導語：對于眾多行業用戶而言，了解人工智能如何改變行業、如何利用人工智能保持領先地位，已成為一道時代的必答題。全球著名調研機構WEKA近日正式發布《2024 年全球人工智能趨勢報告》，該報告基于全球1500+名人工智能決策者的深度調查，覆蓋金融、政府、醫療保健等多個行業，通過今年的調研解鎖應對快速發展的人工智能領域的關鍵見解和策略。

介紹

《2024 年人工智能全球趨勢報告》深入探討了人工智能采用的基本趨勢。

在去年報告中，WEKA探討了在生產中成功運行人工智能的組織與未成功運行人工智能的組織之間的差距。

今年研究中，WEKA重新審視了人工智能領導力主題，借鑒領先組織正在采取的一些關鍵實踐，同時深入探討塑造人工智能戰略的價值驅動因素、基礎設施決策和環境實踐。

為開展這項研究，標準普爾全球市場情報調查了 1,500 多名全球人工智能決策者，并就人工智能項目和計劃進行一對一訪談。

主要發現

1、人工智能的采用繼續以驚人的速度進行，該技術越來越被視為一種嵌入式和戰略能力。

• 人工智能計劃正在迅速成熟：2023 年，調查受訪者仍在很大程度上嘗試人工智能，或者在其組織的小部分進行局部部署。今年，報告顯示人工智能成熟度水平發生了根本性轉變大多數受訪者表示，人工智能“目前已在其組織中廣泛實施”并“推動著關鍵價值”。

• 產品改進和運營效率是關鍵的投資驅動因素：組織越來越多地應用人工智能來提高營收和競爭優勢，其中提高產品或服務質量 (42%) 是最受歡迎的目標，許多組織的目標是增加收入增長 (39%) ）。同時地，組織認識到通過提高員工生產力 (40%) 和 IT 效率 (41%) 以及加快整體創新步伐 (39%) 來提高運營效率的潛力。

2、許多人工智能項目無法擴展——遺留數據架構是罪魁禍首。

人工智能項目面臨數據基礎薄弱的挑戰。遺留數據架構阻礙了更廣泛的部署。

• 實現規模仍然是一個挑戰：組織在實現人工智能項目的預期覆蓋范圍方面面臨著重大挑戰。組織平均有 10 個項目處于試點階段，16 個項目處于有限部署階段，但只有 6 個項目處于規模部署階段。

• 高質量數據的可用性是一個主要障礙：數據質量是將人工智能項目投入生產的最大挑戰。項目團隊面臨的挑戰并不大，關于識別相關數據及其可用性；組織正在努力為項目構建一致、集成的數據基礎。

• 現代化數據架構對于成功至關重要：鑒于此，毫不奇怪，最大比例的受訪者 (35%) 將存儲和數據管理視為阻礙人工智能部署的主要基礎設施問題 — 明顯高于計算 (26%)、安全性 (23 %）和網絡（15%）。

3、生成式人工智能已迅速超越其他人工智能應用。

生成式人工智能在短時間內獲得了巨大的關注。人工智能開拓者正在實現具體的效益，并準備增強其競爭優勢。

• 生成式人工智能是焦點：令人驚訝的是，88% 的組織正在積極研究生成式人工智能，遠遠超過其他人工智能應用，如預測模型 (61%)、分類 (51%)、專家系統 (39%) 和機器人技術 (30%) ）。

• 生成式人工智能的采用正在呈爆炸式增長：盡管進入市場的時間相對較短，但 24% 的組織表示，他們已經將生成式人工智能視為在整個組織中部署的集成功能。只有 11% 的受訪者根本沒有投資生成式人工智能，而大多數組織都在積極地將這種投資轉化為規模化的集成能力。

