文章來源丨Christoph Lechner, Nikolaus Lang, Siegfried Handschuh, Olivier Bouffault, and Julian Cooper，慎思行采編翻譯

個(gè)人微信丨hello_SSX

GenAI真的能解決戰(zhàn)略管理任務(wù)嗎？

生成式人工智能（GenAI）是一種基于語(yǔ)言基礎(chǔ)模型的人工智能技術(shù)，可以生成新的內(nèi)容和創(chuàng)意，包括對(duì)話、故事、圖像、視頻和音樂。但對(duì)于公司高管和投資者所需的戰(zhàn)略管理任務(wù)，其應(yīng)用前景尚不明朗。本文重點(diǎn)探討這些模型獨(dú)立完成戰(zhàn)略管理任務(wù)的能力，以期在未來實(shí)現(xiàn)自動(dòng)化。

戰(zhàn)略管理難以自動(dòng)化的原因何在？

根據(jù) Müller-Stewens和Lechner的定義，戰(zhàn)略管理是實(shí)現(xiàn)公司戰(zhàn)略以達(dá)成關(guān)鍵利益相關(guān)者既定目標(biāo)的過程。它不同于設(shè)計(jì)、采購(gòu)、生產(chǎn)、物流、營(yíng)銷和銷售等單一職能。現(xiàn)代戰(zhàn)略管理典型任務(wù)包括市場(chǎng)研究、情景規(guī)劃、企業(yè)戰(zhàn)略制訂、并購(gòu)決策、商業(yè)模式設(shè)計(jì)及重組轉(zhuǎn)型等。

戰(zhàn)略管理任務(wù)的自動(dòng)化復(fù)雜性任務(wù)，在不同程度上需要三個(gè)核心要素：(a) 多步驟和多層次推理；(b) 情境依賴性；(c) 人類行為因素。即使是面對(duì)OpenAI 的 GPT、Anthropic 的 Claude、Meta 的 Llama、Google 的 Gemini 或 Mistral 的 Mixtral of Experts等尖端 GenAI 模型，也仍然面臨這些挑戰(zhàn)。下文將解析實(shí)踐者應(yīng)對(duì)每個(gè)維度的技術(shù)方案。

1. 多步驟和多層次推理

多步驟和多層次推理通常采用分步提示策略。具體要求包括：要求 大語(yǔ)言模型（LLMs） "逐步展示推理邏輯"，在提示中列出步驟清單，以及將各步驟拆分為獨(dú)立提示序列。雖然理論上可以通過自動(dòng)化實(shí)現(xiàn)多提示任務(wù)分解，但中間步驟如果出現(xiàn)計(jì)算錯(cuò)誤，仍需人工介入校正性能。分步提示策略存在天然局限：?jiǎn)蝹€(gè)提示方法受到上下文窗口和輸出窗口大小的限制，而過多提示分割則容易導(dǎo)致LLMs 遺忘先前步驟的上下文數(shù)據(jù)。

2. 情境依賴性

戰(zhàn)略管理應(yīng)用需要GenAI 模型訪問額外的（通常是敏感的）情境數(shù)據(jù)。例如，在評(píng)估并購(gòu)交易是否具有吸引力時(shí)，需要調(diào)用公司的內(nèi)部財(cái)務(wù)數(shù)據(jù)和戰(zhàn)略備忘錄。為此，業(yè)界通常采用檢索增強(qiáng)生成（RAG）架構(gòu)。該技術(shù)在生成過程中添加信息檢索組件，使 LLM 能夠查詢?nèi)我庖?guī)模的外部數(shù)據(jù)源，并將檢索結(jié)果整合至用戶提示的上下文窗口（見圖 1）。該方案對(duì)戰(zhàn)略管理非常重要，它允許GenAI 模型訪問敏感的公司數(shù)據(jù)庫(kù)（無(wú)需微調(diào)），降低 "幻覺 "概率，甚至支持溯源響應(yīng)數(shù)據(jù)來源。典型案例是博世與 Aleph Alpha 合作開發(fā)的 BoschGPT 。

