Ilya Romanov 是一位企业家和人工智能爱好者，拥有超过 15 年的营销经验，跨越了旅行、银行、电子商务、加密货币和人工智能等行业。这多样化的背景使他对不同业务的性质有了深刻的见解。在他的写作中，他专注于人工智能如何在商业中应用以及它如何改变我们周围的世界。
这个话题很有趣。让我从弗洛伊德的序言开始。人类智力的普遍自恋迄今为止已经遭受了三次致命的打击。第一次是我们发现了书写。苏格拉底说：“你的发现[书写]会在学习者的灵魂中制造忘却，因为他们不会使用自己的记忆；他们会相信外部的书写字符，而不是自己记住”。第二次是当人们被介绍给 GPS 时，他们的空间定位能力恶化了。最后一次打击可能是最致命的：人类将思考的任务委托给了 AI。MIT 媒体实验室研究关于 AI 如何改变我们的大脑的意见变得越来越响亮和令人兴奋。在 IBM 文章《当 AI 为我们思考时，大脑变得更安静》中，我喜欢标题如何很好地表达了这个过程的本质。该文章讨论了 MIT 媒体实验室的一项研究，波士顿地区的学生参加了多次有无 AI 辅助的写作课程。研究团队在学生头上戴上 EEG 帽来跟踪他们的神经活动和对写作的反应，使用 ChatGPT、一个简单的 Google 搜索引擎和没有任何工具。目标是了解大脑中发生了什么。团队想要了解神经连接，即大脑不同部分在执行任务时如何相互作用。当学生使用 AI 时，他们的大脑显示出与记忆和思考相关的脑区之间的连接性较低。当学生独自工作时，大脑中有更多的跨区域通信。但是，转折点出现在实验的最后阶段。学生被分成新的组：那些使用 ChatGPT 的学生被要求继续写作而不使用它，反之亦然。这揭示了一个有趣的观察。实验负责人纳塔利娅·科斯米娜解释说：“如果他们一开始使用 ChatGPT，然后被要求自己写作，他们的大脑参与度比那些从不使用工具开始的人要低”。该研究被认为与斯帕罗、刘和韦格纳在他们的文章《谷歌对记忆的影响：拥有信息在指尖的认知后果》中讨论的发现相似。该研究引入了认知外包的概念，即人类大脑记忆较少，因为信息可以轻松地在网上找到。研究的总体结论是，大脑与技术形成了一种新的共生关系，将互联网、驱动器和云中的大量信息和数据委托给大脑不需要记住的部分。虽然研究团队表达了担忧，但其他评论者认为这是自然的认知适应，是在日益快速的世界中不可避免的。两个研究的共同点是对人类能力受损的担忧。虽然 2011...
我是Ilya Romanov，我正在开发一个处于隐秘模式的AI产品。 在我的上一篇文章中，我讨论了一个（并不真正？）颠覆性的关于AI和收入底线的MIT报告。另一个热门报告出来了——“人们如何使用ChatGPT”。它的大胆开场“总体而言，我们发现ChatGPT通过决策支持提供经济价值，这在知识密集型工作中尤其重要”让我想知道是否——最后——有证据证明AI在工作过程和底线中有了切实的贡献。让我们深入探讨！报告和团队“人们如何使用ChatGPT” 由OpenAI研究人员和哈佛经济学家David Deming准备。他们在AI工程、隐私保护数据分析和经济政策方面的综合专业知识使得这项关于ChatGPT的大规模实证研究成为可能。该研究基于与ChatGPT的150万次对话。团队使用隐私保护漏斗来匿名用户，同时仍然了解消息背后的意图。基本上，每次ChatGPT对话都经过自动过滤器，删除任何名称或个人细节，然后研究人员看到它们。这些经过清理的、机器生成的标签（如主题或意图）被分析。为了链接基本的 демограф背景，如教育或职业，团队在一个安全的清洁环境中工作，他们只能获取至少100个用户的聚合数据，因此无法识别任何个人或消息。