• 生成式 AI 開拓者預計將增強其競爭優勢：已在整個組織中集成生成式 AI 的組織計劃繼續增加投資：預計生成式 AI 預算將在未來 12 個月內達到其 AI 總預算的 47%。在這些生成式人工智能應用的先驅者中，大多數都看到該技術在各個目標效益方面產生的重大積極影響。鑒于那些仍處于生成式人工智能項目實驗階段的公司在組織創新、新產品開發和上市時間方面并沒有看到同樣的增長，可能會增強已經規模化采用生成式AI技術的組織的競爭優勢。

4、GPU 的可用性繼續受到限制，從而影響基礎設施決策。

對 GPU 的訪問是組織的主要關注點；GPU 云可以提供可擴展的解決方案。

• 訪問 GPU 仍然是一個挑戰：十分之四的受訪組織表示，訪問 AI 加速器是其基礎設施決策中的首要考慮因素，30% 的組織將 GPU 可用性列為將 AI 模型投入生產過程中面臨的三大最嚴重挑戰之一。

• 地區壓力依然存在：在某些地區，特別是亞太地區，缺乏 GPU 限制了組織部署人工智能；38% 的印度組織將加速器訪問視為將人工智能項目投入生產的三大挑戰之一。

• 超大規模和 GPU 云是公司訪問 GPU 的關鍵渠道：對加速器的需求促使 46% 的受訪組織利用超大規模公共云進行模型訓練，并且越來越多地利用專業 GPU 云提供商 (32%)。

5、對人工智能對環境影響的擔憂持續存在，但并沒有減緩人工智能的采用；可持續的人工智能實踐提供了減少排放的機會。

人工智能對環境和能源的影響仍然是許多組織需要面臨的一個突出問題，但這并沒有減緩投資人工智能項目的決定。許多組織看到可持續發展實踐產生了有意義的影響，因此有一個明顯的機會來應對排放挑戰。

• 對人工智能能源和碳影響的擔憂依然突出：近三分之二 (64%) 的組織表示，他們擔心人工智能/機器學習 (ML) 項目對其能源使用和碳足跡的影響；25% 的組織表示他們非常擔心。

• 采用可持續數據基礎設施技術是一個重點領域：顯然，技術提供商的可持續發展證書變得至關重要，42% 的組織表示他們已投資節能 IT 硬件/系統，以解決人工智能對環境的潛在影響倡議超過過去 12 個月。其中，56% 的人認為這產生了“高”或“非常高”的影響。其他人發現，數據基礎設施供應商（59%）和人工智能項目范圍（57%）的改變產生了“高”或“非常高”的影響。

• 可持續性是人工智能決策中的一個重要因素，但不是主要因素：超過四分之一 (30%) 的組織表示，可持續性舉措是人工智能采用的驅動力，因為他們希望應用人工智能來提高能源效率和減少排放。雖然這一點值得注意，但事實上，可持續性是總體上最少被提及的驅動因素。即使以節能舉措為目標，實現可持續發展目標也會讓位于節省成本和提高運營效率作為主要目標。在對人工智能基礎設施決策影響最大的所有問題中，可持續性處于中間位置：37% 的組織將其列為優先事項，但其排名被安全性 (47%) 和人工智能獲取等更突出的問題所超越加速器（44%）。

定義人工智能領導者

過去一年里，人們對人工智能的看法發生了迅速變化，人工智能的戰略作用也發生了迅速變化。人工智能的成熟度已經發展到絕大多數組織在生產中都擁有某種形式的人工智能，因此“有”和“無”的比較幾乎沒有分析價值。

