上个月，DeepSeek发布了其R1推理模型（现在显然改名为DeepThink），其功能类似于OpenAI的o1。DeepSeek的重要性不在于其基准测试结果；因为有很多模型的表现与o1相当。真正重要的是，它似乎只用了可比模型十分之一的资源进行训练。把更多硬件投入问题中，通常不是获得良好结果的最佳方式。

人工智能

新的GenAI基础模型每两天半发布一次，但几乎一半的CIO表示，AI未能达到预期的投资回报率（ROI）。

通过确定组织的AI进展速度并采取正确的下一步行动来应对这一矛盾
 

扩展人工智能需要对组织进行盘点

人工智能已经取得了长足的进步，每两天半就会发布一次新的GenAI基础模型。尽管创新速度很快，但近一半的首席信息官表示，人工智能没有达到投资回报率的预期。这种二分法给组织带来了一个独特的挑战：在人工智能的炒作和潜力与实现切实成果的现实之间取得平衡。74%的首席执行官认为人工智能将在2024年对其行业产生重大影响，高于2023年的59%，这一事实突显了这种紧迫性。不用说，理解和实施人工智能战略比以往任何时候都更加重要。
本文来源于Gartner IT Symposium/Xpo 2024的主题演讲，强调了人工智能领域的双重性质。随着人工智能技术的快速发展，对扩展人工智能感兴趣的组织必须根据自己的速度和野心决定是采用人工智能稳定还是人工智能加速的方法。

为了扩大AI规模并推动AI的采用，首先要明确你的AI目标。

尽管你的组织可能只是在进行其中的第二场比赛，但了解这两者都非常重要。

没有任何银行能逃脱#GenAI海啸的影响，但目前对其影响和应优先关注的事项仍存在很大困惑。以下是我对最佳实践的看法。

清除困惑的第一步是理解哪些是主要的影响领域及其原因。这不仅仅是关于用例的问题，更是关于破坏和转型。

这是我的优先清单：

提示 #1：SPIN销售的解决方案销售方法
"利用SPIN销售技巧（情境、问题、影响、需求回报）来识别客户痛点并提供量身定制的解决方案。通过提问揭示客户需求，提出解决方案来解决特定问题，并强调解决方案的好处和价值主张。输入：列出客户可能提出的常见反对意见或障碍。给出这个答案后，请询问我提供的定制输入，然后基于这些输入运行提示。"

生成式AI为各职能领域提供创造价值的机会
按职能划分的生成式AI应用场景（非详尽列举）

Anthropic的研究提供了一个清新且理性的视角……

Anthropic的研究强调以实际应用和用例为导向的解决方案，尽可能简单，同时注重可解释性、可观察性和可检查性。

它警告不要在不了解其内部工作原理的情况下采用某些框架，因为这可能导致意想不到的行为。

尽管AI代理有其用处，但它们并非总是最佳解决方案——工作流往往更加合适。

有些公司可能推销特定的框架来销售其技术堆栈，而忽视最佳实践，或者在实现业务目标时妥协，未选择最优化和最合适的路径。

他们的主要观察是，最成功的实施往往避免使用复杂的框架或专业库，而是倾向于选择简单、可组合的模式。

在使用大型语言模型（LLM）时，他们建议从最简单的解决方案开始，只有在必要时才增加复杂度。

有时候，这意味着根本不构建代理系统，因为这些系统通常通过牺牲延迟和成本来换取更好的任务执行效果，而这一权衡应该仔细考虑。