引言
AI已不再是仅在产品和战略规划中略显端倪的新兴技术。本报告发现，该技术已成为变革的催化剂——69%的受访组织报告称他们至少在推行一个AI项目，而28%已达到企业级规模。这些“AI先导者”已超越试点项目，将AI整合到他们的工作流程和商业模式中。
然而，随着技术的成熟和规模的扩大，也带来了一系列挑战。许多组织正在强烈地感受到AI模型对其数据基础设施施加的压力。为了训练AI模型所需的数据集越来越大，其中包含多种不同类型的数据，并且具备复杂的计算要求，这正在推动着传统的IT和数据架构的局限性。
这些基础设施和数据挑战因生成式AI的迅猛推进而愈发严峻。大约三分之一的受访者如今正在采用生成式AI，显示出在软件领域有着重要的导入，预计到2028年市场规模将达到360亿美元。为训练庞大的基础模型所需的显著计算能力、存储资源和网络资源已将组织置于困境之中，特别是在他们试图跟上生成式AI的突破步伐，并同时与现有的AI部署相结合。
然而，AI与IT基础设施之间的关系并不纯粹是对立的。组织还将机器学习视为推动效率提升的关键。类似的模式也在可持续性方面出现，AI既是挑战，也是实现企业可持续发展目标（CSG）的关键推动因素。
尽管通过AI/ML应用可以实现成本节约和效率提升，但2023年全球AI趋势报告显示，组织越来越多地希望利用AI来帮助开启新的收入来源。通过新的商业模式、创新产品和差异化服务利用AI/ML推动营收增长，正在迅速改变市场。
研究概述与关键发现
本报告对2023年AI采用状况进行了深入研究，并为可能的发展提供了关键的数据驱动洞察。该报告探讨了各行业成功AI项目的使用案例和价值驱动因素，以及组织在尝试扩展其AI应用时面临的数据管理和可持续性挑战，特别是那些没有投资于现代化数据架构和基础设施的组织。
在此研究的支持下，S&P全球市场情报调查了全球范围内的1500多名AI决策者和项目负责人，得出了七个关键发现：
- AI/ML在各行各业和组织内得到加速发展，但很少有企业达到真正的企业级规模。超过三分之二（69%）的受访组织至少推行了一个AI项目（“AI先导者”），而31%的受访者的AI项目仍处于试点或概念验证阶段（“AI探索者”）。此外，28%的调查受访者表示，他们的AI项目已达到企业级规模，并且带来了显著的商业价值。
- AI已从降低成本的措施转变为推动营收的驱动力，并正在重新定义市场。从超过1500名调查受访者中收到的5400多份回应中，69%的关于AI/ML项目背后动机的回应强调以营收为重点的驱动因素，而31%的回应则侧重于成本。在AI先导者中，70%的回应与营收驱动因素相对应，而在AI探索者中，有66%的回应与之相关，这表明随着AI计划的成熟，关注于AI推动营收的能力逐渐增强。
- 数据管理是影响AI/ML的主要技术障碍。在技术障碍方面，对于影响AI/ML部署最频繁的是数据管理（32%），超过安全挑战（26%）和计算性能（20%）。这表明许多组织当前的数据架构不适合进行AI革命。
- AI先导者采用混合方法和更多部署位置以支持AI/ML工作负载的需求。AI/ML工作负载可以在各种部署位置中运行，从公有云到企业数据中心，再到日益增多的边缘站点。在生产环境中拥有AI/ML项目的AI先导者（回应者的平均部署位置为3.2个用于训练，2.5个用于推理），比AI探索者（分别为2.9和2.3个位置）更多地利用了这些位置。然而，对于数据密集型和复杂的AI应用，公有云提供了更容易开始的选择；公有云是训练AI/ML模型（47%）和推理（44%）的主要部署位置。此外，那些使用公有云来运行AI/ML的人更有可能采用混合方法，其中包括更多的训练（平均为4.2个）和推理（3.2个）位置，而不使用公有云的回应者则为2.2和1.9个位置。
