在过去这短短的两年时间之内, 企业购置人工智能工具这一行为, 简直就跟购买办公软件没什么两样, 这边的部门去买一个辅助写作的智能助手, 那边的部门去引入一个负责接待的在线客服机器人, 而信息技术的部门也去试用了一下用来生成代码的智能工具, 每一种工具单独拿来用多少都能起到一点作用, 可是如果把这些东西全部加起来堆在一块儿, 它们之间却并没有发生什么像化学反应那样能够产生巨大变化或者新效果的奇妙互动。

原因其实很明白简单, 因为这些工具在彼此之间没有产生任何关联, 写作助手这个方面它并不了解你的产品线情况, 客服机器人跟你的客户关系管理系统是断开的状态, 代码生成工具也不清楚你的技术规范要求怎么样, 每一个工具都单独在一个类似于“信息孤岛”一样的环境里运转, 企业方面去买了一大堆人工智能工具, 但是人工智能这种能力并没有真正地进入到企业的业务体系里面去。

基于向量空间的这种看法, 企业当前所迫切需求的, 并不是简单地把一堆AI工具堆积在一起, 而是要去搭建一套完整的、属于企业自己的AI基础设施。这两种选择之间存在的根本性区别, 直接决定了AI技术最终能够帮助一家企业达到怎样的高度, 或者说能够发挥多大的作用。

工具和基础设施的本质区别

先看一个简单的对比。

这些工具有一个特点, 那就是人们说它们是即插即用、用完就走的。比如说, 大家去买一个用来做AI翻译的工具, 等文档翻译完毕之后, 就把这个软件给关掉；又比如, 大家去买一个能够进行AI画画的工具, 当图片都生成好了之后, 这个步骤就算是结束了。

工具的界限其实是十分清楚的, 因为它们只做那么一件事, 而且做完之后就再也没有其他的动作了。

基础设施有一个特点, 那就是它要持续不断地运行起来, 并且承担起承载上层应用的重任, 电力系统属于基础设施的一种, 你不会去买一个电灯, 而会说已经接通了电网, 因为电网在一直持续地运转着, 它支撑着照明这种需求, 也支撑着空调的使用, 还支撑着电脑的运行, 当然也包括很多生产线的运作, 在这些领域里都有无数种上层应用需要它的帮助, 所以说基础设施的价值不在于它自己在做什么事情, 而是看它能够让那些上层的去应用实现什么样的功能。

AI工具和AI基础设施的区别同理：

AI工具解决的是那种仅限于个别场合、针对单独任务的需求问题, 这种需求具体包括了完成翻译工作、撰写文案内容、制作演示文稿PPT以及编写程序代码等情况。每一个相关工具都是各自独立进行运行的状态, 它们彼此之间不存在任何关联性的联系, 所产生或者涉及的数据也不能够进行相互之间的交流和共享操作。

AI基础设施所要解决的核心问题, 其实是整个企业的AI能力底座, 它提供的是统一的数据接入, 同时也包含统一的模型管理, 还有统一的知识体系, 以及统一的Agent运行环境, 让所有的AI应用都能够在同一套基础设施上面去进行运转操作, 从而做到能够共享相关的数据内容, 并且可以共同分享知识信息, 实现彼此之间的协同运行状态。

<强>可以用一个具体的例子来解释。

有一家制造类型的企业, 它的三个部门分别采用了三个人工智能工具, 第一个是销售部门利用人工智能工具来制作产品介绍的文案内容, 第二个是采购部门使用人工智能工具进行供应商之间的价格比对分析工作, 第三个是质量部门借助人工智能工具来完成质量报告的自动生成任务, 这三个工具在这家企业内部是各自相互独立地运行的。

若是切换到人工智能基础设施的那个思考方向, 那么就会是由三个部门去共同使用同一套数据层面, 在此情况下人工智能就能够同时看见销售方面的数据、采购方面的高质量以及质量方面相关的数据；同时也共同使用同一套知识层面, 也就是说人工智能能够理解产品的规格信息、供应商提供的具体信息还有质量标准相互之间的那一层关联；最后是共同使用同一套智能体层面, 这意味着当销售智能体察觉到某个产品在投诉数量上出现增多的现象时, 它能够触发智能地去让质量智能动起脑子来对那个原因进行分析。