发现“摘要”中的大胆陈述是关于AI如何在现代经济中提供价值的关键见解。与最近涌现的众多“自动化一切”的解决方案相比，ChatGPT主要被用作决策支持工具，而不是纯粹的任务自动化平台。该报告介绍了两种ChatGPT用户分配的任务类型： “提问”和“执行”。前者指的是寻求信息、建议或指导以做出更好的决策的工作（“相关性和因果关系有什么区别？”）。后者是执行特定任务，如撰写电子邮件、报告，甚至创建代码（“写一封电子邮件给我的经理，说我无法联系销售团队，尽管我多次尝试联系”）。有趣的是，该报告区分了工作和非工作对话。所有非工作对话占2025年的70%，这表明与2024年的53%相比有了显著的增加。个人互动主要集中在日常任务（“如何”建议和辅导）和写作辅助（编辑或翻译）。这种增加和使用背景将ChatGPT定位为日常伴侣——新的谷歌——用于探索、创作和决策，超出了工作场所。该报告显示，49%的所有消息是“提问”，而只有40%是“执行”提示。关键点是“提问”消息增长更快，并且从ChatGPT用户那里获得更高的满意度评分。2024年7月，“提问”和“执行”几乎相等，分别占所有ChatGPT消息的46%。到2025年6月，“提问”增加到51.6%，意味着绝对增加了5.6个百分点，相对增长了12%，而“执行”下降到34.6%，意味着相对下降了25%。这种差异意味着什么？该报告认为，经济效益在于知识密集型工作中更快、更好的决策支持，这会放大生产力。在知识密集型工作中，业务结果直接受到决策质量和速度的影响，拥有更好的信息处理、替代观点和优秀的分析支持可以显著提高工人的表现。结论的基础是这些发现。另一方面，拥有研究生学位的用户比受教育程度较低的用户更有可能使用ChatGPT进行“提问”（多2个百分点），而使用“执行”消息的可能性较小（少1.6个百分点）。同样，用户在高薪的科学和技术职业中更有可能使用AI进行“提问”——计算机相关工作中47%的工作相关消息是“提问”。看不见的决策能力远远超过人类大脑，可以用金钱来衡量——不是OpenAI赚取的收入（截至今年8月初，每年130亿美元的收入），而是消费者剩余。简单来说，消费者剩余是个人愿意为某项服务支付的最高金额与实际支付的价格之间的差额。例如，我愿意为每月ChatGPT订阅支付100美元，但我只支付20美元，所以消费者剩余是80美元。在规模上，正如Collis和Brynjolfsson（2025年）所做的研究发现，消费者剩余在美国 Alone至少为970亿美元。据他们的研究，人们需要被支付98美元，平均每月，才能停止使用生成性AI一个月。ChatGPT在工作和非工作背景下的价值对于用户来说是巨大的，可以肯定地说，在企业环境中，财务收益会更大。为什么提问？当我研究了这份报告背后的团队，并（惊喜！）邀请Perplexity与我一起思考这份报告时，我不禁想知道人们为什么会使用ChatGPT进行“提问”而不是“执行”。用更科学的术语来说，我想引用报告中提到的研究。Ide和Talamas（2025年）提出了AI在工作场所扮演的两个角色：同事，它完成交付成果，即工作，以及副驾驶，它增强了问题解决能力，而没有任何最终输出。来自“人们如何使用ChatGPT”的数据支持了副驾驶范式：再次，人们提问而不是使用ChatGPT（49% vs 40%），提问正在增加，并且“做出决定和解决问题”在每个调查职业群体中排名最高的工作活动。简而言之，ChatGPT提供了建议而不是工作的大多数情况下。那么，AI为什么会这样？滚动浏览LinkedIn，你会看到“自动化这个”和“自动化那个”。