从人工智能在研究、开发和创新中实现影响力

人工智能（AI）正在改变研究、开发和创新（R&D&I），解锁新的可能性来解决世界上一些最紧迫的挑战，包括可持续性、医疗保健、气候变化以及食品和能源安全，并帮助组织更好地创新和推出突破性的产品和服务。

AI 在 R&D&I 中并不是新鲜事物。然而，生成式 AI（GenAI）和 大型语言模型（LLMs）的兴起显著放大了其能力，加速了突破和整体创新。

组织如何从其 R&D&I 努力中受益于 AI，并且要采用什么最佳实践来驱动成功？为了找出答案，Arthur D. Little 的 Blue Shift Institute 进行了一项全面研究，采访了超过 40 名 AI 提供商、专家和从业者，以及对超过 200 个组织进行了调查，涵盖公共和私营部门。所产生的报告，Eureka! on Steroids: AI-driven Research, Development, and Innovation，提供了对当前 AI 在研究和创新领域的景观和未来轨迹的深入分析。

我们的分析集中在五个关键领域：

AI 在 R&D&I 中带来利益 – 但它不会取代人类

R&D&I 的每个构建块都可以从 AI 中受益，从技术和市场情报到创新战略、想法、投资组合和项目管理以及知识产权管理。当我们试图了解这些利益时，三个关键因素出现：

• AI 将增强研究人员的能力，而不是取代他们，释放他们的时间，并使他们能够更加高效和富有创造力
• AI 帮助解决过去无法尝试的棘手问题，因为技术的速度和扩展能力以及学习能力，开辟了新的创新途径
• AI 将承担“规划者-思考者”的角色，超越内容生成和搜索，涵盖更复杂的角色，如知识管理、假设生成和 R&D&I 团队的助手。

当决定是否使用 AI 来解决特定的 R&D&I 用例时，没有一个通用的模型可以部署。要了解哪种 AI 方法将带来最佳结果，组织需要关注两个因素 – 可用数据的类型和数量（从很少到很多）以及所问问题的性质（从开放到具体）。同时，单一的 AI 方法可能无法带来最佳结果 – 过去 15 年中产生的大多数最先进的智能系统都是系统的系统。这些是为特定任务设计的独立 AI 系统、模型或算法，当它们组合在一起时，提供了更大的功能性和性能。

成功需要八个良好的实践

基于对研究人员、AI 科学家、创始人和数字、制造、营销和 R&D 团队的 R&D 负责人的采访，我们看到了八个良好的实践，这些实践支撑着 AI 的成功部署。组织需要：

• 采用敏捷方法论，以便团队可以在快速变化的 AI 环境中快速工作
• 通过关注数据质量、组织内的合作以及利用专有数据来建立坚实的基础
• 在构建、购买和微调模型之间做出战略选择，后者往往是最有效的方法
• 考虑分析权衡，以确保在概念验证项目期间取得进展，例如在获取与合成数据、精度与召回以及欠拟合与过拟合之间进行权衡
• 积极利用可用的数据科学人才，包括与组织外部合作伙伴合作以获取必要的技能
• 与 IT 部门保持一致，以平衡安全性和合规性与实验速度
• 快速展示利益并获得用户的认可，以建立信任并解锁进一步的投资
• 持续维护和监测系统性能，特别是在模型改进方面

3. 技术组件现在已经就位

与大多数 AI 用例一样，R&D&I 价值链由三个层次组成 – 基础设施、模型开发者和应用程序。

在基础设施方面，实施和维护足够的计算能力的成本很高，但托管提供商越来越多地提供推理即服务模型，在云中运行推理和查询，以消除对本地基础设施的需求，降低前期费用，并使 AI 更加普及。

AI 在 R&D&I 中的价值链严重依赖于 Meta、Microsoft 和 Nvidia 等主要开源模型。然而，Mistral 和 Cohere 等较小的玩家也在生态系统中发挥着至关重要的作用，同样，学术机构也是如此。

在应用程序端，已经创建了通用和专用 R&D&I 应用程序，以满足大多数用例，目前有超过 500 个应用程序涵盖整个 R&D&I 过程。

未来尚不明确 – 但场景规划有助于理解

AI 在 R&D&I 中的发展取决于三个主要因素的结果 – 性能、信任和可负担性。将这些因素结合起来，会产生六种可信的未来场景，从 AI 转变 R&D&I 的每个方面到仅在选择性、低风险用例中使用。从最大到最小的影响，这些场景是：

• Blockbuster: AI 成为 R&D 周期中的首选，沿途重塑组织。数据成为新的边疆。
• Crowd-Pleaser: AI 方便、经济、适用于日常生产力任务，但未能提供科学/创造价值。
• Crown Jewel: AI 提供生产力和科学突破，但仅限于能够承担其成本的组织 – 导致 R&D&I 中的两速世界。
• Problem Child:尽管有一些标志性的用例和经济的解决方案，AI 未能证明其价值 – R&D&I 组织仍然担心数据安全、伦理和缺乏可解释性。
• Best-Kept Secret: AI 性能改进，但高昂的成本使组织更加风险规避。低信任和繁琐的流程限制了采用，很少有新的大胆实验被启动。
• Cheap & Nasty:AI 被广泛应用于低风险用例，但仅作为原型设计或头脑风暴工具。不可靠的系统被严格审查，输出被验证，限制了生产力增益。

了解这些场景对于 R&D&I 组织至关重要，因为他们正在规划 AI 采用的未来之路。

R&D&I 组织现在需要采取行动

在某些情况下，AI 已经能够在配方、产品开发、情报和其他 R&D&I 任务中实现时间、成本和效率的双位数改进。这意味着无论哪种场景展开，六个无遗憾的举措都将帮助 R&D&I 组织建立韧性并利用 AI 的优势。他们需要：

• 管理和赋予人才力量，确保劳动力拥有利用 AI 的培训和专业知识，如果必要，可以在中期将实施外包给外部提供商
• 控制 AI 生成的内容，更新风险管理流程，并公开分享验证方法以建立信任
• 建立数据共享和合作， 与更广泛的公共和私营部门生态系统合作，以推动 AI 的成功采用
• 为长期训练，教育尽可能广泛的用户群体关于 AI 的基础知识、所需的技能和潜在的风险
• 重新思考组织和治理，超越 IT 以给予高级别的关注，并打破孤岛以实现合作
• 共享计算资源，与合作伙伴合作或在内部共享资源，以经济有效地满足当前和未来的基础设施需求

除了这些无遗憾的举措之外，成功将来自创建一个平衡的 AI 基础 R&D&I 投资组合，与公司目标保持一致。这意味着考虑特定 AI 用例的范围、成本和利益，并利用这些信息来驱动创新项目组合的优化。决策应基于战略目标、能力和市场情报，以及组织运营的背景。

每个研究、开发和创新价值链的阶段都可以通过 AI 转变，增强人类研究人员以转变生产力并实现突破性创新。这些机会需要与性能、信任和可负担性方面的挑战保持平衡，这意味着组织必须现在专注于将其 R&D&I AI 努力置于未来带来成功的位置，无论未来如何。

本文是在 Albert Meige、Zoe Huczok、Arnaud Siraudin 和 Arthur D. Little 的协助下撰写的。