相反，正在出現的分歧似乎是那些能夠利用最新技術突破并大規模應用的組織和那些不能利用最新技術突破的組織。

隨著過去十年中最重大的人工智能突破和技術創新，生成式人工智能作為戰略要務是不可避免的。那些快速有效地利用這一技術突破的公司正在遠離追趕者。

基于這些假設，我們將人工智能領導者定義為那些報告了以下成就的人：

• 生產環境中的 AI/ML 項目對關鍵運營產生實際影響。

• 在整個組織中廣泛實施人工智能/機器學習，其規模遠大于有限且孤立的人工智能項目。

• 利用這十年來最重大的技術突破（生成式人工智能），并將其定位為跨業務和工作流程的集成功能。

• 市場前 10% 的企業采取了多種獨特的做法，使他們在報告的五個關鍵主題中與大多數組織區分開來。

圖 2：誰是2024年人工智能領導者

2024 年人工智能領導者的構成和特征存在一些明顯的差異。

• 行業：醫療保健受訪者 (18%) 的人工智能領導者比例高于其他行業。

• 公司規模：擁有更多資本、資源、人工智能技能組合以及通常更成熟的數字化轉型項目的企業 (16%) 在人工智能領導者中比例領先于其他公司規模。

• 地區：北美 (16%) 的人工智能領導者比例明顯高于亞太地區 (8%) 和歐洲、中東和非洲 (6%)。促成因素可能是更多地從行業和教育機構獲得人工智能人才，以及風險投資和資本的區域可用性。

• 商業模式：與其他組織相比，人工智能提供商 (15%) 更有可能被視為人工智能領導者。然而，這種差異并不像人們想象的那么明顯。在某些情況下，人工智能提供商盡管為客戶構建了人工智能解決方案，但不一定在自己的公司內完全實現功能。

AI應用現已在企業中普及；對產品質量和 IT 效率的投資是首要任務。

去年，人工智能在許多組織中的角色發生了變化，從總體戰略的次要組成部分轉變為關鍵的嵌入式功能。

關鍵見解：

• 人工智能最常見的采用狀態已從 2023 年更廣泛戰略的次要組成部分轉變為目前廣泛實施并在 2024 年推動關鍵價值。

• 提高產品或服務質量以及通過 IT 效率節省成本是開發 AI 應用程序的主要驅動力。

• 許多戰略目標（例如縮短上市時間和獲得產品或服務差異化）受到越來越多的關注。

人工智能正成為許多組織戰略的一個基本面，越來越被視為需要關鍵戰略和需要廣泛實施。表示人工智能是其組織中“更廣泛戰略的次要組成部分”的受訪者比例比去年的調查減少了一半，而認為人工智能“廣泛實施，推動關鍵價值”的受訪者比例從 28% 增加到 33% %，成為最常見的答案。對于北美受訪者來說，這一比例甚至更高，為 48%，而亞太地區 (26%) 和歐洲、中東和非洲 (25%) 則更高。

人工智能的影響范圍不僅限于實施的廣度，還包括該技術的戰略影響。從歷史上看，人工智能的價值主張一直與降低成本密切相關。例如，之前機器人流程自動化方面的人工智能進步與減少員工數量或降低外包成本等目標密切相關。并不是說人工智能帶來的成本降低機會正在被擠出。事實上，通過提高 IT 效率來節省成本是人工智能的第二個最受歡迎的目標。相反，成本驅動因素正在與更具戰略性的目標相結合。例如，在我們的調查中，超過三分之一 (39%) 的受訪者將收入增長視為人工智能計劃的關鍵驅動力。如圖 3 所示，公司不僅試圖利用人工智能實現比去年更多的目標，而且他們還看到了與收入驅動因素更清晰的一致性。與去年相比，他們明顯更加意識到人工智能可用于獲得產品差異化并縮短上市時間的機會。

圖3：人工智能應用開發驅動因素的同比變化

人工智能領導者正在采取哪些不同的做法？

領導者將更廣泛的目標視為驅動其人工智能戰略的目標。這種目標的分散有助于更好地了解人工智能在哪些方面可以發揮最大的影響力。它還為投資人工智能奠定了更強有力的商業案例基礎，有助于建立一個能夠吸引更廣泛利益相關者的敘述。

許多人工智能項目未能規模化；遺留數據架構是罪魁禍首

人工智能日益增長的戰略重要性正在推動跨企業的舉措顯著增加。廣泛的實驗和教育是組織的不鼓勵行為。然而，由于數據挑戰的阻礙，缺乏明確的價值識別途徑的項目正在扼殺這一機會。人工智能項目面臨著在有限的部署煉獄中停滯不前的風險，耗費公司的金錢、時間和資源，同時也達不到預期的使用水平。各種舉措正因數據孤島、數據質量差以及數據和模型管道無效而陷入困境。

