《2024 年全球人工智能趋势报告》：GPU、数据架构依然是巨大挑战

导语：对于众多行业用户而言，了解人工智能如何改变行业、如何利用人工智能保持领先地位，已成为一道时代的必答题。全球著名调研机构WEKA近日正式发布《2024 年全球人工智能趋势报告》，该报告基于全球1500+名人工智能决策者的深度调查，覆盖金融、政府、医疗保健等多个行业，通过今年的调研解锁应对快速发展的人工智能领域的关键见解和策略。 

介绍

《2024 年人工智能全球趋势报告》深入探讨了人工智能采用的基本趋势。

在去年报告中，WEKA探讨了在生产中成功运行人工智能的组织与未成功运行人工智能的组织之间的差距。

今年研究中，WEKA重新审视了人工智能领导力主题，借鉴领先组织正在采取的一些关键实践，同时深入探讨塑造人工智能战略的价值驱动因素、基础设施决策和环境实践。

为开展这项研究，标准普尔全球市场情报调查了 1,500 多名全球人工智能决策者，并就人工智能项目和计划进行一对一访谈。

主要发现

1、人工智能的采用继续以惊人的速度进行，该技术越来越被视为一种嵌入式和战略能力。

• 人工智能计划正在迅速成熟：2023 年，调查受访者仍在很大程度上尝试人工智能，或者在其组织的小部分进行局部部署。今年，报告显示人工智能成熟度水平发生了根本性转变大多数受访者表示，人工智能“目前已在其组织中广泛实施”并“推动着关键价值”。
• 产品改进和运营效率是关键的投资驱动因素：组织越来越多地应用人工智能来提高营收和竞争优势，其中提高产品或服务质量 (42%) 是最受欢迎的目标，许多组织的目标是增加收入增长 (39%) ）。同时地，组织认识到通过提高员工生产力 (40%) 和 IT 效率 (41%) 以及加快整体创新步伐 (39%) 来提高运营效率的潜力。

2、许多人工智能项目无法扩展——遗留数据架构是罪魁祸首。

人工智能项目面临数据基础薄弱的挑战。遗留数据架构阻碍了更广泛的部署。

• 实现规模仍然是一个挑战：组织在实现人工智能项目的预期覆盖范围方面面临着重大挑战。组织平均有 10 个项目处于试点阶段，16 个项目处于有限部署阶段，但只有 6 个项目处于规模部署阶段。
• 高质量数据的可用性是一个主要障碍：数据质量是将人工智能项目投入生产的最大挑战。项目团队面临的挑战并不大，关于识别相关数据及其可用性；组织正在努力为项目构建一致、集成的数据基础。
• 现代化数据架构对于成功至关重要：鉴于此，毫不奇怪，最大比例的受访者 (35%) 将存储和数据管理视为阻碍人工智能部署的主要基础设施问题 — 明显高于计算 (26%)、安全性 (23 %）和网络（15%）。

3、生成式人工智能已迅速超越其他人工智能应用。

生成式人工智能在短时间内获得了巨大的关注。人工智能开拓者正在实现具体的效益，并准备增强其竞争优势。

• 生成式人工智能是焦点：令人惊讶的是，88% 的组织正在积极研究生成式人工智能，远远超过其他人工智能应用，如预测模型 (61%)、分类 (51%)、专家系统 (39%) 和机器人技术 (30%) ）。
• 生成式人工智能的采用正在呈爆炸式增长：尽管进入市场的时间相对较短，但 24% 的组织表示，他们已经将生成式人工智能视为在整个组织中部署的集成功能。只有 11% 的受访者根本没有投资生成式人工智能，而大多数组织都在积极地将这种投资转化为规模化的集成能力。
• 生成式 AI 开拓者预计将增强其竞争优势：已在整个组织中集成生成式 AI 的组织计划继续增加投资：预计生成式 AI 预算将在未来 12 个月内达到其 AI 总预算的 47%。在这些生成式人工智能应用的先驱者中，大多数都看到该技术在各个目标效益方面产生的重大积极影响。鉴于那些仍处于生成式人工智能项目实验阶段的公司在组织创新、新产品开发和上市时间方面并没有看到同样的增长，可能会增强已经规模化采用生成式AI技术的组织的竞争优势。

