亚马逊云科技陈晓建：三步走，将生成式AI融入业务

微信邦

随着应用的深入，生成式AI不再是虚无缥缈的概念，其惊人的创造力和解决问题的能力逐渐让商业世界看到了真实价值。如果一开始还有许多人怀疑生成式AI的重要性是否被夸大了，现在，企业界都在考虑自己的业务如何利用这个技术。

目前，企业主要考虑的是，如何全面融入生成式AI?具体步骤是什么?有什么可以借鉴的案例?在AI领域深耕超过25年的亚马逊云科技，对企业如何应用生成式AI来获得真实的商业价值，积累了诸多来自全球客户的实践经验。

第一步：启程

万事开头难。生成式AI的第一步，在于发掘能为客户、员工和组织创造实际价值的场景。

在这个阶段，企业需要找到最契合自身业务的应用场景，明确业务痛点是什么。亚马逊云科技通过观察客户发现，企业应用生成式AI的痛点并不在于找到自身业务环节的短板，而在于如何找到易于实施且效果显著的业务应用场景。对于企业而言，理想的生成式AI试点项目应该是一个低风险、易实施，成本可控的项目，例如可以从优化流程，或提升生产力入手。

以汤森路透为例，这家财经信息服务提供商携手亚马逊云科技，在Amazon Bedrock的帮助下，仅用不到6周的时间便搭建了实验平台Open Arena。这个平台为员工提供了一个聊天式界面，帮助他们以对话的形式进行业务探索与解决方案开发，且无需编程背景，最终点燃了整个公司的创新热情。

再以辉瑞公司为例，这家公司正在利用亚马逊云科技的生成式AI，在17个使用案例中推动创新和提高生产力，包括科学和医学内容生成以及制造应用。辉瑞利用Amazon SageMaker和Amazon Bedrock的大语言模型在几周内开发了VOX，用于加速研究、预测产品产量，并帮助公司向患者提供更多药物。辉瑞估计，一些优先使用的应用场景每年将节省7.5亿到10亿美元的成本。

第二步：构建

选好应用场景后，企业就进入到真正意义上的工作中——构建。在构建阶段，企业的核心诉求是选择最适合的模型。

然而，市场上的大模型眼花缭乱，有商业模型也有开源模型，有些模型在分析和推理方面表现出色，有些则在快速总结内容上更胜一筹，有些则为某些特定行业量身定制。面对这一现状，企业应当如何实现“鱼和熊掌”兼得?

亚马逊云科技认为，选择适合业务需求的模型至关重要，但没有一个“万金油式”的模型能够适用于各个场景和各个应用。基于以上判断，亚马逊云科技选择和多家模型合作伙伴合作。其生成式AI服务Amazon Bedrock能够提供多种模型，客户可以针对不同的应用场景或根据自身对不同模型的性能要求，如延时、可靠性、地域分布等，选择一个最适合自己的模型。

除了选择合适模型外，另一个很容易被企业客户忽略的问题是，数据才是企业业务是否能产生效果的关键因素，高质量的数据对模型的最终表现结果十分重要。高质量的数据需要满足六大要素:时效性、完整性、唯一性、准确率、规范性和可追溯性。例如，在金融行业、医疗健康行业等高专业度的行业中，企业需要的不只是合适的模型，更重要的工作是怎样将模型和企业业务数据相结合，进行模型定制。

对此，亚马逊云科技打造了三层生成式AI架构，涵盖基础设施、模型构建工具和开箱即用的应用程序。无论是底层的算法工程师，还是业务开发工程师，亦或是财务、销售或市场营销人员，都能在框架中找到所需的产品。

以法拉利为例，这家世界知名跑车提供商为了给用户带来更好的购车体验，基于Amazon Bedrock，在亚马逊云科技上开发了车辆定制工具。该定制工具提供的定制选择包含轮圈选择、车辆颜色、内饰配色等内容的数百万种组合，帮助用户提升了交互效率，节省了最终用户20%的定制化时间。同时，借助云上工具带来的低成本优势，法拉利运行了成千上万次虚拟仿真，从而加速F1赛车和跑车产品的设计与研发，缩短上市时间。

另一个例子是孤独星球，其将数十年来编纂的万亿页内容转化为一个大规模的、精心策划的、个性化的线上旅行工具，为旅行者们提供服务。孤独星球使用Amazon Bedrock开发了一个提供旅行规划的生成式AI工具。该公司发现Amazon Bedrock比其他选择更具成本效益，效率提高了78%，相较于手动策划旅行体验和行程成本低80%。

