简要总结
本次纳斯达克贸易对话讨论了企业在人工智能实施方面取得成功的要素。主要观点包括：
- 从原型设计转向实际业务成果是关键，2026年将是看到人工智能带来切实的生产力和效率提升的一年。
- 企业面临的挑战包括如何将实验性人工智能环境扩展到生产级别，以及如何优化基础设施以实现成本效益。
- 解决数据碎片化问题，将非结构化数据转化为可操作的信息，对于企业人工智能的成功至关重要。
- 成本效益、安全性和合规性是企业在实施人工智能时需要考虑的关键因素。
- 最终目标是通过人工智能实现业务成果，而不仅仅是追求技术效率。
引言 [0:09]
主持人吉尔·马伦德里诺与Highland首席执行官杰什和Weta首席技术官西蒙·本·戴维共同探讨企业如何成功实施人工智能。讨论重点是企业在人工智能领域的大量投资，以及如何从原型设计过渡到实际的业务成果。
行业现状与挑战 [0:46]
杰什指出，许多企业正经历从对人工智能的过度期望到失望的过渡期，许多试点项目失败或未能产生实际价值。然而，在医疗保健、保险、政府和银行等受监管行业中，人工智能在智能化和自动化方面显示出很高的投资回报率。西蒙强调，企业面临的挑战是如何将实验性人工智能环境扩展到实际生产环境，并以具有成本效益的方式实现。许多客户发现，个人电脑环境中的人工智能用例与大规模生产环境中的用例并不相同，这给存储、网络和计算等基础设施带来了挑战。
企业人工智能成功的障碍 [3:01]
杰什认为，企业人工智能成功的关键在于如何将模型应用于企业自身的数据和流程，以获得有用的见解并采取行动。他强调，企业需要解决数据碎片化问题，将来自不同系统的数据整合起来，以便人工智能能够理解企业的业务背景。他指出，企业80%的数据是非结构化的，如采购订单、发票和患者记录，而大型语言模型可以将这些非结构化数据转化为可操作的信息。
人工智能的成本与经济效益 [5:59]
西蒙指出，人工智能领域创新不断，但基础设施的创新也至关重要。他强调，人工智能用户常常遇到基础设施瓶颈，如GPU未被充分利用。他认为，企业需要优化基础设施，确保GPU能够持续生成有价值的tokens。此外，随着人工智能项目从内部应用转向外部应用，企业需要提供更高的服务水平协议（SLA）和准确性，这使得克服基础设施限制和实现投资回报率变得至关重要。
人工智能的DevOps与安全性 [9:51]
西蒙强调了人工智能的DevOps的重要性，指出人工智能环境需要不断维护和更新，以适应新的框架、版本和驱动程序。他认为，简化人工智能环境，使其对用户透明，是解决这一挑战的关键。此外，他还指出，许多企业在初期实施人工智能项目时，往往忽视安全性，导致安全漏洞。他认为，企业需要从一开始就将安全性纳入人工智能系统的设计中，并考虑使用主权云来保护数据。
负责任的人工智能创新 [12:01]
杰什强调，人工智能的质量取决于其所使用的数据。他认为，企业需要建立在治理基础上的内容管理系统，以确保对数据的合规访问。他指出，企业需要将治理政策扩展到人工智能相关的见解和行动，以确保负责任的人工智能创新。
2026年及以后的人工智能成功 [13:41]
杰什认为，企业人工智能的成功始于对业务流程的深刻理解，以及对数据的充分利用。他强调，企业需要构建多代理架构，以实现情境决策和自动化业务流程。西蒙认为，人工智能的成功在于实现业务成果，而不仅仅是追求技术效率。他强调，企业需要现代化其环境，以优化投资利用率，并最终将人工智能转化为利润中心。他指出，人工智能可以加速时间线、预测结果、解锁新的研究和解决方案，并构建自主环境，从而改变我们的生活。