- AI/ML的能源消耗和碳足迹对企业的可持续性目标构成了压力，但云计算提供了改进的途径。组织受到AI/ML对其能源消耗和碳足迹的影响的挑战。超过三分之二（68%）的回应者表示他们关心AI/ML对其组织的能源消耗和碳足迹的影响。云计算为实现更大的AI可持续性提供了途径：74%的总回应者表示，可持续性是将工作负载迁移到公有云的重要或关键动因。
- 老化的数据基础设施和传统架构直接影响了AI/ML的可持续性表现。超过四分之三（77%）的回应者认为数据架构影响了他们的可持续性表现。
- 将数据和基础设施整顿井然的组织将在未来以AI领先。利用现代数据架构来克服重大数据挑战（来源、类型、需求等）的公司可以适应跨多个基础设施场所运行的AI/ML工作负载。
组织应该注意本报告的发现，将数据驱动的洞察视为基准，并将结果置于其组织独特情况的背景下，以指导他们在2023年及以后的AI战略。
AI正快速在企业级规模上成熟，影响到业务结果
AI项目和应用场景在企业内部已经基本达到了一个临界点，大多数调查受访者（69%）中至少有一个AI部署已转移到生产环境中。更详细的AI采用特征与测量其在整个企业中的影响相关，这可能包括多个AI项目、应用场景和部署，驱动当前和未来的业务战略。
在当前的企业环境中，AI项目的采用情况与其规模的差异相符。其中一些企业（28%）已经在业务各个领域广泛实施了AI，而另一些企业（30%）表示AI仍然只是一个较小的组成部分。然而，对于大多数组织而言，使用AI已不再仅限于一小部分IT或数据科学专家，而是成为一种跨职能的能力，被各个业务团队广泛使用。根据最近451 Research“企业之声”调查的回应，94%的受访者表示AI对于组织的数字化转型至关重要，我们预计组织将继续在其战略中扩大AI的作用。
尽管企业可以通过更好的数据管理和基础设施优化毫无疑问地从其数据中提取更大的价值，但它们正在充分利用其AI/ML部署。与许多其它自动化技术一样，AI的价值在许多情况下与成本降低相结合。调查受访者描绘了一个更多方面的价值主张，AI/ML直接推动了营收增长——开拓新的收入来源，推动销售计划，增强产品组合和服务。
组织通过提高产品和服务质量来提升其营收，确保客户从购买的产品和服务中获得他们所期望的质量和结果。生成式设计等AI工具帮助产品工程师提高创新速度，加速新产品的引入和开发过程。生成式AI应用场景是最新的营收驱动因素，如通过大规模个性化沟通扩展销售范围，实现与客户的直接交互，或提供预测性建议等，等等。
组织的IT基础设施和数据架构无法满足AI革命的需求
企业的IT基础设施和数据架构正在不断增长的AI工作负载下承受压力。业界关注点集中在GPU的成本和可用性上，但调查受访者呈现出一系列更广泛的瓶颈，其中大多数与数据管理紧密相关。数据是AI的生命线，但如果不加以控制，它很快就会成为一种障碍。拥有超过10000名员工的大型组织难以掌控所需的大量数据来训练AI模型。随着组织全面解决数据管理问题，部署位置、应用场景和利益相关者的日益复杂的生态系统带来了额外的挑战。
挑战始于用于训练AI模型的数据可以具有多种类型。这些类型包括66%的受访者使用的结构化数据，如数据库，以及52%的受访者使用的流媒体/实时数据，例如整个建筑设备群的IoT遥测数据。IT系统数据，包括日志文件（51%）和半结构化数据类型，如电子邮件（43%），可以用于IT运维或网络安全等关键IT AI应用。训练模型使用非结构化的丰富媒体数据（37%），包括图像，对于计算机视觉应用日益重要，而非结构化文本数据（35%）正在迅速成为生成式AI应用的主要数据来源。在考虑到这么多种数据类型时，维护数据标准化是一个挑战。更进一步的是，许多企业的IT基础设施不足（由41%的受访者提及），数据量庞大（50%），缺乏内部专业知识（38%）。管理数据治理以确保数据质量和合规性也受到内部技能不足（39%）和数据控制（37%）的阻碍。