關鍵見解：

• 在一般組織中， 51%的人工智能項目已投入生產，但尚未大規模交付。

• 將人工智能項目轉移到生產環境時，數據質量是最大的障礙。

• 35%的組織認為，存儲和數據管理是人工智能計劃最常見的基礎設施阻礙因素；然而，那些廣泛實施人工智能的人對這些挑戰的感受卻不那么強烈。

隨著組織投資將人工智能應用于不斷增長的目標，組織的項目流程中正在出現一個問題。雖然更多的舉措已流向人工智能項目團隊，但仍有一些舉措僅得到部分部署。如圖 4 所示，平均而言，受訪組織擁有更多被歸類為部署有限的生產項目，而不是規模擴大的項目。在追求新舉措時，許多組織可能無法最大化其現有投資的價值。問題的關鍵似乎是數據質量和可用性，遺留數據架構導致許多組織中的管道中斷。

當組織將項目從試點轉向生產時，數據質量是最常見的挑戰。如圖 5 所示，數據質量問題（42% 的組織將其視為三大障礙之一）甚至比技能短缺 (32%) 和預算限制 (31%) 更為重要。媒體和娛樂 (59%)、高等教育 (53%) 以及航空航天和國防 (48%) 領域的組織尤其強烈地感受到數據質量挑戰。

圖4：許多項目未能從有限部署過渡到大規模交付

數據質量的挑戰并不是缺乏構建高性能模型的數據，而是數據的設置方式不適合項目團隊可以充分利用的方式。當被特別要求對將項目轉移到生產環境的主要數據挑戰進行排名時，受訪者表示，質量數據的可用性是比識別相關數據更顯著的障礙。34% 的組織將高質量數據的可用性視為三大數據挑戰，僅次于數據隱私問題 (35%)，很明顯，許多組織在有效數據管理方面的設置很差。

遺留數據技術似乎是這些數據管理缺陷的主要原因。數據管理和存儲最常被視為抑制人工智能應用程序開發的基礎設施組件。超過三分之一 (35%) 的受訪者認為它們是比安全 (23%)、計算 (26%) 和網絡資源 (15%) 更嚴重的問題。

顯然，最有效地擴展人工智能計劃的組織較少受到這些數據管理和存儲組件的限制。在表示人工智能在其組織內得到廣泛實施的受訪者中，只有 28% 的受訪者認為存儲和數據管理挑戰是最大的阻礙因素；相反，他們感受到來自網絡或計算資源的更大壓力。相比之下，42% 的受訪者認為人工智能僅限于組織內的少數用例或項目。大規模提供人工智能的組織似乎專注于投資升級用于存儲或管理數據的系統和技術。

圖 5：組織將 AI/ML 應用程序從試點環境遷移到生產環境的三大障礙

這項投資似乎很關鍵，因為數據管理和存儲缺陷正在滲透到人工智能項目生命周期中，組織正在努力有效地為模型構建和部署準備數據。許多組織報告稱，人工智能計劃最具挑戰性的方面是數據預處理階段（見圖 6）。盡管越來越多的組織表示過去 12 個月中人工智能已在其組織內廣泛實施，但這些數據預處理步驟的性能并沒有同比出現有意義的改進。讓人工智能項目上線，但由于數據基礎薄弱而限制了其價值或可擴展性，為探索早期階段的下一波舉措樹立了一個糟糕的先例。

圖 6：組織發現人工智能生命周期的早期數據步驟與模型構建一樣具有挑戰性

對于許多組織正在采取的對數據日益渴求的人工智能戰略來說，不成熟的數據管理工具集是一個令人擔憂的背景。超過四分之三 (80%) 的受訪者預測未來 12 個月用于開發人工智能模型的數據量將增加，只有不到一半 (49%) 的受訪者預測數據量的增長將超過25%。但也許更根本的是，數據管理投資不足的組織面臨的挑戰可能會帶來新的數據相關壓力，特別是組織用于模型訓練的數據類型的混合。自 2023 年以來，使用非結構化富媒體和文本數據進行人工智能計劃的組織比例有所增加，過時的數據管理技術可能會阻止組織有意義地交付這些項目。