3. 人類行為因素

了解和預(yù)測(cè)可能的人類行為（團(tuán)隊(duì)內(nèi)部動(dòng)態(tài)、客戶期望、文化背景等）在許多戰(zhàn)略管理分支學(xué)科中都發(fā)揮著重要作用。例如，企業(yè)的定價(jià)策略可能基于對(duì)消費(fèi)者支付意愿的預(yù)期，但同時(shí)也要考慮市場(chǎng)上的競(jìng)爭(zhēng)對(duì)手將如何對(duì)自己的定價(jià)策略做出回應(yīng)，最后還要考慮消費(fèi)者在做出二次決策時(shí)的權(quán)衡過程。雖然可以向模型提供預(yù)設(shè)假設(shè)作為指導(dǎo)，但真正的自動(dòng)化需要 LLM 基于原始?xì)v史定價(jià)數(shù)據(jù)，提供自主假設(shè)。當(dāng)前訓(xùn)練這些人類行為直覺的最佳方法是提供案例研究作為情境提示（即多樣本實(shí)驗(yàn)），或根據(jù)任務(wù)特定數(shù)據(jù)進(jìn)行微調(diào)，并由人類專家標(biāo)注相關(guān)的缺失行為要素，但均非完美解決方案。

4. 以模型性能為基準(zhǔn)

作為簡(jiǎn)要補(bǔ)充，了解 GenAI 社區(qū)如何評(píng)估和衡量這些難以自動(dòng)化的能力表現(xiàn)非常有用。雖然映射關(guān)系不是一一對(duì)應(yīng)，但也相差不遠(yuǎn)。

對(duì)于綜合知識(shí)和推理能力，每個(gè)領(lǐng)先的 LLM 都會(huì)定期公布其 ARC、HellaSwag 和 MMLU 分?jǐn)?shù)。ARC 指的是 AI2 推理挑戰(zhàn)賽，這是一個(gè)由小學(xué)選擇題組成的數(shù)據(jù)集。HellaSwag是一個(gè)常識(shí)推理和邏輯問題數(shù)據(jù)集。而MMLU指的是多任務(wù)語(yǔ)言理解（Multi-task Language Understanding）側(cè)重于研究生級(jí)別學(xué)術(shù)課題的數(shù)據(jù)集，更強(qiáng)調(diào)知識(shí)理解和檢索。為了評(píng)估模型通過 RAG 架構(gòu)整合語(yǔ)境的能力，我們的最佳實(shí)踐指標(biāo)與分類機(jī)器學(xué)習(xí)中的混淆矩陣類似，后者更依賴于具體語(yǔ)境，而不是一門精確的科學(xué)。我們既要評(píng)估 LLM 回答提示問題的質(zhì)量（"生成"），也要考慮檢索到的內(nèi)容與該答案的相關(guān)程度（"檢索"）。

對(duì)于生成，我們衡量的是答案的事實(shí)準(zhǔn)確性及其與問題的相關(guān)性。而對(duì)于檢索，衡量的則是信噪比（上下文精確度）以及檢索到內(nèi)容是否足以回答問題（上下文召回率）。

對(duì)于社會(huì)推理，當(dāng)前的基準(zhǔn)數(shù)據(jù)庫(kù)如SocialIQA被用來測(cè)試模型能否預(yù)測(cè)故事后續(xù)發(fā)展或解釋行為動(dòng)機(jī)。

三個(gè)實(shí)驗(yàn)的設(shè)計(jì)和研究發(fā)現(xiàn)

我們關(guān)注這些模型在實(shí)際戰(zhàn)略管理任務(wù)中的表現(xiàn)，這些任務(wù)需要綜合多項(xiàng)能力。為了測(cè)試這一點(diǎn)，我們?cè)O(shè)計(jì)了三個(gè)實(shí)驗(yàn)來反映復(fù)雜程度和價(jià)值遞增的戰(zhàn)略管理任務(wù)：（1）編制市場(chǎng)調(diào)研檔案；（2）評(píng)估商業(yè)戰(zhàn)略；（3）執(zhí)行買方盡職調(diào)查所需的分析。這些實(shí)驗(yàn)任務(wù)代表了戰(zhàn)略和投資團(tuán)隊(duì)日常工作的核心內(nèi)容。