还有一家客户支持软件平台——Happy Fox，为70多个国家和地区的1.2万多家公司提供服务。通过使用Amazon Bedrock上的Claude模型，这家公司正在提高客户支持解决方案的性能和准确性，生成式AI功能将自动化支持工单解决率提高了40%，并将支持代理的生产力提高了30%。

第三步：规模扩展

在生成式AI试点项目满足业务需求且转为规模化应用之前，企业还应当考虑数据安全与隐私是否得到保障，投资回报率是否得到验证，各方利益相关者(包括业务、技术、法律和安全部门)是否达成共识，并且已经为大规模应用制定了适当的合规与治理框架，以及负责任的生成式AI使用准则等因素。

在将生成式AI应用正式投入到规模化生产之前，企业还需要深入考虑的问题就是成本。生成式AI应用的成本除了训练模型和模型调用的费用外，构建人才团队也是成本中心所在，因此企业需要让整个组织，不管是专业技术工程师、还是一线业务人员都能够学习与应用生成式AI。

DoorDash是美国外卖送餐服务平台，拥有数千人的客服团队，回复涉及税务、应用故障、注册流程等客户问题。基于亚马逊云科技生成式AI技术，DoorDash打造了一款全自动化语音机器人系统，可自动化处理70%的来电，进行专业的机器人回答，年均节省呼叫中心成本达300万美元。

美国联合航空面临着优化其55年历史的乘客服务系统(PSS)的挑战，该系统使用复杂的数据格式，员工需要几个月甚至几年才能学会如何使用。他们使用Amazon Bedrock来训练生成式AI模型解析传统的预订数据(PNRs)并将其翻译成简单的英语。这使得原本需要员工手动研究数小时的问题现在能在几秒钟内得到答案。这使得员工能够更快、更一致地回应客户询问，实现自助服务功能，让员工专注于为旅客提供更加个性化的服务。这家公司计划在6个月内在呼叫中心部署Amazon Bedrock解决方案，并在整个PSS现代化过程中融入生成式AI，以构建真正以客户为中心的智能系统。

“

企业应用生成式AI的痛点并不在于找到自身业务环节的短板，而在于如何找到易于实施且效果显著的业务应用场景。

”

对于生成式AI的未来发展趋势，亚马逊云科技认为应当重点关注Agent、多模态人工智能、多模型协作、人工智能政策与标准制定四大领域。

→ Agent用于处理复杂任务：Agent能协调并分析任务，将其拆解为合理的逻辑步骤，调用API与其他系统交互，从而实现端到端的流程自动化，因此成为了场景日益复杂下，许多企业的重点部署项目。

→ 大语言模型将走向多模态能力：未来生成式AI将进入多模态支持时代，可以处理多种类型的数据输入，使用户能够无缝整合结构化表格数据、音频、视频和非结构化文本。

→ 多模型协作解决复杂问题：随着客户将复杂的人工智能解决方案付诸实施，其越发意识到在速度、成本和准确率之间寻求平衡的重要性。而为不同的任务选用不同类型的模型，可以有效实现这种优化。

→ 完善人工智能政策与标准：人工智能的法规与标准正在不断完善，企业应该未雨绸缪，制定前瞻性政策，将安全与责任置于人工智能发展的核心位置。

时至今日，生成式AI仍然是一个全新的探索领域，未来的创作和突破还会不断涌现。亚马逊云科技将继续推动安全、透明和负责任的生成式AI发展，与全球各地政策制定者和业界携手合作，探索生成式AI的无限可能。

亚马逊云科技大中华区产品部总经理

陈晓建

本文来自亚马逊云科技大中华区产品部总经理陈晓建在“良币时代:《哈佛商业评论》2024中国年会”的主题演讲，内容经本人确认。

生成式AI横空出世两年以来，舆论场喧嚣热闹，但《哈佛商业评论》中文版始终更兴奋和着迷的是应用世界：在日复一日应对竞争与用户/客户需求的商业世界，由生成式AI驱动的新做法、新策略，到底带来了哪些真实的价值和全新的挑战？在这场由硅谷启动的商业竞争新格局中，中国企业的现状和可预见的未来是什么。

《哈佛商业评论》中文版携手亚马逊云科技，共创「生成式AI：缔造可见的商业价值」专题，于2024年下半年，深入调研数十家中国企业应用生成式AI的具体场景/流程/挑战/效果，选出有代表性的案例，共同见证中国企业生成式AI的先行者、早期拥抱者。当下是生成式AI效率革命的阶段，我们期待这些1.0时代的先行者，能激励和启发更多中国企业跟进这场生成式AI带来的效率革命。