4、GPU 的可用性继续受到限制，从而影响基础设施决策。

对 GPU 的访问是组织的主要关注点；GPU 云可以提供可扩展的解决方案。

• 访问 GPU 仍然是一个挑战：十分之四的受访组织表示，访问 AI 加速器是其基础设施决策中的首要考虑因素，30% 的组织将 GPU 可用性列为将 AI 模型投入生产过程中面临的三大最严重挑战之一。
• 地区压力依然存在：在某些地区，特别是亚太地区，缺乏 GPU 限制了组织部署人工智能；38% 的印度组织将加速器访问视为将人工智能项目投入生产的三大挑战之一。
• 超大规模和 GPU 云是公司访问 GPU 的关键渠道：对加速器的需求促使 46% 的受访组织利用超大规模公共云进行模型训练，并且越来越多地利用专业 GPU 云提供商 (32%)。

5、对人工智能对环境影响的担忧持续存在，但并没有减缓人工智能的采用；可持续的人工智能实践提供了减少排放的机会。

人工智能对环境和能源的影响仍然是许多组织需要面临的一个突出问题，但这并没有减缓投资人工智能项目的决定。许多组织看到可持续发展实践产生了有意义的影响，因此有一个明显的机会来应对排放挑战。

• 对人工智能能源和碳影响的担忧依然突出：近三分之二 (64%) 的组织表示，他们担心人工智能/机器学习 (ML) 项目对其能源使用和碳足迹的影响；25% 的组织表示他们非常担心。
• 采用可持续数据基础设施技术是一个重点领域：显然，技术提供商的可持续发展证书变得至关重要，42% 的组织表示他们已投资节能 IT 硬件/系统，以解决人工智能对环境的潜在影响倡议超过过去 12 个月。其中，56% 的人认为这产生了“高”或“非常高”的影响。其他人发现，数据基础设施供应商（59%）和人工智能项目范围（57%）的改变产生了“高”或“非常高”的影响。
• 可持续性是人工智能决策中的一个重要因素，但不是主要因素：超过四分之一 (30%) 的组织表示，可持续性举措是人工智能采用的驱动力，因为他们希望应用人工智能来提高能源效率和减少排放。虽然这一点值得注意，但事实上，可持续性是总体上最少被提及的驱动因素。即使以节能举措为目标，实现可持续发展目标也会让位于节省成本和提高运营效率作为主要目标。在对人工智能基础设施决策影响最大的所有问题中，可持续性处于中间位置：37% 的组织将其列为优先事项，但其排名被安全性 (47%) 和人工智能获取等更突出的问题所超越加速器（44%）。

定义人工智能领导者

过去一年里，人们对人工智能的看法发生了迅速变化，人工智能的战略作用也发生了迅速变化。人工智能的成熟度已经发展到绝大多数组织在生产中都拥有某种形式的人工智能，因此“有”和“无”的比较几乎没有分析价值。

相反，正在出现的分歧似乎是那些能够利用最新技术突破并大规模应用的组织和那些不能利用最新技术突破的组织。

随着过去十年中最重大的人工智能突破和技术创新，生成式人工智能作为战略要务是不可避免的。那些快速有效地利用这一技术突破的公司正在远离追赶者。

基于这些假设，我们将人工智能领导者定义为那些报告了以下成就的人：

• 生产环境中的 AI/ML 项目对关键运营产生实际影响。
• 在整个组织中广泛实施人工智能/机器学习，其规模远大于有限且孤立的人工智能项目。
• 利用这十年来最重大的技术突破（生成式人工智能），并将其定位为跨业务和工作流程的集成功能。
• 市场前 10% 的企业采取了多种独特的做法，使他们在报告的五个关键主题中与大多数组织区分开来。