實(shí)驗(yàn) 1：編制市場(chǎng)調(diào)研檔案

設(shè)計(jì)：要求 ChatGPT-4 執(zhí)行波士頓咨詢公司（BCG）內(nèi)部團(tuán)隊(duì)就印度農(nóng)用化學(xué)品市場(chǎng)編寫的實(shí)際卷宗中提供的三項(xiàng)具體分析：（1）按地區(qū)總結(jié)全球農(nóng)用化學(xué)品的定性洞察；（2）將 2018-2023 年的全球農(nóng)用化學(xué)品市場(chǎng)規(guī)模繪制成按地區(qū)劃分的堆疊條形圖；（3）深入研究印度市場(chǎng)，并分享一些關(guān)于市場(chǎng)吸引力和競(jìng)爭(zhēng)格局的分析。我們?cè)谳斎肷舷挛闹懈郊恿?BCG 團(tuán)隊(duì)使用的核心資料《全球農(nóng)用化學(xué)品市場(chǎng)報(bào)告》。

研究發(fā)現(xiàn)：首先，僅憑ChatGPT-4 輸出即可合理推導(dǎo)出BCG 編寫的執(zhí)行摘要關(guān)鍵復(fù)合年增長(zhǎng)率（CAGR）數(shù)值完全一致。其次，該模型能夠解析和檢索 200 頁(yè)行業(yè)報(bào)告中的文本、圖表和數(shù)據(jù)表。第三，單次提示即可生成多個(gè)細(xì)節(jié)層面的分析結(jié)果。

結(jié)論：實(shí)驗(yàn) 1 表明，LLM 已經(jīng)能夠在戰(zhàn)略管理的背景下，通過有限的數(shù)據(jù)收集和推理，自動(dòng)完成大規(guī)模的綜合任務(wù)。未來的研究可探索結(jié)合RAG 架構(gòu)的性能擴(kuò)展，例如，賦予模型訪問行業(yè)報(bào)告數(shù)據(jù)庫(kù)的權(quán)限。如果檢索器設(shè)計(jì)精良，是否可以有效地移除人工干預(yù)（即無(wú)需提供相關(guān)源材料）。

實(shí)驗(yàn) 2：通過咨詢案例訪談解決決策問題

設(shè)計(jì)：咨詢案例訪談通常分為四個(gè)部分：（1）向候選人提供案例背景，并詢問解題思路；（2）反復(fù)交談，定位核心問題；（3）分享數(shù)據(jù)資料，要求候選人計(jì)算并提供定量洞察；（4）準(zhǔn)備向客戶高管匯報(bào)的結(jié)論。我們要求 ChatGPT-4 扮演候選人，參與BCG已存檔的某超市冷凍食品面試案例，并根據(jù)人類申請(qǐng)者的評(píng)分標(biāo)準(zhǔn)（如邏輯性、假設(shè)驅(qū)動(dòng)性）逐項(xiàng)評(píng)估回答。

研究結(jié)果：第（1）部分，ChatGPT-4 能夠構(gòu)建近似于 MECE（互斥窮盡）的框架，但假設(shè)驅(qū)動(dòng)性不足（未聚焦案例要求的盈利能力，未討論收入與成本關(guān)系），因此未達(dá)到及格分?jǐn)?shù)。第（2）部分，面試官建議對(duì)定價(jià)進(jìn)行調(diào)查。該模型迅速提供了一份簡(jiǎn)明扼要的驅(qū)動(dòng)因素清單，但缺乏與案例本身的直觀聯(lián)系，也未像優(yōu)秀應(yīng)聘者那樣提出下一步建議以得出結(jié)論。第（3）、第（4）部分，模型的表現(xiàn)一般處于及格水平。我們提供了兩組數(shù)據(jù)，每組數(shù)據(jù)都能得出正確的數(shù)學(xué)結(jié)果和基本的”結(jié)論（例如，冷凍披薩下降了 50%，這是價(jià)格問題，而不是成本或數(shù)量問題），很可能與優(yōu)秀候選人的表現(xiàn)相當(dāng)。此結(jié)果超出預(yù)期，因?yàn)樵撃Ｐ痛饲皩?duì)定性問題的回答未能展現(xiàn)相關(guān)能力。

局限性：盡管從情境的角度來看，該模型的整體表現(xiàn)相當(dāng)不錯(cuò)，但它完全忽略了頂尖候選人所應(yīng)具備的一些行為特質(zhì)。例如，主動(dòng)提出假設(shè)驅(qū)動(dòng)的后續(xù)步驟以主導(dǎo)面試進(jìn)程，展現(xiàn)求知欲與探索性思維、，即使通過預(yù)熱提示提供引導(dǎo)，，此類行為仍無(wú)法實(shí)現(xiàn)。

