以下是一些关于 AI 应用的信息：
[title]AGI万字长文（上）| 2023回顾与反思[heading1]上篇：2023，风暴的前奏[heading2]<2>高估的短期：应用层没有独角兽其他2B应用：基本是雷声大、雨点小。虽然现在是个公司都想和AI沾边，按实际上真正用起来的并不多；“浏览器里加个ChatGPT快捷方式”是大多数在问卷中回答到“工作中使用AI”的公司的主要做法。这其实也很正常，因为AI的2B能力还很掉链子：连最擅长的代码（如Github Copilot）也只是“实习生水平”；以及，问题还在于AI写代码的速度比人跟在后面Debug要快得多。另外一个看似伸手可及的应用是“AI客服”，但实习体验上也并没有达到可以大量取代人工客服的预期。
[title]对于B2B生成式AI应用来说，少即是多吗？原文链接：https://a16z.com/2023/03/30/b2b-generative-ai-synthai/发表时间：2023年3月30日作者：Zeya Yang、Kristina Shen译者：通往AGI之路，若有瑕疵之处，请在段落评论中斧正，谨此致谢我们已经观察到，大语言模型（LLMs）在过去几年中已经成为主流，并且我们已经在B2B应用的背景下研究了它们的实现。尽管我们取得了一些巨大的技术进步，并且LLMs已经出现在大众的时代精神中，但我们相信我们仍然只处在用于B2B用例的生成AI应用的第一波中。当公司确定用例并寻求围绕其产品建立护城河时，我们预期从当前的“第一波”到更集中的“第二波”将出现方法和目标的转变。这是我们的意思：迄今为止，生成AI应用主要集中在信息的分歧。也就是说，它们根据一组指令创建新内容。在第二波中，我们认为我们将看到AI的更多应用是汇聚信息。也就是说，它们将通过综合可用的信息向我们展示更少的内容。贴切地说，我们将第二波称为综合AI（“SynthAI”）以与第一波形成对比。虽然第一波在应用层已经创造了一些价值，但我们相信第二波将带来一个阶跃式的变化。最终，正如我们下面将解释的，B2B解决方案之间的竞争将更少地关注令人眼花缭乱的AI能力，更多地关注这些能力将如何帮助公司拥有（或重新定义）有价值的企业工作流。
[title]对于B2B生成式AI应用来说，少即是多吗？[heading2]第二波：汇聚信息以改进决策未来SynthAI的真正价值将在于帮助人们更快地做出更好的决策。我们设想的几乎与ChatGPT用户界面完全相反：如果我们能从大量的数据中反向工程出总结这些数据的简洁提示，那将是怎样的呢？我们认为有机会重新考虑用户体验，使其能尽可能有效地传达大量信息。例如，一个AI驱动的知识库，如[Mem](https://get.mem.ai/)，它保存了组织中每次会议的记录，可以在人们开始新项目时主动建议相关的决策、项目或人员，从而为他们节省数小时（甚至数天）的时间，以便浏览先前的机构知识。回到我们的外发销售电子邮件示例，一个可能的表现形式是AI识别出目标账户处于最高意愿水平的时候（基于新闻报道、财报电话会议、人才迁移等），并警告相关销售代表。然后，AI模型会根据综合研究，建议在电子邮件中提到一两个最重要的问题，以及与该目标账户最相关的产品功能。讽刺的是，这些输入可以然后被输入到一个第一波解决方案中，但价值来自于合成阶段，以及可能为销售代表节省数小时研究单一潜在客户的时间。确保这种合成足够高质量的根本性转变将是从大规模、通用模型转向利用多个模型的架构，包括更多针对特定领域和用例数据集进行微调的模型。例如，构建客户支持应用程序的公司可能主要使用一个具有访问公司历史支持票据的支持中心模型，但在特殊情况下回退到GPT。在微调模型和数据集是专有的情况下，这些组件有机会在提供速度和质量方面形成壁垒。