人工智能領導者正在采取哪些不同的做法？

領導者不太可能將存儲和數據管理視為主要阻礙因素，大概是因為這些公司已經優先考慮實現數據架構現代化。通過從一開始就建立堅實的數據基礎，人工智能領導者確保了有價值的試點項目擁有清晰的大規模交付路徑。

生成式人工智能已迅速超越其他人工智能應用

各組織紛紛投資生成式人工智能，其興趣超過了其他已經長期存在的人工智能形式。隨著投資爆炸式增長的塵埃落定，一小群生成式人工智能先驅者已經出現。這些組織擁有更廣泛的集成能力，并從圍繞新產品開發、增強創新和更快上市時間的技術中看到了顯著的競爭優勢。隨著生成式人工智能先驅者開始在自己與他人之間建立由投資和基礎設施優勢形成顯著差距，這些競爭優勢可能會增強。

關鍵見解：

• 88%的組織正在積極研究生成式人工智能。

• 24% 的人已經認為生成式人工智能已經發展成為整個組織的綜合能力。

• 大多數生成式 AI 開拓者認為生成式 AI 計劃對提高創新率 (79%)、支持新產品推出 (76%)和縮短上市時間 (76%) 具有“高”或“非常高”的影響等競爭差異化領域。

生成式人工智能是 2024 年企業人工智能戰略的驅動力。絕大多數組織 (88%) 正在積極研究生成式人工智能模型，以創建全新的數據或內容。這種興趣遠遠超過了人工智能的長期存在形式，例如預測模型（61％）、分類（51％）、專家系統（39％）和機器人（30％）。考慮到生成式人工智能的意識直到 2022 年底才開始興起，而且企業級解決方案仍在開發中，這證明了對其變革潛力的認識。大多數受訪者還對假設的通用人工智能（在所有認知任務上都可以超越人類的模型）表示了興趣，這表明許多組織都在關注人工智能不斷發展的前景。

這種興趣正在轉化為投資。未來 12 個月內，生成式 AI 預算平均將從占 AI 總預算的 30% 增長到 34%。許多高級管理人員敏銳地意識到該技術的影響，并認為需要加快投資路線圖。

人工智能領導者正在采取哪些不同的做法？

領導者正在投資更廣泛的人工智能類型，更有可能與機器人、專家系統和分類模型以及生成式人工智能一起參與。這一擴展的產品組合使他們能夠找到能夠滿足不同業務需求的解決方案，并促進將這些技術整合在一起的更全面的方法。

生成式人工智能的采用正在迅速進展。如圖 7 所示，一組開拓者（24% 的組織）已經將生成式 AI 投資升級為擴大生產能力。相比之下，11% 的公司尚未投資生成式人工智能，29% 的公司仍在試驗該技術，37% 的公司已將生成式人工智能投入生產，但尚未規模化。對于一項于 2022 年 11 月推出 ChatGPT 后才進入公眾意識的技術來說，這是一個了不起的接受程度。

集成并廣泛部署生成式人工智能的組織可以獲得廣泛的好處。重要的是，這些好處在提供競爭優勢的領域中很常見。超過四分之三 (79%) 的開拓者認為生成式人工智能對其創新率具有“高”或“非常高”影響，76% 對上市時間有“高”或“非常高”影響，76% 對支持新產品推出有影響，74 % 的人關注產品或服務質量的改進，67% 的人關注產品和/或服務的差異化。這些水平超過了“人工智能成熟度較低”的組織，這表明生成式人工智能的相對采用可能會塑造行業的贏家和輸家。未能快速開展有意義的生成式人工智能項目的組織，最終可能會輸給那些有能力的組織。