結(jié)論：實(shí)驗(yàn) 2 的結(jié)果表明， LLMs 在有人類參與的情況下執(zhí)行情景規(guī)劃任務(wù)的潛力。雖然在提出解決抽象戰(zhàn)略問題的方法方面還不夠完善，但如果在人類的指導(dǎo)下完成第一步，這些模型可以高效支持后續(xù)分析，從而快速驗(yàn)證假設(shè)并找到解決方案。這些結(jié)果與過往問題解決任務(wù)研究的結(jié)論一致。

實(shí)驗(yàn)3：買方盡職調(diào)查的財(cái)務(wù)建模實(shí)驗(yàn)

設(shè)計(jì)：為測(cè)試當(dāng)前GenAI 模型能夠在多大程度上處理并購(gòu)盡職調(diào)查的復(fù)雜性和量化嚴(yán)謹(jǐn)性，我們使用了斯坦福大學(xué)商學(xué)院金融建模課程的案例研究——關(guān)于Stride Rite 于 2005 年收購(gòu) Saucony 的交易。我們要求 ChatGPT-4執(zhí)行課程作業(yè)要求的一系列分析：（1）建立股權(quán)結(jié)構(gòu)表；（2）合并利潤(rùn)表和資產(chǎn)負(fù)債表；（3）計(jì)算貼現(xiàn)現(xiàn)金流（DCF）；（4）推薦 Stride Rite 公司應(yīng)提供的每股收購(gòu)價(jià)。

研究結(jié)果：與之前的測(cè)試不同，本次實(shí)驗(yàn)突出了 ChatGPT-4 的局限性，而非優(yōu)勢(shì)。盡管如此，還是有一些值得一提的亮點(diǎn)。首先，該模型能高效解析案例研究文件（一份 pdf 文件，一份 excel 文件）并組織信息以回答特定問題，例如 "提取買賣雙方普通股和完全稀釋股數(shù)"或甚至 "構(gòu)建雙方股權(quán)結(jié)構(gòu)表"。其次，模型具有一定的自我診斷能力。例如，當(dāng)模型計(jì)算出合并協(xié)同效應(yīng)收益為負(fù)值時(shí)，它在輸出中主動(dòng)警告“該結(jié)果需合理性驗(yàn)證”。

局限性：我們的發(fā)現(xiàn)可分為兩類：一是多步驟量化推理缺陷。我們要求模型完成兩項(xiàng)需要多步驟量化推理的任務(wù)：合并利潤(rùn)表和計(jì)算貼現(xiàn)現(xiàn)金流。在這兩種情況下，即便拆解步驟粒度（單次提示 vs 多次提示）或人工引導(dǎo)，仍無(wú)法得出正確財(cái)務(wù)模型結(jié)果。

二是結(jié)果穩(wěn)定性問題，盡管我們知道這些模型是隨機(jī)的，預(yù)計(jì)到不同環(huán)節(jié)的結(jié)果會(huì)有一些差異，但在提示和上下文數(shù)據(jù)完全相同的情況下，輸出結(jié)果差異顯著。例如，在實(shí)驗(yàn)接近尾聲時(shí)，我們要求模型提供 Stride Rite 應(yīng)向 Saucony 提供的每股建議價(jià)格。最初的回答是 28 美元/股，這不正確但與正確答案 35 美元/股比較接近。然而，當(dāng)提示 "你能再試一次嗎？"時(shí)，模型計(jì)算出的價(jià)格為 96 美元/股。

在本實(shí)驗(yàn)中，我們發(fā)現(xiàn)多步驟推理的一個(gè)主要限制因素是遺忘。雖然當(dāng)我們將指令分解成各個(gè)步驟時(shí)，這些多步驟任務(wù)的成績(jī)普遍有所提高，但很快達(dá)到極限，即模型進(jìn)行正確的中間計(jì)算所需的粒度水平依賴大量的提示。

結(jié)論：實(shí)驗(yàn) 3 的結(jié)果表明，當(dāng)今的 LLM 在處理涉及多個(gè)推理步驟的真正復(fù)雜任務(wù)方面存在明顯的局限性——若一次性輸入過多步驟，模型將無(wú)法處理；若如果過于分解步驟，模型會(huì)遺忘前期上下文。可通過工程化方案（如上下文編碼與動(dòng)態(tài)回傳）部分緩解，但本質(zhì)能力仍需模型迭代提升風(fēng)險(xiǎn)和挑戰(zhàn)。戰(zhàn)略管理決策往往會(huì)對(duì)公司發(fā)展產(chǎn)生重大影響。因此需深入理解當(dāng)前 GenAI 應(yīng)用的潛力和缺陷。

