域的研究主题，则需要应对很多动态的输入参数（最新趋势、历史趋势、引用关系、活跃贡献者等），它适合应用AI模型来解决。

这意味着，开发团队需要持续关注应用在解决问题方面的表现、收集新的参数和数据，开发永远不会完成。

不完美的解决方案

人工智能提供的技术解决方案本质上依赖于概率。即使最优化的模型，也不能保证100%正确。如果用户要求精确、完全正确，如高精度的计算、准确无误的合同条款，那么AI应用并不适合。

但在需要处理海量数据模式发现、跨模态迁移时，AI应用是一个很好的选择。

例如，一个基于规则的结构化文本提取器，负责从各个供应商提供的供货Excel清单中识别产品品牌、名称、型号、单位和单价，在处理近百种规则时，它处理性能可能达到每秒上千条；但在供应商达到数十万、商品达到千万上亿级时，程序的维护工作将变得非常复杂，也会遭遇性能瓶颈，这种情况下AI可以发挥极高的效用。

另一些场景如语言翻译、文本——图片——视频等模态转换，是传统技术解决方案完全无法实现的。

在绝大多数场景下，AI提供的是一种近似解决方案，并且依赖于数据质量与训练效果，当现实世界发生变化时，需要更新训练集与模型；AI应用自身也会产生数据飞轮——基于用户使用反馈的模型迭代——因此，AI应用在永续进化，它的维护不会有终点。

在正式投资AI应用之前，企业需要在昂贵的技术与团队成本、问题适用性与解决方案匹配性之间进行仔细评估。

类生命系统：AI应用会有思想吗？

复杂度、永续进化，AI应用已经具有了一些类生命的特征。人工智能有没有意识？会不会产生思想？最近又成为热门话题。梁文锋认为，意识本身是一个低层次的概念，动物甚至初级的生命都存在意识，人工智能并不以追求意识为目的。

如果将意识定义为基于内部记忆的经验对外部环境变化的持续响应，那么大部分AI模型已经有了类似于人类的意识，至少可以与人类互通意识层面的交流——因为它们基于人类语言进行分析、判断和响应。

但是否可以判断人工智能正在思考？部署在组织中的AI应用是否会为我们提供思想呢？比如，突然某天，AI应用开口说：一线员工的想法远远没得到重视……？

最近读薛定谔的《生命是什么？》，发现他为21世纪的AI应用的“思想”提供了定义。薛定谔认为，原子是极度无序的东西，人类的大脑和感觉系统是感知不到原子的存在的，但人类又是由大量的原子组成。

思想是高层次的秩序表现

薛定谔的假设是：如果单个原子或几个原子能给我们的感官造成波动，那么——几乎不可能想象这样的生命是什么样子的，因为它将接受巨大的、无穷无尽的波动的影响。因而可以肯定，能感知到这种微小变化的有机体不可能产生思想：

1. 思想本身是一种有序的东西；
2. 只能应用在一定程度上有序的材料，即知觉或经验。

一种组织体，要发展在与思想密切对应的层面，它必须是一种非常有序的组织，这意味着它的内部发生的事件必须遵循严格的物理定律，至少要达到很高的准确性；其次，外界对这个在物理上组织得很好的系统造成的物理印象（知觉或经验），构成了思想的材料。也就是说，组织体系统与别的系统之间的物理相互作用本身也具有某种程度的物理秩序，它必须遵循严格的物理定律并达成一定程度的准确性。

组织的量子跃迁

数字化转型和变革为什么这么难？接下来AI驱动的战略转型难度又会有多大？如果转型不成功，结果又将如何？

薛定谔在量子跃迁中提供了完美的表述——生命以负熵为食、组织系统熵增论——都来自本书有关章节。

微观系统在某些情况下，拥有不连续的能量，即它所持有的能级。对应到企业和组织，我们可以认为，在某些环境急剧变化和动荡的情况下，营收、利润出现了不连续的波动，比如突然由盛转衰、由盈转亏。

这种从一种状态转变为另一种状态的“神秘事件”，通常被称为“量子跃迁”。例如近年来用友突然巨亏，究竟是怎么亏的，行业至今都没有在原因上达成共识。

但企业组织受到环境中这些变量干扰并结合形成“一个系统”时，它往往无法自身确定构型，而是在大量不连续的状态中进行选择。

从一种构型转变为另一种构型就是量子跃迁。如果第二种构型有更大的能量（高能级），那么外界至少要为该系统提供两个能级之差，才能使转变成为可能。否则，它将自发地变到低能级，通过辐射来消耗多余的能量。

上面两段阐述也完美地诠释了AI应用产生思想的可能性与AI战略转型的必经之路：

• 人工智能要产生思想，不是借由人类语言的概率推断，或CoT强化学习，而是自身形成高度有序的组织，并能够与外界进行高度有序的互动；现在以及未来很长的一段时期内，AI应用依然是一种需要外部维系其复杂秩序、增加响应能力的系统。
• 企业适应AI的战略转型，是向更高层级的组织秩序进化，它需要借助外界输入的能力，或者自发地衰退。

换而言之，AI应用是一种更高复杂度、更难于被企业组织驾驭的系统。