未來的投資水平似乎正在為這些開拓者擴大其優勢奠定基礎。生成式人工智能先驅者投入巨資以引領潮流。成功將生成式人工智能升級為綜合能力的組織平均將 44% 的人工智能預算投入生成式人工智能，這一投資水平明顯高于其他組織。處于生成式 AI 成熟度早期階段的公司平均投資 26%。開拓者公司將進一步擴大生成式人工智能預算，繼續對人工智能成熟度較低的組織進行投資。

生成式人工智能先驅者的支持基礎設施和策略更加復雜。他們使用更廣泛的場所進行人工智能模型訓練和推理。然而，更根本的是，在人工智能基礎設施規劃方面，他們考慮了更多因素。與未進行同等程度投資的組織相比，他們在規劃基礎設施時更有可能考慮安全性、人工智能加速器訪問、數據隱私、可擴展性、客戶支持以及人工智能工具和框架的訪問。與那些嘗試生成人工智能的人相比，這些開拓者不太可能考慮的唯一因素是前期成本，他們認為前期成本不如長期運營支出重要。通過在基礎設施決策之初考慮這些因素，這些組織可以確保這些問題不會隨著項目的進展而出現。

人工智能領導者正在采取哪些不同的做法？

與其他投資生成式人工智能的組織相比，人工智能領導者優先考慮了生成式人工智能計劃，以提高創新率和提高 IT 效率。通過優先考慮這些領域，他們創造了一個良性循環，其中增加的創新促進了生成式人工智能的進一步使用，簡化的 IT 流程確保了可持續和有效的交付。

GPU可用性繼續受到限制，影響基礎設施決策

人工智能加速器在優化人工智能性能方面發揮著重要作用。這些專用硬件設備（最突出的例子是 GPU）旨在加速模型訓練和推理；對于 AI 工作負載，它們比 CPU 更快、更高效。組織可能會面臨訪問 GPU 的挑戰，這種稀缺性正在提升他們在基礎設施規劃中的地位，并鼓勵采用專業的人工智能云計算平臺。

關鍵見解：

• 除了安全性之外，基礎設施決策中的首要因素是加速器可用性， 44%的組織認為這一點。

• -超大規模公共云是使用 GPU 的途徑之一，但許多人也轉向專業的人工智能云。GPU 云正在成為培訓（近三分之一（ 32%）的組織）和推理（31%）的重要場所。

• -在一些地區，特別是在亞太地區，缺乏人工智能加速器已經限制了組織將模型轉移到生產中。

主要的基礎設施決策因素涉及安全性、人工智能加速器訪問以及可靠性和可用性。如圖 8 所示，人工智能加速器的使用排名很高，甚至超過了運營成本和靈活性等長期關注的領域。電信公司 (53%)、高等教育機構 (53%) 和制造組織 (51%) 特別重視這種訪問。

超大規模公共云為尋求 GPU 的組織提供了重要途徑，但它們并不是唯一的選擇。雖然超大規模云計算是最受歡迎的人工智能訓練和推理場所，分別有 46% 和 40% 的組織認為，但專業人工智能云已成為輔助甚至替代場所。 GPU 云的受歡迎程度呈爆炸性增長，反映出對 GPU 的高需求。近三分之一（32%）投資人工智能的組織正在使用 GPU 云執行訓練工作負載，31% 的組織用于推理。這些專業云產品特別受信息技術和服務公司歡迎，51% 的公司將 GPU 云作為培訓場所。

隨著人工智能開發和部署的范圍不斷擴大，GPU 云有望進一步增長。組織預計未來 12 個月內將使用更多的訓練和推理場所，在這種增長環境中，GPU 云的推理和訓練采用率預計將增長到 34%。高等教育機構似乎是一個增長特別快的客戶群。我們的數據強調可擴展性是組織將 GPU 云視為主要角色；組織能夠輕松且經濟高效地管理波動的人工智能工作負載的能力是采用的明顯驅動力。

