KeyFrame內部研究專用

最强AI进厂竟是“摆设”?不敢碰核心业务,砸再多钱也白烧!

算力女粉丝·7月29日週三·8 min中文

三句話摘要

企業 AI 轉型的真實困境:不是 AI 不夠聰明,而是企業不敢把核心業務交給 AI,更缺乏將 AI 融入業務流程的深度改造。 企業 AI 轉型的核心不在工具而在流程改造——整合模型、數據與業務才能释放 AI 的真正價值,這也是現階段企業最缺乏的能力。 工作流程重構而非工具疊加:企業目前只是把 AI 套用到既有流程以加速(發票快 20%、文案快等),但真正的價值在於從零設計 AI 參與的新流程——招聘系統從被動存儲變成主動判斷候選人、推薦面試問題。

重點整理

重點
  • 1

    工作流程重構而非工具疊加:企業目前只是把 AI 套用到既有流程以加速(發票快 20%、文案快等),但真正的價值在於從零設計 AI 參與的新流程——招聘系統從被動存儲變成主動判斷候選人、推薦面試問題。

  • 2

    企業 AI 應用須有深度與專業性:通用大模型只有「廣度」,能寫文章、查資料;企業需要「深度」——AI 懂公司業務、識別風險點、可靠可控。特斯拉自動駕駛也是靠積累真實駕駛數據與極端情況訓練,單靠最新模型遠不夠。

  • 3

    SaaS 無觀點轉向 AI 有觀點:傳統軟件是中立容器(你定義輸入輸出);未來 AI 應用會主動給意見——告訴你文案不達標、應該這樣改、建議問這些問題,讓普通員工變聰明,企業需要更少的人。

  • 4

    Token 成本下降是長期遊戲:現在 Token 價格是 2 年前的 2-4 倍,因為算力服務免費用戶、企業成本被抬高。未來 3-5 年晶片效率提升、模型優化,價格可能跌至十分之一,那時拼的就是誰能真正改造業務流程。

實用技巧與重點

乾貨
  • 時間框架:未來 3 年內
  • 人員削減預測:G&A 型部門(行銷、財務、人資)員工減少 50%
  • 現有效率提升:發票處理快 20%
  • 企業員工現狀:約 90% 不懂真正用 AI
  • AI 使用量差異:最會用 AI 的員工 Token 消耗量可能是普通員工的 20 倍
  • 成本參考:現在 Token 價格約為 2 年前的 2-4 倍;未來 3-5 年預計降至現在的十分之一
  • 具體案例:特斯拉自動駕駛需要大量實際路況數據與極端情況訓練(突然出現行人、前車緊急制動等)
  • 招聘流程改造示例:AI 直接分析所有履歷 → 推薦面試候選人 → 提示應問的問題 → 標記前輪遺漏的重點 → 通知面試官執行方案

結論

結論

企業 AI 轉型的核心不在工具而在流程改造——整合模型、數據與業務才能释放 AI 的真正價值,這也是現階段企業最缺乏的能力。

完整解析

詳細

現在的企業 AI 轉型面臨一個尷尬現實:嘴上說要大力用 AI,但真正涉及發工資、財務決策、網路安全漏洞這類真金白銀的事,沒有幾家公司真敢交給 AI 決策。全球最大網路安全公司的領導人尼特使在最近的論述中指出,問題並非 AI 不夠聰明,而是企業在用 AI 的思路上根本就沒入行。

企業對 AI 的誤解可以分為兩個層面:廣度與深度。消費級 AI 拼的是廣度——什麼都能做,寫文章、查資料、畫圖。用 ChatGPT 寫投資備忘錄,銀行家可能要花好幾天,AI 幾分鐘搞定,人工檢查修改一下就行。但企業場景完全不同。一旦 AI 開始做決策,犯錯代價就會迅速擴大。比如 AI 負責招聘或網安審核,一個決策錯誤可能直接讓公司虧錢。所以企業需要深度定制的 AI——它要懂公司的流程和數據,知道哪些環節容易出問題。特斯拉的自動駕駛就是最好的例子:不是單靠最新的視覺模型,還需要積累大量真實駕駛數據,不斷訓練應對各種極端情況(突然出現行人、前車急煞車等)。這些經驗在公開訓練集根本找不到。

現在很多企業的做法都踩了坑。管理者看到 AI 就想:能不能讓現有工作快一點?於是發票處理快了 20%、會議總結快了、文案生成也快了。這些當然有價值,但尼特使認為真正的機會在於徹底重新設計工作流程。拿招聘舉例,以前的招聘軟體就是存儲系統——收集履歷、安排面試、記錄評價。未來的 AI 招聘系統可以直接分析所有候選人,告訴招聘官哪些人更值得見面、應該問什麼問題、前面幾輪面試遺漏了什麼重點。這時 AI 做的已經不只是整理數據,而是參與判斷和決策。這也是傳統 SaaS 和 AI 應用的本質區別:SaaS 沒有觀點,AI 應用有觀點——它會直接告訴你東西不合格應該怎樣改。這樣員工的工作方式自然改變,以前需要好幾個人協作的事,未來可能一個人配合 AI 就能做完。

不過更深層的問題是,企業目前還處於 AI 轉型的最早期。現在 Token 價格很貴,是因為算力供應不足——購買算力成本是兩年前的 2 到 4 倍。同時,大量算力正在服務免費或低價用戶(ChatGPT、Claude、Gemini),模型公司很難從普通用戶賺夠錢,導致企業端成本被抬高。但尼特使預測,未來 3 到 5 年晶片性能提升、模型效率改進、算力供應增加,Token 價格可能降至現在的十分之一。一旦成本足夠低,企業不會少花錢,反而會用得更多。那時真正的競爭就不是誰能買到最強模型,而是誰能真正推翻舊流程、重新設計公司運營方式。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。