这个变化, 是从过去那种三个各搞各的工具, 转变成现在一个平台上三个智能助手一起合作的状态。这种转变在效果上面的差别, 不是简单的变好了一点, 而是一种根本性的、巨大的改变。

为什么企业AI建设会陷入"工具思维"

企业之所以更偏向于去买工具, 而不去自己建立基础设施, 主要是因为这当中有三个特别关键的原因在起作用。

存在第一个原因, 这一点叫做认知惯性, 在过去的很长一段时间里, 也就是过去的二十年之间, 企业购买软件的方式, 一直就是按照部门划分来买, 是按照功能需求来买, 销售人员会去买客户管理系统财务部门会去买企业资源计划系统, 生产团队会去买制造执行系统, 这种被称为按需采购的思维模式, 已经自然而然地延续到了人工智能时代, 销售部门的成员们觉得有必要让智能工具帮助他们撰写文案, 就会去购买相应的服务, 采购部门的成员们觉得有必要利用智能能力来分析报价数据, 就会尝试使用相关的功能, 从各个单独的部门视角出发去进行人工智能的建设工作, 这样的做法天生就是把它当作一种具体的工具来对待的。

第二个原因是在短时间内就能看到效果, 购买一个AI翻译工具的话, 今天进行了采购, 明天就可以立刻投入使用, 其产生的成效是非常明显的, 但是若要建立AI基础设施的话, 就必须要先梳理相关的业务场景, 随后还需要对接数据系统, 接着要构建知识体系, 并且涉及开发Skill以及部署Agent等环节, 整个过程的周期较长, 投入的成本比较大, 而且看到效果的速度比较慢, 所以在面临短期内必须看到成效这一压力的情况下, 选择购买工具自然比建立基础设施更符合现实情况中的务实心态。

第三个方面的原因在于方法论这个东西是比较缺乏的。

有很多企业它确实是想要去进行人工智能基础设施的建设工作, 可是对于应该从哪一个环节开始着手操作这个事情呢, 它是不清楚的, 比如在数据采集接口对接方面该怎么办、知识管理应当怎么做、智能体的构建应该如何实施、技能的开发究竟有哪些门道这些情况里, 它都缺少一个成熟的能够指导实践的方法论体系以及相应的工具平台作为支撑, 导致企业在面对这种不确定性时, 只能采取把目标稍微降低一点点的做法, 先去购买并且使用一些现成的工具产品来暂时应对当前的局面。

向量空间这种观点认为, 那三个原因都是可以理解的。但是如果企业总是停留在工具思维这一个层面上。那么AI的价值天花板就会非常低。工具这个东西确实可以解决效率方面的问题。比如说翻译的工作会变快。

写文案的效率也会变高。制作PPT的速度也能提上来。但是工具没办法去解决协同方面的问题。比如销售和采购以及质量控制这几个部门之间。信息是处于割裂状态的。这种信息孤岛的状况。工具是没有办法弥合的。

真正的价值被AI释放出来这件事, 是发生在当AI从一个单纯的部门工具这个状态变成企业的整体基础设施这个层级的时间点上。

AI基础设施的四个核心层

向量空间把这个企业AI的基础设施定义成了四个核心的层级, 每一个层级都是来解决一个关键的方面或者说是关键问题的。

在模型资源这个层面, 要解决的核心问题就是让大家都知道人工智能的能力到底是从什么地方来的。企业这边需要进行统一的管理工作, 把大模型相关的资源全都管好。比如需要去对接好几个不同的模型厂商, 还要搞动态的路线选择, 做负载均衡, 以及能够处理高并发量的情况。

要是每个部门都自己去单独对接模型的接口程序, 这种行为是不被允许的, 因为这会导致重复建设, 也会造成资源的浪费。支持向量空间的统一资源网关这个东西, 可以对接超过二十种主流的大模型, 这样一来, 企业就可以根据实际情况和需求, 对资源进行灵活的调度和安排。