一旦组织克服了这些重大数据挑战并开发出良好运作的概念验证，它仍可能面临转移到传统数据驱动应用的生产环境中的挑战，包括重新训练AI模型，实现最佳性能或扩展基础设施以满足所需的数据量。
尽管在短期内需要投入，但AI和现代基础设施为可持续性发展提供了路径
那些被反复引述的标语“数据是新石油”和“数据是新黄金”已经演变为“数据是新绿色”：企业正在努力将其潜在的数据财富变现。AI是一种催化剂，用来开启这些大量数据中的财富，创造新的收入来源，或者推动显著的效率提升和成本降低。
然而，成本节约和更多的资金不是AI能够提供的唯一“绿色”未来。AI还可以为可持续性倡议做出贡献，例如通过利用AI构建生态高效的产品（即生成式设计），优化供应链活动（运输、零部件采购等）以及监测和减少能源消耗。大多数调查受访者表示，这些由AI驱动的应用场景如今对可持续性表现产生中高影响。
组织正在利用这些有利于可持续性的应用场景来推动企业的可持续性目标（CSG）。在CSG项目成熟度方面存在一些小差异，31%的AI先导者正在执行一个正式的项目，产生了显著的影响，而AI探索者中有28%的人如此。此外，不同的地区也存在细微的差异：北美（34%）在CSG项目执行阶段的受访者比例最高，其次是亚太地区（29%）和欧洲、中东和非洲地区（28%）。
尽管组织正在通过使用强大但数据密集的AI/ML技术来解锁绿色解决方案，迅速发展其CSG项目，但处理大量数据也会带来环境后果：据估计，训练ChatGPT背后的神经网络模型GPT-3，其碳排放量超过5000亿吨。处理如此庞大的数据量对基础设施产生了影响，需要支持数据中心机架的电力、冷却水和暖通空调系统，实时数据处理和大规模存储，以及其它系统要求。考虑到这些效率挑战，即将出台的监管框架将规范组织的碳排放，以及将这些系统扩展到训练AI所需的总体需求，AI的成本与其潜在积极影响之间的平衡点可能变得模糊。
幸运的是，AI也是改善基础设施的手段，通过更高效地分配资源、通过自动配置和提高性能来优化工作负载，以及自动化IT任务。公有云为AI带来了明确性，AI先导者已经认识到其对可持续性改进的影响；40%的AI先导者表示，可持续性是将更多工作负载迁移到公有云基础设施的关键驱动因素，而AI探索者中只有25%这样认为。
基础设施现代化及其对可持续性的影响扩展到高性能计算（HPC）：84%的受访者认为HPC对于AI/ML应用至关重要，也是一个要求。此外，53%的那些在其组织中广泛实施了AI的人表示，数据架构对可持续性表现产生了显著影响，而只有少数AI项目部署的人中有27%这样认为。
要点在于，随着AI部署的扩大，非优化的IT基础设施成为增长的瓶颈，对可持续性的影响可能会很严重。将基础设施定位于AI增长对减轻最重要的两个可持续性挑战至关重要：过渡到更高效系统的高成本（46%的受访者）和启动项目（45%的受访者）。
对于AI领导者来说，将初期投资于现代化IT和数据基础设施视为必要，以支持未来的增长，并在可持续性项目中实现预期的成本或投资回报。
企业若能使其数据/基础设施井然有序，将成为未来AI领导者
在其最简单的形式中，现代数据架构维护数据生命周期，从其初始来源经过处理、分析（AI/ML）和存储（数据库、数据湖）到最终。由于存在许多传统流程、数据库、基础设施和系统，企业正转向公有云，以实现现代数据架构。在数据密集和复杂的AI应用中，公有云是一个常见的起点，也是训练AI/ML模型（47%）和推理（44%）的主要部署模型。