我也思考过这个问题，当我读到报告和数百个来自AI爱好者的LinkedIn帖子时，他们发现了最终的脚本来让AI工作。我的假设是，ChatGPT上“提问”类型比“执行”类型占主导地位的现象可能只是反映了模型的当前（或过去）局限性，而不是基本的公共偏好，偏爱AI作为副驾驶。有可能，一旦有真正强大的代理AI解决方案，用户就会越来越多地将AI采用为真正的同事，而不是顾问。简单来说，人们想使用AI作为同事，但仍然存在一些限制。根据我的经验和我在客户开发访谈中听到的内容，我假设AI尚未克服的一个严重缺点是缺乏上下文。第二，它并非所有工作都可以分解为一个简单的提示（或者我只是不够耐心）。让我详细解释这两点。由于AI缺乏上下文，因此在内容创作方面无法让它自由发挥。它需要被监控，提示可能需要被修改以获得更好的结果。 IBM 用科学术语解释了这个想法。人类通过不断的感知、记忆和现实世界经验积累了丰富的环境理解，而AI助手则仅仅根据固定“上下文窗口”的最近输入预测下一个令牌（~单词）。AI具有短期记忆，一旦记忆容量被填满，早期信息就会丢失。大型语言模型在处理多步骤复杂任务时存在困难。随着任务的组合，性能和连贯性会降低，Prompt Drive 解释了这一点。有一个方法可以克服这种限制，即所谓的分而治之的方法。然而，它承认没有单一提示可以捕捉所有细微差别，因此AI仍然是一个优秀的副驾驶，同时也是一个有限的同事。现在，我一直在思考ChatGPT的领域。这种比例（49% vs 40%）是否会在其他AI工具中得到复制？ 根据 App Labx 的说法，60% 发送给 Perplexity AI 的消息是研究驱动的请求，而不是纯粹的内容生成。 DeepSeek R1...
我是一个坚定的乐观主义者，总是保持着对新技术的开放态度。最近让我着迷的长期热点是什么？人工智能（AI）.麻省理工学院（MIT）NANDA最近发布了一篇名为《GenAI分歧：2025年企业人工智能现状》的论文，我认为这篇论文值得一读。它对人工智能和商业的现状提供了一个清醒的看法。LinkedIn的信息流可能会让人觉得人工智能已经改变了一切，但这篇报告却描绘出了一幅不同的图景。首先，什么是MIT NANDA？网络化代理和去中心化人工智能（NANDA）是麻省理工学院媒体实验室的一个雄心勃勃的研究计划。该项目涵盖了6个洲的18个领先的研究机构和一些科技行业的大牌，如Meta、Dell、Microsoft等。NANDA的目标确实是前瞻性的，如果不是开创性的的话。 该项目的目标 是建立人工智能代理的互联网基础设施，即一个去中心化的网络，人工智能代理可以在此发现、验证和相互协作，跨越组织边界。基本上，NANDA正在致力于制定清晰的规则、协议、指南和框架，以使人工智能代理能够代表人类和组织与其他代理进行交互。NANDA项目是开源的，这意味着它欢迎企业家、有远见的人、技术专家和政策制定者作为全面的合作伙伴。（这让你想起维基百科吗？）我之所以提到NANDA，是因为他们的报告是人工智能研究的精华。报告的作者是人工智能领域的先驱，他们的发现应该被认真对待（尽管带有一点怀疑）。该论文自一月份开始撰写，终于在2025年7月出版。该报告基于对300多个公开披露的人工智能计划的系统性审查，以及来自52个组织的领导者访谈和四个主要行业会议的153位高级领导者调查。5%的人工智能试点成功率该报告引入了“GenAI分歧”这个术语，描述了组织和行业在成功（或不成功）地采用人工智能时发生的（或没有发生的）破坏。如果一个企业处于“分歧的错误一边”，根据NANDA的说法，该企业未能真正改变、进化和重新思考其结构和业务运营。