生成式 AI 在 B 端軟件中實踐的思考
我一直認為 C 端軟件和 AI 的結(jié)合會更順暢一些，例如，筆記工具“墨問”最近推出了 MCP 功能，允許我在各種客戶端中與 AI 交互，并將結(jié)果通過 MCP 保存至其中。
這是因為大部分情況下，C 端對準確性的容忍度更高。
B 端軟件則不同，其對準確性要求極高，尤其在金融、醫(yī)療等行業(yè)。本文簡單談談關(guān)于生成式 AI 在 B 端軟件中實踐的一些思考。
AI 在 B 端軟件中的一些場景
- 結(jié)合 RPA（機器人流程自動化）、自然語言處理（NLP）、機器學習等 AI 技術(shù)，自動化處理重復性高、規(guī)則明確的業(yè)務流程。
- 利用 AI 進行數(shù)據(jù)挖掘、模式識別和趨勢預測，為企業(yè)戰(zhàn)略制定、市場定位、風險管理等提供數(shù)據(jù)驅(qū)動的決策依據(jù)。
- 對模型進行微調(diào)，將法律、醫(yī)療等專業(yè)領域的知識進行訓練，得到垂直領域的專有小模型，為上層應用提供精準的數(shù)據(jù)支持。
- RAG 場景，主要用在智能知識問答、智能客服等。
AI 在 B 端軟件中的局限
在 AI 應用的場景中，有一部分是生成式 AI。什么是生成式 AI？
生成式 AI 是一種能夠創(chuàng)造新內(nèi)容的人工智能技術(shù)。它通過學習海量數(shù)據(jù)（如文本、圖片、音頻），掌握其中的規(guī)律和模式，然后能夠生成全新的、原創(chuàng)的內(nèi)容。比如 ChatGPT 可以寫文章、回答問題，DALL-E 可以根據(jù)描述畫圖，Sora 可以生成視頻。
可以看出，生成式 AI 有以下特點：
- 輸出具有不確定性。
- 輸出結(jié)果的質(zhì)量依賴模型的能力。
而企業(yè)應用對確定性要求非常高，比如：統(tǒng)計團隊成員的績效數(shù)據(jù)、統(tǒng)計銷售部門的銷售額、統(tǒng)計某些區(qū)域的疫苗接種情況等等，這些數(shù)據(jù)如果出現(xiàn)錯誤，影響會很大。
B 端軟件除了特定的業(yè)務系統(tǒng)外，還有一類是平臺級產(chǎn)品，我們的零代碼產(chǎn)品就屬于這一類。
這一類產(chǎn)品通常給技術(shù)人員或業(yè)務人員使用，讓他們能通過平臺能力來構(gòu)建最終的業(yè)務系統(tǒng)，如果有 AI 加持，可以提升構(gòu)建的效率。有一些 SaaS 的零代碼產(chǎn)品，可以通過一句話描述生成一個應用。
但僅憑一句話描述生成的應用，往往難以達到實際生產(chǎn)環(huán)境的使用標準。因此需要反復進行優(yōu)化和調(diào)整，這個調(diào)整的過程會受到模型上下文長度的影響。
此外，生成式 AI 的“幻覺”問題，即模型生成不準確或虛假的信息，仍然是一個未被完全解決的挑戰(zhàn)。這種不確定性在高風險領域尤為突出，可能導致錯誤的決策和操作。
一個對話框就能搞定所有嗎？
在生成式 AI 的實踐中，無論是 RAG 產(chǎn)品，或是一些編程輔助工具，都是提供一個對話框和用戶進行交互。
但僅靠一個對話框搞不定 B 端軟件。
我們在使用系統(tǒng)時，跟 AI 進行對話，AI 的具體運作方式和結(jié)果的產(chǎn)生過程，對我們而言如同一個黑盒。
這會帶來一種不安全感。
所以，一個系統(tǒng)的構(gòu)建，從 0 到 1 會有很多的中間步驟，這些中間步驟也需要通過可視化的方式清晰呈現(xiàn)，關(guān)鍵步驟需要讓用戶來進行確認。
而不是直接后臺全部生成好，讓用戶去看一個最終的結(jié)果。
ChatGPT 可以根據(jù)我們的文字描述生成圖片，當我們需要對圖片進行局部修改時，可以對需要修改的地方進行框選，然后描述修改要求。這種框選的功能就是中間可視化界面。
CLEAR 范式：漸進融合 AI 與 ToB 軟件的路徑
我將上面的問題和局限性告訴了 ChatGPT，ChatGPT 給我提供了一個范式：
- C（Clarify，明確）：用戶明確表達業(yè)務需求，AI 基于此進行初步的內(nèi)容生成。
- L（Look，查看）：以直觀的可視化界面，將 AI 生成的結(jié)果清晰展示給用戶，以便快速評估和確認。
- E（Edit，編輯）：用戶可以直接對 AI 生成的結(jié)果進行調(diào)整、修正，精細化內(nèi)容，保證準確性和實用性。
- A（Adjust，再優(yōu)化）：用戶根據(jù)實際需要，指導 AI 再進行局部或整體的優(yōu)化調(diào)整。
- R（Release，發(fā)布）：經(jīng)過前面步驟反復優(yōu)化，用戶最終確認無誤，提交并落地于實際業(yè)務場景中。
其中，E（編輯）和 A（再優(yōu)化）這兩個步驟體現(xiàn)了人工與 AI 的協(xié)同。
雖然 AI 技術(shù)發(fā)展的很快，但我認為，在近幾年內(nèi)，AI 與人工相結(jié)合的方式仍是實現(xiàn)有效落地的關(guān)鍵。
未來的暢想
AI 的發(fā)展太快，各大模型廠商你追我趕，應用層各種新功能也層出不窮。我無法預判未來在 B 端軟件中 AI 會發(fā)展到什么程度。但我可以有一些設想：
- 從宏觀層面來看，AI 賦能主要就兩方面：為用戶側(cè)提效，確保從基層員工到高層領導都能獲得流暢高效的使用體驗；給運維側(cè)提效，能快速響應需求變化，高質(zhì)量交付應用。
- 模型微調(diào)與 RAG 知識庫需要逐步融合，或探索新的技術(shù)形態(tài)，以解決實時性和準確性的挑戰(zhàn)。
- 零代碼這一類的產(chǎn)品會變?yōu)榛A設施，提供 API 供 AI 調(diào)用，如果要讓 AI 控制的力度足夠細，API 的數(shù)量就會變得非常多，AI 怎么能精準對一個或多個 API 進行調(diào)用，這是一個挑戰(zhàn)，畢竟現(xiàn)階段推薦的 API 工具不超過 20 個。
- 出現(xiàn)“準確性邊界”框架，用來解決在一些特定場景的幻覺問題和準確性問題?？蚣芩O定的邊界是一個底線。
- 現(xiàn)在 MCP 很火，Google 還推出了 A2A 協(xié)議，專注于代理協(xié)作，建立了智能體之間相互發(fā)現(xiàn)、交流和合作的方式。這兩者在未來也必將碰撞出更多創(chuàng)新的火花。
- 不管是什么形式，最終的解決方案，仍將是人、大模型、工具（API）以及 GUI（可視化界面）四者之間相互交織的產(chǎn)物。
最后
水平有限，以上觀點未必完全準確，部分探討的問題或許已有成熟的解決方案。但在現(xiàn)在這樣一個技術(shù)快速更迭的時代，保持持續(xù)學習和思考總是沒錯的。