尽管公有云毫无疑问对于开发和部署AI/ML模型至关重要，但它们的生命周期需要在多个部署位置进行处理，需要采用混合方法。对于在生产中拥有AI/ML的AI先导者而言，这尤为明显，他们更有可能使用多个训练和部署位置，而AI探索者在试点/概念验证中拥有AI/ML，则可能仅在一个或两个位置运行AI应用以保持简单。具体而言，AI先导者平均使用3.2个部署位置进行训练，而AI探索者分别为2.9和2.3个。
这可以归因于几个重合的趋势。首先，AI/ML工作负载在生命周期的不同阶段和应用场景中自然地在多个部署位置之间产生引力。例如，自动驾驶汽车可以在其起点（设备/网关）使用一些AI/ML推理来导航驾驶环境，然后在网络操作员基础设施中优化车队的路线，然后再次在公有云中分析乘客历史记录或车辆性能。由于AI/ML有能力彻底改变边缘计算，反之亦然，这种共生关系可能是解锁下一代数据密集型AI应用场景的基础，例如计算机视觉、增强现实/虚拟现实、机器人等。边缘功能将反过来通过预处理、合规性、网络弹性和延迟敏感性，使AI/ML应用受益。
其次，那些已经扩展了AI应用场景的用户不受传统数据架构的局限，并不局限于单一的部署位置，而许多试点/概念验证可能仅在一个或两个位置运行AI应用以保持简单。然而，正如前面提到的，当处于生产中时，AI/ML自然会在多个位置之间运行。保持数据架构的卫生状况，以促进位置之间的无缝数据交换，最终是在生产中扩展AI的必要条件。
此外，AI先导者更有可能通过高性能计算来优化其基础设施；50%的AI先导者认为HPC至关重要，并且是AI/ML应用的基本要求，而AI探索者中只有30%这样认为。那些形成了现代数据架构并将其数据和基础设施“房子”井然有序的人，并不会因为跨足多个地点的数据生命周期的要求而感到沮丧——他们可以在不同场所高效地管理AI/ML数据生命周期，并推动AI项目的成功。
AI的价值因地区、行业和规模而异
组织从其AI投资中获得的价值因公司规模、地区和行业而异。在审视公司在扩展AI方面面临的挑战时，规模是一个显著的差异化因素——在某些情况下，公司越大，AI项目就越具有挑战性。大型企业倾向于利用其丰富的资源推动技术项目，但他们可能面临来自传统系统、变革管理和利益相关者支持方面的重大挑战。
虽然仅有58%的营收在1亿美元至4.99亿美元之间的组织在生产中使用AI，但营收在5亿美元至50亿美元之间的组织中，这一比例升至82%，然后在营收超过50亿美元的组织中降至76%。AI的区域影响因地缘政治力量、对自由市场的支持、监管环境的执行以及对人才的获取等因素而异。
在每个行业中，价值推动因素和业务成果被视为提升组织竞争地位和优化运营的主要关注点。例如，在制造业，鉴于普遍存在的技能缺口和劳动力短缺，许多制造商将提高工作场所生产力视为优先事项。而在医疗保健领域，患者满意度被认为至关重要，组织将服务质量和患者结果定位为差异化因素。这些价值推动因素（“为什么”）代表了AI/ML在各行各业中实现业务成果的关键，而创新的应用案例（“什么”）则利用AI/ML启用技术来解锁预期价值。
航空航天和国防
航空航天和国防领域致力于确保飞机、无人机、无人机和太空系统的质量和稳定性，以支持严格的安全合规要求。这种对质量和安全的强调始于对产品开发和制造过程的密切关注，数字孪生技术通过复杂的“假如”模拟来预测工厂中的结果。AI/ML能够迅速摄入大量图像数据，支持计算机视觉推理模型，在无人机或自动化车辆等自主系统上做出关键性即时决策。
汽车