Gen AI應(yīng)用的潛力和缺陷

戰(zhàn)略管理決策往往會(huì)對(duì)公司發(fā)展產(chǎn)生重大影響。因此需深入理解當(dāng)前 GenAI 應(yīng)用的潛力和缺陷。

1. 固有偏見實(shí)驗(yàn)

GenAI 模型帶有與預(yù)訓(xùn)練期間使用的數(shù)據(jù)集和自然語(yǔ)言任務(wù)相關(guān)的固有偏見。這些偏見可能因上下文窗口、檢索增強(qiáng)和微調(diào)的選擇而加劇或部分緩解。雖然這仍然屬于研究前沿，但已有基準(zhǔn)數(shù)據(jù)集可以幫助從業(yè)人員（和 LLM 核心平臺(tái)開發(fā)人員）評(píng)估性能進(jìn)展，例如詞嵌入關(guān)聯(lián)測(cè)試（WEAT）、刻板印象測(cè)試集（StereoSet） 和 公平人臉識(shí)別基準(zhǔn)（FairFace）（Schroder，2022 年）。這僅僅是個(gè)開始，建議優(yōu)先選擇在偏差基準(zhǔn)以及推理、上下文檢索等更成熟指標(biāo)上表現(xiàn)出色的 GenAI 技術(shù)來提供幫助。

2. 人機(jī)協(xié)同的必要性

雖然當(dāng)今的 GenAI 模型在人機(jī)協(xié)同下表現(xiàn)驚艷，但反事實(shí)是：案例訪談和盡職調(diào)查實(shí)驗(yàn)都不可能通過純粹的自動(dòng)化實(shí)現(xiàn)，這具有兩面性。積極面是，該技術(shù)將增強(qiáng)而非替代戰(zhàn)略管理細(xì)分領(lǐng)域；但從規(guī)模的角度來看，這又是一種限制：在特定任務(wù)中，人機(jī)協(xié)同大幅限制了這些技術(shù)的潛在效益。例如，如果盡調(diào)分析能夠真正實(shí)現(xiàn)自動(dòng)化，企業(yè)將能持續(xù)評(píng)估所有并購(gòu)機(jī)會(huì)，而不是依賴人工篩選目標(biāo)清單。

3. 結(jié)論與展望

本研究得出兩大核心結(jié)論。

首先，當(dāng)今的 LLM 已經(jīng)能夠自動(dòng)完成大規(guī)模的綜合任務(wù)（如市場(chǎng)調(diào)研），并能進(jìn)行一些有限的數(shù)據(jù)匯總和推理，但需人機(jī)協(xié)同處理多步驟任務(wù)或人類行為理解（如戰(zhàn)略情景規(guī)劃）。

其次，假設(shè)驅(qū)動(dòng)性復(fù)雜多步驟推理仍無(wú)法實(shí)現(xiàn)（如買方盡職調(diào)查），即使有人工參與，也不足以引導(dǎo)現(xiàn)成的 LLM 得出正確的結(jié)果。

對(duì)于今天的領(lǐng)導(dǎo)團(tuán)隊(duì)而言，問題仍然聚焦兩個(gè)方面：(a) 通過設(shè)計(jì)專用系統(tǒng)（例如獨(dú)立微調(diào)量化模塊、定制數(shù)據(jù)庫(kù)的RAG檢索）能否提升性能，(b) 這些 LLM 的下一版本（例如，OpenAI 的 GPT-5、Meta 的 Llama-3）將如何自然提升多步推理與穩(wěn)定性。

通過深化此類實(shí)驗(yàn)，可以初步驗(yàn)證專用系統(tǒng)的價(jià)值。在市場(chǎng)調(diào)研方面，通過 RAG 架構(gòu)賦予模型訪問行業(yè)報(bào)告數(shù)據(jù)庫(kù)的權(quán)限，并嘗試移除人工提供原始材料的環(huán)節(jié)。對(duì)于案例面試（以及一般的商業(yè)情景規(guī)劃用例），我們可以重新實(shí)驗(yàn)，并對(duì)模型進(jìn)行深度微調(diào)，以幫助其 "習(xí)得"頂尖候選人的行為模式。最后，在盡職調(diào)查方面，探索針對(duì)不同環(huán)節(jié)的定制 GPT（如合并利潤(rùn)表），并采用基于嵌入向量的搜索算法降低上下文數(shù)據(jù)的內(nèi)存負(fù)擔(dān)。