一些國家（包括一些亞太主要經濟體）的組織強烈感受到 GPU 可用性挑戰；印度、臺灣、新西蘭和澳大利亞更有可能將 GPU 可用性列為將模型投入生產的三大挑戰之一。瑞典（39%）認為這是三大挑戰，阿聯酋（35%）在這方面也表現突出。

圖 9：GPU 可用性對模型投入生產的影響程度存在國家差異

人工智能領導者正在采取哪些不同的做法？

領導者更有可能利用 GPU 云進行訓練和推理，并且特別投資于如何使用該技術來減少實施人工智能計劃所需的時間。利用基于云的專業服務，通過確保對稀缺 GPU 資源的訪問來加快開發過程，這似乎是發揮 AI 優勢的明顯途徑。

對人工智能對環境影響的擔憂持續存在，但并沒有減緩人工智能的采用；可持續人工智能實踐提供了減少排放的機會

今年的故事是關于擴張的：擴大人工智能的范圍、擴大工作負載需求、擴大數據基礎設施。在這種情況下，可持續發展實踐是關鍵。由于許多可持續發展實踐提供了可衡量的價值以及應用人工智能解決能源消耗問題的潛力，因此有一個明顯的機會來應對排放挑戰。

關鍵見解：

• 近三分之二（64%）的受訪者表示，他們的組織“關心”或“非常關心”人工智能基礎設施的可持續性。

• 受歡迎的可持續發展措施包括投資節能IT硬件（42%的組織）、增加對人工智能治理的投資（40%）、提供可持續發展培訓和教育（37%）以及建立可持續發展指南（35%）。

• 近三分之一 (30%)的受訪者表示，減少能源消耗是其組織采用 AI/ML 的驅動力。

可持續發展對組織來說仍然很重要，近三分之二的組織擔心人工智能/機器學習對能源使用和碳足跡的影響，其中 25% 的組織“非常擔心”。該主題是人工智能戰略中的一個影響因素，37% 的受訪者認為可持續性是對其組織做出的人工智能基礎設施決策影響最大的因素之一。如圖 8 所示，這與運營成本、數據隱私和可擴展性相當。在數據需求不斷擴大以及未來 12 個月人工智能工作負載的訓練和推理場所預測的背景下，對可持續性的關注非常重要。

除了表現出投資更優化技術的明確意愿外，許多組織還增加了對人工智能治理的投資（40%）、提供可持續發展培訓和教育（37%）以及制定可持續發展指南（35%）。不太受歡迎的是代表縮減人工智能投資的舉措。只有 5% 的人表示他們在過去 12 個月內取消了人工智能計劃，19% 的人表示他們改變了項目范圍。

組織在很大程度上發現可持續發展實踐是有效的。在確定哪些項目更有可能產生較大影響而不是產生較小影響或沒有影響時，我們發現實踐更有可能產生影響，包括那些有時被忽視的項目（見圖 10）。雖然在過去 12 個月中，只有 19% 的組織參與改變人工智能項目范圍以解決環境問題，但其中 57% 的組織認為其影響力“非常高”或“非常高”。另一種可能代表重大機會的做法是更換基礎設施供應商——27% 的人采取了這一步驟，但總體上認為這是最有影響力的做法。

許多組織已經將人工智能應用于能源消耗——通過人工智能驅動的效率優勢來應對人工智能工作負載的資源密集型本質。近三分之一 (30%) 的組織將減少能源消耗和碳足跡視為開發 AI/ML 應用程序的關鍵驅動力。雖然目前是人工智能/機器學習應用程序最不受歡迎的目標，但值得注意的是，近三分之一的組織可能已經在應用人工智能來更好地評估和預測排放，或通知可能有助于節能的效率改進。隨著工作壓力的擴大，我們預計這一比例將會增加。

減少能源消耗的動力不僅僅是為了實現可持續發展目標。雖然 11% 的受訪者認為實現企業可持續發展目標是減少能源消耗的首要任務，但這低于提高運營效率 (13%) 和實現成本節約 (12%)。對法規遵從性 (9%) 和客戶期望 (9%) 的擔憂也很明顯。在某些情況下，這可能使可持續發展倡導者能夠解決可持續發展影響，同時在更廣泛的業務目標背景下體現其價值。