因此，处于“分歧的正确一边”意味着人工智能的使用具有可衡量的成果——“这种投资偏见通过将资源分配到可见但往往转化较少的用例中而延续了GenAI分歧，同时高回报机会的后台办公功能被低估了”。该报告引起了轰动的原因是其关键发现。执行摘要指出：“尽管企业在GenAI上投资了300-400亿美元，但该报告发现了一个令人惊讶的结果：95%的组织没有获得任何回报……只有5%的集成人工智能试点获得了数百万美元的价值，而大多数组织仍然停滞不前，没有任何可衡量的利润和亏损影响。”听起来不太令人振奋，对吧？该报告定义的“学习差距”是组织无法实现人工智能真正价值的根本限制。大多数GenAI系统根本缺乏保留反馈、适应上下文或随时间改进的能力。 系统无法从反馈中学习。 实际上，这意味着一位经理不断地将相同的数据集输入人工智能系统，但其性能并没有改善。 一位中型制造业经理描述了他如何反复将相同的产品手册上传到他们的人工智能系统中，以完善履约清单，但每次迭代都会复制相同的遗漏和错误，尽管进行了多次反馈会话，但输出质量并没有任何可衡量的改善。 每次都需要过多的上下文信息。 人工智能工具在会话之间缺乏记忆，因此每次交互都需要重新输入过去的知识和上下文。复杂的工作流程与简单的一次性任务不同，会拖慢并且无法成为可靠的支持，无法完成正在进行的项目。 该报告引用了一家公司的法律团队，他们在每次合同草稿时都必须将客户偏好、之前的谈判记录和监管约束重新输入人工智能工具中——这本应该是一个支持性的工作流程，但却变成了一个耗时的差事，破坏了复杂、多阶段项目的生产力。 一些商业流程的定制不足。 与其获得一个能够适应更广泛上下文的响应工具，不如说更广泛的上下文适应了工具，迫使用户绕过僵化的系统。 一位首席信息官指出，他们的供应商提供的风险分析人工智能“感觉像一个一刀切的盒子”，迫使团队将信用审批工作流程改为适应工具的僵化输入，而不是让人工智能适应既定的流程。这种不匹配最终导致了试点项目的放弃 我从NANDA报告中得出的主要发现1. 阴影人工智能经济蓬勃发展该报告引入了“阴影人工智能经济”这个术语，描述了员工如何在个人层面上使用人工智能作为工具，而不是组织范围内批准的工具。这听起来很熟悉，对吧？一位来自中国汽车品牌在CIS的朋友告诉我，她使用ChatGPT编写应用内内容（新闻帖子、广告等）。她说，总部没有批准任何人工智能工具供一般使用，所以她使用人工智能是她自己的助推器和时间节省器，她不太可能在她的经理面前提及它。该报告提供了非常具体的数据。虽然只有40%的公司购买了官方的大型语言模型订阅，但来自超过90%的调查公司的员工报告称，他们经常使用个人人工智能工具来完成工作任务。这种隐蔽的使用往往比正式的企业计划带来更好的投资回报率，揭示了什么真正有效，当个人可以使用灵活、响应迅速的工具时。2. 投资分配反映了错误的优先顺序该报告揭示了人工智能投资和实际投资回报率潜力之间存在显著的不匹配。约50%的GenAI预算流向销售和营销功能，主要是因为结果可以轻松衡量，并与董事会级别的关键绩效指标（KPI）保持一致。然而，最高的回报往往来自后台自动化，例如业务流程外包（BPO）每年节省高达1000万美元，外部创意成本减少30%，外包风险管理每年节省100万美元。这种投资偏见通过将资源分配到可见但转化较少的用例中而延续了GenAI分歧。然而，我的个人信念是这样的。根据我在一家国际银行公司的经验，该公司在全球拥有零售银行，我记得引入一个工具来深入了解组织的内部运作，依赖其数据，并（谁知道？）泄露内部信息的风险是巨大的。