LLM 和生成式人工智能在商業(yè)領(lǐng)域有著巨大的價(jià)值，當(dāng)前應(yīng)用只是冰山一角，這些技術(shù)將成為更多商業(yè)轉(zhuǎn)型的基礎(chǔ)。在未來數(shù)月和數(shù)年內(nèi)轉(zhuǎn)型將聚焦于基礎(chǔ)智能任務(wù)和流程的自動(dòng)化上，即涉及信息檢索、數(shù)據(jù)綜合以及有限的規(guī)劃推理的任務(wù)，此類流程耗時(shí)有望減少 90% 以上，數(shù)以千計(jì)的流程將實(shí)現(xiàn)效率躍升。在我們的實(shí)驗(yàn)中，市場(chǎng)調(diào)研檔案就是一個(gè)典型的例子。

高級(jí)智力任務(wù)（需多步驟量化推理、長(zhǎng)短期記憶以及對(duì)人類行為的深刻理解）也將在 GenAI 中發(fā)揮作用。但正如實(shí)驗(yàn)（2）、（3）所示，要在這些領(lǐng)域取得成效，仍需要在 LLM 技術(shù)突破與系統(tǒng)工程化部署。商業(yè)問題的核心問題將變成：應(yīng)該在什么時(shí)候開始認(rèn)真投資？一個(gè)簡(jiǎn)單的比喻是：應(yīng)該等待更聰明的學(xué)生（新一代LLM）出現(xiàn)，還是投資構(gòu)建現(xiàn)有模型上的復(fù)雜系統(tǒng)？后者短期風(fēng)險(xiǎn)小，但靈活性差，前者適配未來戰(zhàn)略但需技術(shù)成熟周期 。

對(duì)我們來說，這又回到了一個(gè)關(guān)于人工智能應(yīng)用優(yōu)先級(jí)的總體框架，它可以歸結(jié)為對(duì)兩個(gè)核心問題的權(quán)衡。首先，應(yīng)用人工智能的流程能創(chuàng)造多少商業(yè)價(jià)值？其次，在獲取相關(guān)數(shù)據(jù)方面，是否擁有可防御性的優(yōu)勢(shì)？隨著LLM的成熟和性能的提高，專用系統(tǒng)或微調(diào)投資的需求將越來越少，使得必要投資遞減。與此同時(shí)，若當(dāng)前已經(jīng)擁有大量任意格式的文本化相關(guān)數(shù)據(jù)，那么 LLM 可成為挖掘此類數(shù)據(jù)價(jià)值的工具，從而放大投資回報(bào)。因此，擁有數(shù)百筆交易數(shù)據(jù)（擁有可防御性獲取渠道）的大型投資基金或?qū)⒑芸焱顿Y這種先進(jìn)系統(tǒng)，而普通企業(yè)并購(gòu)部門則會(huì)理性地等待底層人工智能技術(shù)的進(jìn)一步成熟。

編輯 | Jiaru

進(jìn)一步交流

進(jìn)入專業(yè)社群展開深度討論

慎思行通過微信等平臺(tái)覆蓋超過10萬(wàn)戰(zhàn)略人、咨詢?nèi)说雀黝悓I(yè)人士。我們也構(gòu)建了專業(yè)社群，推動(dòng)戰(zhàn)略與咨詢領(lǐng)域的問題討論、信息交流和機(jī)會(huì)分享，社群已有超過5年歷史，并成為了頂尖專業(yè)人士感知市場(chǎng)前沿，獲得實(shí)踐經(jīng)驗(yàn)的首要選擇。入群請(qǐng)?zhí)砑由魉季⑿牛⑻峁┟?/p>

現(xiàn)在微信公眾號(hào)更改規(guī)則，如果你不特地點(diǎn)進(jìn)來，很可能看不到我們的推送了。希望喜歡【慎思行】的讀者朋友們將本號(hào)【設(shè)為星標(biāo)★】，方便找到我們；也歡迎點(diǎn)擊右下角的【在看】。

＞為什么說智能體是生成式AI的下一個(gè)前沿領(lǐng)域？

＞人工智能將如何改變企業(yè)戰(zhàn)略？