数据知识层的存在, 主要是为了解决一个具体问题, 那就是人工智能到底是用什么来开展思考活动的, 企业方面需要实施对各类数据源以及对知识库的统一化且集中化的管理措施, 这里所涵盖的内容包括结构化类型的数据库、非结构化类型的文档资源、向量数据库以及知识图谱等, 上述这些不同的内容全部都需要被打通和连接起来, 人工智能只有具备看到企业的整体完整的数据的这种条件, 才有可能做出具有实际价值意义的判断行为, 而不是仅仅只能观察到属于某一个部门内部的极小一部分数据的情况, 由向量空间构成的那种叫做人工智能智能数据治理的模块, 它本身是支持对不同来源且具有不同结构特点的数据实行统一接入操作并且进行后续的管理工作的。

在智能体这一层, 主要是为了解决人工智能怎么样具体干活这个问题。企业需要有一个统一的平台, 这个平台用来创建智能体、管理智能体, 还有让不同智能体之间进行协作。

在这种设定下, 面对不同业务场景的智能体会共享同一套技能库、共享同一套知识体系、并且共享同一套权限框架。向量空间的企业智能体平台支持对智能体的创建、配置、协作以及全生命周期的管理过程。

治理层的主要任务, 是为了解决关于人工智能如何进行管理这一类问题的存在。企业方面需要实现一种统一的代理管理方式, 这种方式包括对权限的授予进行严格管控、对操作行为进行审计和追踪记录、对运行状态实施持续的监控, 以及对相关能力水平开展科学评估工作。

这里存在一个明确的区分边界, 即代理服务由个人来支配和使用, 但是整体的治理责任必须由企业来承担并负责到底, 这是向量空间操作系统的核心理念所在。

当把这四个层级结合在一起的时候, 它们就会构成企业的这个人工智能的基础设施。只要有任何一个层级的缺失出现的话, 那么这个基础设施就是处于不完整的状态的。

从工具到基础设施的演进路径

但是, 企业是不可以一下子就把完整的关于人工智能的这个基础设施给建立起来的。向量空间提出来的这个建议, 它的路径是什么呢, 是分为三个步骤来走的:

第一步是去验证点状应用的价值。要选择一个业务场景, 范围限定在两到三个最具价值的点上。然后用Agent把现有的手工流程替代掉。目标并不是建成一个完整的基础设施, 而是要验证AI在特定的场景中能不能创造出真实的价值。具体的例子是用Agent去做供应商比价, 这样能把采购分析的时间从半天缩短到5分钟。

这一步是必要的, 为什么是这样呢, 是因为企业需要在真实业务场景里面去验证人工智能的效果, 只有做到了这一层，才能获得信心, 才愿意继续增加资金投入, 大家普遍能看到的一个情况是这样的, 在向量空间这个领域里面, 有许许多多有代表性的客户, 最开始的时候都是从单点的应用开始的, 比如有一个专门干质量分析的智能代理, 也有一个是专门进行采购比价工作的智能代理, 同时还有一个负责生成报价的智能代理。

问题就在于, 那一些个点状的运用应用, 绝对不是说每一个都单独在那儿各自搞各自的, 完全不像独立的工具那样, 而是它们全都在同一个平台之上运行着的智能体, 这些智能体之间存在着数据层面的共享, 存在着知识层面的共享, 正是这样的一种状态, 给后来的那些协同动作, 打下了非常关键的基础。

到了第二步, 我们要把内容纳入到一个统一的平台里面去, 并且构建出来一个技能体系。当那些分散的、点状的应用已经证明了它们是有价值的之后, 就需要把全部的代理程序都放进到一个统一的代理平台中去进行统一管理, 从这个时刻开始, 系统地建立起来一个企业的技能库。

每一个被验证过的业务流程都会转变成为一个专门的动作单元, 然后新开发的代理程序可以直接重复使用之前就已经存在的动作单元, 从而形成一种互相促进、不断加快的飞轮式效果。

这一步的核心产出是企业的Skill能力库, 这个能力库不是模板集合, 而是经过去验证的、可以重复使用的业务执行能力, 在企业内部的向量空间里的Skill技能体系支持Skill的独立开发、测试、版本管理和共享。