所以，我理解为什么注册一个AI内容工厂来制作Facebook广告的创意是一个简单的决定，而复杂的后端破坏则不那么热情地被接受。除非这是来自C级别的直接命令，否则在公司的核心实施严重的破坏性AI工具需要至少12个月。幸运的是，我有机会看到一个为销售团队制作的AI自动化工具。他们雇佣了n8n的自由职业者，他为他们制作了一个AI驱动的呼叫和聊天分析工具。现在，企业能够更快地找到漏洞，并且随着AI的帮助，更多的痛点浮现出来，业务流程中处理的数据也更多、更快。他们的满意度非常高，更多的数据被处理得更快。3. 内部建设输给外部供应商说实话，这个发现让我感到惊讶。与人们普遍认为企业应该自己构建人工智能工具的观点相反，研究表明，与内部开发努力相比，战略性地与外部供应商合作更有可能实现部署。谁能想到呢？显然，不是我。那些将人工智能供应商视为业务服务提供商的组织——要求深度定制，并将其责任归结为业务成果而非模型基准——实现了显著更高的成功率和更快的时间价值。4. 更高的投资意味着更大的破坏？并非如此。使用综合人工智能市场破坏指数，该报告显示，只有两个行业——技术和媒体与电信——显示出明显的结构性破坏迹象。九个主要部门中的七个表现出显著的试点活动，但结构变化很小，像医疗保健、金融服务和能源这样的行业的破坏评分低于5分中的0.5。这一投资可见性和实际转型之间的差距体现了GenAI分歧在行业层面的体现。为什么95%的失败率是暂时的尽管看似绝望的临时结果，但仍有一丝希望。该报告解释说，GenAI分歧是暂时的，将通过新兴发展克服。NANDA本身是更紧密相连的人工智能世界的主要贡献者之一。该报告提到的机制是模型上下文协议（MCP）和代理到代理（A2A）作为基础设施，为代理之间的无缝互操作性和自治协调提供了基础。NANDA的努力和这些工具是通往NANDA所追求的东西的途径——代理网络，一个能够跨互联网自治协调的代理网络。他们的交互将被设计用来用动态的自我教育系统取代静态的工作流程。听起来过于美好，甚至像魔法？好吧，Microsoft Copilot Studio的多代理编排是对这一愿景最接近的实现。该系统有助于构建一个代理树，其中一个主Copilot代理触发负责特定任务的子代理，例如安排或文档生成。每个代理都在其专业领域内工作，同时与其他代理协调。用更实际的术语来说，当用户请求“计划我们的第四季度产品发布”时，编排器代理会自动委托给专门的代理——一个处理市场研究，另一个处理时间表创建，第三个代理与项目管理工具协调。工作同步进行，但仍然是自治的。那么，NANDA的报告给我们留下了什么？跨越GenAI分歧的窗口正在迅速关闭，因为企业开始与能够学习的工具建立供应商关系，这些工具会产生破坏并进化和优化业务运营，增加组织核心的速度。成功在于购买人工智能代理系统，而不是在内部从头开始构建。随着代理学习、记忆和自给自足的系统变得更加普遍，当前的95%的失败率将让位于一个新的时代，在那里人工智能系统将跨供应商、域和组织边界无缝协作。这种未来才是当前投资的真正回报。人工智能采用的替代观点NANDA项目在编译多个来源的数据和调查多个领域的领导者方面做得非常出色。但它是否是全球人工智能采用的最终权威？如果您像我一样发现《GenAI分歧》有些令人沮丧，甚至令人气馁，我已经找到了这些关于人工智能采用的替代观点来保持我对人工智能的个人热情。 IT Brief UK的Jed Nykolle Harme分析了Lenovo的CIO Playbook...