人工智能領導者正在采取哪些不同的做法？

人工智能領導者正在采取更多措施來解決其項目對環境的影響，并且更有可能認為這些措施具有“高度”影響力。特別是，人工智能領導者更有可能考慮在未來 12 個月內改變訓練或推理場所、制定可持續性指南并實施抵消方法。通過并行進行多個步驟，每個步驟的價值似乎都被放大了。雖然排放影響評估可能有用，但當該評估可以轉化為有關選擇供應商合作伙伴或人工智能培訓或推理環境的決策時，它可以提供更多價值。

結論

2024 年人工智能全球趨勢報告展現了與 2023 年版本截然不同的人工智能采用情況。人工智能正在得到更廣泛的應用，更加注重產品和服務質量的改進以及收入的增長。生成式人工智能的成熟是這一轉變的關鍵驅動力。但挑戰依然存在。許多組織正在努力將投資轉化為可以大規模交付的能力，并且他們承認業務運營的可持續性面臨壓力。

企業的五個關鍵行動點：

為人工智能的成功構建強大的數據架構：組織必須建立清晰的途徑將人工智能項目擴展到生產，確保高效的數據管理和存儲。在投入大量試點項目之前，投資強大的數據基礎至關重要。這將有助于實現無縫的人工智能價值交付。

明智的投資是生成式人工智能成功的關鍵：受益于生成式人工智能的組織已經重新分配預算，以專注于這些舉措。成功取決于復雜的決策和強大的基礎設施。為了效仿這一點，組織應確保全面的采購實踐并最大限度地提高 GPU 的可用性和利用率，包括研究專門的 GPU 和 AI 云服務。

探索生成式 AI 驅動的 IT 效率：生成式 AI 可以自動執行常規模型開發任務并改進 IT 決策，以推動更簡化的交付。這種自我強化的方法可以支撐更可持續的人工智能路線圖。

擴大可持續發展實踐：更換基礎設施供應商或修改人工智能項目范圍可以對總體排放量產生有意義的影響。當可持續性措施一起使用時，它們的價值會變得更加復雜，因此組織應該授權項目團隊采用各種方法。

制定全面的人工智能戰略：生成式人工智能提供了重要的機會，但組織應該制定全面的人工智能戰略。狹隘的人工智能方法（未能研究多種技術的方法）忽視了將不同類型的模型結合在一起的機會，并關閉了許多高影響力的用例。

大數據在線觀察

WEKA今年的報告主要基于北美、歐洲、亞太等地區超過1500名決策者的調研，雖然缺少中國大陸地區用戶的調研，但地域、行業覆蓋面依然很廣，對于了解其他國家經濟體的人工智能應用狀況具有較高的參考價值。

中國市場也是人工智能應用最前沿的陣地。雖然受到各種因素的影響，在GPU應用與部署方面存在著較大的困難，但行業用戶在場景、應用方面的天然優勢，以及國家政策層面上的鼓勵，未來有望以應用為牽引，走出一條新路。

不過，WEKA報告中提到“遺留數據架構”的挑戰，對于中國用戶也是當下和將來最為核心的挑戰，現代數據架構應該是未來所有行業用戶都需要著力建設的一項持續工程，不僅關系到人工智能相關技術能否真正發揮價值，更對于未來數智轉型升級有著決定性作用。

大數據在線是聚焦人工智能、大數據、云計算等前沿科技領域深度觀察的深度媒體。目前，大數據在線在微信公眾號、今日頭條號、新浪財經、36氪、雪球號、觀察號等主流自媒體平臺均有入駐，積累粉絲超過20W；并榮獲今日頭條十大科技新銳媒體、商業新知十大人工智能媒體等多項殊榮。商務聯系請添加微信：Owen_Inter，添加請備注具體信息。