汽车制造商继续优先考虑提高他们设计、制造、发货和推向市场的速度，以及增加新车的整体生产量。为了支持这一点，他们正在寻求利用AI来优化制造流程，并更准确地预测运营数据和工业系统中的模式。这种可预测性使汽车制造商能够提高设备的整体效能（OEE）、吞吐量、产品质量和其它制造效率指标。鉴于巨大的数据量和处理需求，不难理解自动驾驶汽车研究和部署是汽车领域的头号AI应用场景；2022年，来自辅助/自动驾驶功能的汽车上数据生成量预计从40亿GB增加到2030年的500亿GB。
教育
教育工作者将AI作为教学工具、高级研究方法以及装备学生开发模型和获取数据科学技能的手段。管理人员还利用AI来招募学生和教职员工，通过整理包括技能、经验、认证和其它资格等在内的数据。许多大学资助和开发AI加速器，以支持机器人、医学、公共卫生、生命和环境科学等领域的研究和发现项目。
能源/石油与天然气
能源和石油天然气公司专注于通过AI提高其产品和服务的质量，并通过AI提高工人的生产力。为了支持这些结果，他们将预测性维护和流程优化列为他们的前两个AI应用场景。AI还可以积极影响可持续性努力，利用AI来减少碳足迹在能源领域中排名较高。
金融服务
近一半的金融服务受访者报告投资于数字和数据安全。除了支付处理和金融预测外，诈骗检测和防范也是许多企业关注的焦点。作为一种模式识别工具，AI在提高识别欺诈账户和付款交易准确性方面具有巨大价值，它越来越多地与低延迟和数据密集型应用相结合，包括算法和高频交易。
政府
监管环境正在推动国家和地方政府迅速发展AI/ML能力。这可能包括优化工作，如交通流分析以减轻拥堵，或预测性维护以更好地预测基础设施等重要资产的停机时间。
生命科学
制药公司重视最大化其制造能力以满足需求。除了持续的制造活动外，AI还可以通过加速研发中的药物开发以及完成繁琐的合规流程来提高价值，这可以加快上市时间。此外，生物成像是一种新兴的非侵入性技术，可以更准确地识别疾病和其它异常。AI模型可以摄入大量的健康和患者数据（例如记录、图像），并利用这些数据进行预测和潜在诊断。
媒体与娱乐
AI可为内容推荐和个性化带来益处，这一角色已从仅仅在客户数据中提取模式演变为算法策划，甚至是通过生成性AI实现个性化内容的创作。这些内容开发和个性化的进步对于媒体与娱乐公司来说，改善消费者体验和实现产品与服务的差异化至关重要。
结论
本报告呈现了一系列新兴和持续创新，推动了前所未有的创新速度。在各个组织中，有相当一部分（尽管在运营地区、行业和规模上可能存在微小差异）已经做好了迎接这股AI创新浪潮的准备。
许多属于“AI先导者”类别的企业已经优化了他们的基础设施，整理了数据，“收拾好家务”，为开发新的AI应用案例和扩展现有案例奠定了基础。拥有这种健全数据环境的组织将视AI为推动可持续性和创造新商业价值的机会，而不仅仅是成本中心。
AI不再仅是未来准备的议题，而是现在开始利用其价值的时刻。那些仍在制定AI准备计划的公司可能需要加快步伐。AI正迅速成为推动收入的因素，组织必须开始贯彻执行战略，推动长期增长。
不应忽视可持续性，以换取短期成本的关注。在选择标准中，成本和可持续性不应被视为竞争性的权衡。这样做忽视了两个目标之间的长期对齐。在IT架构、运营和供应链中，AI在提高效率以及推动可持续商业模式和应用场景方面至关重要。投资于现代化数据架构可能会降低组织的长期能源使用和环境影响。
为AI基础设施和数据战略做好准备，使其能够扩大和扩展。随着AI项目从试点和概念验证转向生产和规模化，组织需要计划一系列数据和基础设施环境，用于数据准备、训练和推理，包括为应对多样化应用场景所需的变化。虽然许多项目在云中启动，但延迟和数据主权等因素可能会促使组织投资于支持从核心到边缘的数据架构。从AI项目的初期就培养“为扩展而准备”的思维，以确保在全企业范围内实现无缝推广所需的适当投资。
企业有机会重新塑造AI的价值创造方式，以推动收入增长或振兴运营以提高利润。每家公司都必须根据自身情况制定独特的AI领导之路。