工业化和发展中的世界都面临着前所未有的人口变化。世界上一些最大的国家的出生率已经达到最低点，数十亿工人即将退休。过去二十年来，研究人员和政策制定者开始积极寻找解决老龄化人口医疗成本上升的方法。人工智能被认为是最有优势的解决方案。人工智能不仅可以自动化基本任务，减少昂贵的人力干预，还可以为患者提供更大的隐私和自主权。同时，机器学习使得实施的技术可以随着时间的推移而改进，并适应可能出现的新挑战。本文讨论了人工智能/机器学习技术在医疗保健领域的几种可能应用。以下内容并非遥远的未来，而是医疗保健人工智能市场的一部分，该市场预计到2026年将达到445亿美元的规模。简化的药品开发每年，制药行业在研究和开发上花费近100亿美元。通过应用大数据分析工具，包括神经网络，可以减少这一过程中的许多成本。这一策略在时间至关重要的情况下尤其有前途，例如在流行病期间。2015年，在东非的埃博拉疫情期间，多伦多大学使用人工智能快速处理了药品化合物数据库。一个原本需要数月或数年分析的治疗方法被发现仅用了一天。正如报道所说，人工智能分析也在过去一年半的COVID-19疫苗和治疗的开发中发挥了重要作用。随着新病毒株的出现，相同的技术继续被应用。自动化的医疗文档由于大多数诊所和医院的记录已经以数字形式存储，电子健康记录（EHRs）在医疗保健中发挥着重要作用。虽然这项技术使得访问患者记录变得更容易、更快、更便宜，但医疗文档的数字化可能会给时间紧迫的医疗保健提供者带来重大的负担。自然语言处理（NLP）技术可以简化与医疗数据收集和存储相关的许多过程。虽然语音识别和语音输入软件在医学中并不新鲜，但现在有人提议应用人工智能算法来记录和分析医疗专业人员与患者的所有互动。这项技术的一种可能的实施方法是使用人工智能和机器学习来处理医务人员佩戴的摄像头记录的视频。这样做的效果就像警察佩戴的身体摄像头一样。从这些视频中收集的信息可以快速索引并与其他医疗数据一起进行进一步分析。自拍诊断在世界的一些地区，医疗诊所和医院很少见，或者人们可能觉得去看医生是一种麻烦。在这些情况下，严重的疾病往往在为时已晚之前都没有被发现。幸运的是，即使在最偏远的地区，人们已经拥有了一种强大的诊断工具——他们的智能手机。手机相机的质量每年都在提高，而生产成本也在降低。用这些设备拍摄的照片完全可以被人工智能算法分析。事实上，医生们已经开始使用自己的手机拍摄的照片来分析他们的患者。在一些地区，智能手机上的机器学习软件已经被用于诊断皮肤癌和黑色素瘤，准确率高达90%。已经有消费级应用程序可以让普通用户自己检测身体的皮肤变化。类似的技术也被应用于眼科。已经开发并获得美国FDA批准的算法可以通过照片分析来检测糖尿病患者的视网膜病变。聊天机器人启用的远程医疗每个人都有一些事情他们喜欢保密，健康就是其中之一。与医疗专业人员讨论医疗问题可能会让一些人感到不安。聊天机器人可能为这些患者提供了一种解决方案。这项技术已经在远程医疗中用于预约安排、处方续方和初步筛查。研究人员正在探索使用聊天机器人与需要基本自我护理建议的个体进行交流的方法。事实上，英国的研究人员发现，聊天机器人将是患者在面对更具耻辱感的健康状况（如性传播疾病）时的首选。由于聊天机器人提供了更大的匿名性，患者更有可能寻求对可能导致更大问题的健康问题的帮助。结论本文中提到的医疗保健人工智能的用例只是可能的应用中的一小部分。进入医疗技术的下一个十年，我们将会发现许多开创性的创新，其中一些我们今天只能推测。关键是将理论变为现实。在Daiger，我们专门将人工智能和机器学习的理论想法转化为为企业增加价值的可行解决方案。请联系我们或访问我们的网站以了解更多关于我们的服务。我们致力于将学习转化为为企业增加价值的可行解决方案。请联系我们或访问我们的网站以了解更多关于我们的服务。