第三步: 构建认知基础设施, 实现人和智能体之间协同合作。在技能体系变得成熟之后, 进一步去建设语义管理功能和本体的语义层级结构, 目的是让智能体能够改变工作状态, 从那种仅仅按照固定流程去执行的阶段, 升级为基于对事情的理解去执行。

最后的整体目标是让组织和人以及智能体之间能够形成协同合作关系, 具体来说就是每个人都要负责带领三个到四个智能体一起工作, 同时这些智能体彼此之间能够自动地进行协同操作, 而人类只需要专心去做决策和创新方面的工作就行。

这三步走的核心逻辑是这样的, 就是每一步都要产出能够直接被看到的价值, 与此同时为接下来的步骤打下基础。第一步的任务是验证人工智能究竟可以完成什么样的任务。第二步的目标是让人工智能所具备的这项能力可以实现重复使用。

第三步的重点则是让人工智能所拥有的能力变得清晰明了, 让人感到容易理解。这个过程是从可以使用开始, 逐步发展到使用体验良好的阶段, 最后达到对行业规则非常了解的程度, 这是一个不断加深的发展过程。

基础设施思维的长期回报

为什么要对基础设施建设进行投入呢? 这是因为, 当你使用工具的时候, 你所获得的回报是属于那种线性的情况的, 而当涉及到基础设施建设这方面的时候, 所获得的回报则呈现出一种指数级增长的形态, 这两者之间的区别是很关键的。

你买这样一个AI翻译工具的话, 它最后只值一个翻译工具该值的那些钱。但是，要是你建了一套那个AI的基础设施呢? 它的价值就会随着使用而不停地增长。你每开发出一种叫做Skill的东西出来, 这个基础设施的能力就会多出一点分量来。

你每把一个新的数据源接进去, 那个AI的Agent能够看见的信息就会多层一层。你每构建出一块关于本体语义的内容, 那个AI对业务的理解就会再深入一步。

向量空间把这一种特点说成了是所谓的那种所谓的AI能力复利, 也就是它把这个东西给称呼为了这种叫法。

这家企业花费了三个月的时间, 在向量空间里完成了开发10个Skill的工作, 同时接入了5个数据源, 还构建了3个业务域的本体语义。等到了第四个月的时候, 去开发第11个Skill的速度, 可能只剩下当初开发第一个Skill时的三分之一, 这是有大量已经就绪的可复用组件作为支撑的原因。

等到第六个月的时候, 企业这边可能会发现一个情况。那就是他们的这个AI能力体系, 已经覆盖到了八个业务部门。这可不是因为一次性开发了八套系统。实际的原因是这样的。是因为基础设施有着复用的效应。所以才导致了扩展变得非常快。

更有价值的一点在于, 这套基础设施所积累下来的, 完全是企业自己独有的那些数字类资料。具体包含什么呢? 比如说技能库, 还有专业术语的字典, 再或者是关系图谱, 以及业务规则方面的内容。你不用担心换了别的模型之后, 这些就完全没用了。也不用害怕平台进行了升级换代, 这些东西就会突然丢失不见。

因为它采用的是面向向量空间的、那种会员制类型的开源模式。在这个模式下, 大家只付一次授权费用, 以后就能终身获得升级服务, 而且源代码完全可以由自己来控制。正因为有了这样的保证, 所以企业在对这些资产的所有权上, 达到了一个绝对完全的境界。

企业要的不是一些零散的AI工具, 而是需要去构建那种能够支撑一切的AI基础设施, 这一点也不是那些用来吸引眼球的营销口号可以概括的, 它其实是一个对于企业应该怎么让AI真正落地这个规律的认识, 就是说了只有把建设做到基础设施那个级别, 才有可能把这个 AI 和企业里所有的业务体系彻底地融合在一起, 然后才能创造出一种会随着时间推移不断变多、变得更有价值的复利增长的效果, 所以当企业从单纯地购买现成的工具转向去建设属于自己的基础设施的时候, 这就意味着企业在用 AI 的时候已经从之前那种只是随便试试探探底的状态, 变成了现在这种愿意花时间和力气去深度挖掘和耕耘的状态。