图 2：谁是2024年人工智能领导者

2024 年人工智能领导者的构成和特征存在一些明显的差异。

• 行业：医疗保健受访者 (18%) 的人工智能领导者比例高于其他行业。
• 公司规模：拥有更多资本、资源、人工智能技能组合以及通常更成熟的数字化转型项目的企业 (16%) 在人工智能领导者中比例领先于其他公司规模。
• 地区：北美 (16%) 的人工智能领导者比例明显高于亚太地区 (8%) 和欧洲、中东和非洲 (6%)。促成因素可能是更多地从行业和教育机构获得人工智能人才，以及风险投资和资本的区域可用性。
• 商业模式：与其他组织相比，人工智能提供商 (15%) 更有可能被视为人工智能领导者。然而，这种差异并不像人们想象的那么明显。在某些情况下，人工智能提供商尽管为客户构建了人工智能解决方案，但不一定在自己的公司内完全实现功能。

AI应用现已在企业中普及；对产品质量和 IT 效率的投资是首要任务。

去年，人工智能在许多组织中的角色发生了变化，从总体战略的次要组成部分转变为关键的嵌入式功能。

关键见解：

• 人工智能最常见的采用状态已从 2023 年更广泛战略的次要组成部分转变为目前广泛实施并在 2024 年推动关键价值。
• 提高产品或服务质量以及通过 IT 效率节省成本是开发 AI 应用程序的主要驱动力。
• 许多战略目标（例如缩短上市时间和获得产品或服务差异化）受到越来越多的关注。

人工智能正成为许多组织战略的一个基本面，越来越被视为需要关键战略和需要广泛实施。表示人工智能是其组织中“更广泛战略的次要组成部分”的受访者比例比去年的调查减少了一半，而认为人工智能“广泛实施，推动关键价值”的受访者比例从 28% 增加到 33% %，成为最常见的答案。对于北美受访者来说，这一比例甚至更高，为 48%，而亚太地区 (26%) 和欧洲、中东和非洲 (25%) 则更高。

人工智能的影响范围不仅限于实施的广度，还包括该技术的战略影响。从历史上看，人工智能的价值主张一直与降低成本密切相关。例如，之前机器人流程自动化方面的人工智能进步与减少员工数量或降低外包成本等目标密切相关。并不是说人工智能带来的成本降低机会正在被挤出。事实上，通过提高 IT 效率来节省成本是人工智能的第二个最受欢迎的目标。相反，成本驱动因素正在与更具战略性的目标相结合。例如，在我们的调查中，超过三分之一 (39%) 的受访者将收入增长视为人工智能计划的关键驱动力。如图 3 所示，公司不仅试图利用人工智能实现比去年更多的目标，而且他们还看到了与收入驱动因素更清晰的一致性。与去年相比，他们明显更加意识到人工智能可用于获得产品差异化并缩短上市时间的机会。

图3：人工智能应用开发驱动因素的同比变化

人工智能领导者正在采取哪些不同的做法？

领导者将更广泛的目标视为驱动其人工智能战略的目标。这种目标的分散有助于更好地了解人工智能在哪些方面可以发挥最大的影响力。它还为投资人工智能奠定了更强有力的商业案例基础，有助于建立一个能够吸引更广泛利益相关者的叙述。

许多人工智能项目未能规模化；遗留数据架构是罪魁祸首

人工智能日益增长的战略重要性正在推动跨企业的举措显著增加。广泛的实验和教育是组织的不鼓励行为。然而，由于数据挑战的阻碍，缺乏明确的价值识别途径的项目正在扼杀这一机会。人工智能项目面临着在有限的部署炼狱中停滞不前的风险，耗费公司的金钱、时间和资源，同时也达不到预期的使用水平。各种举措正因数据孤岛、数据质量差以及数据和模型管道无效而陷入困境。

关键见解：

• 在一般组织中， 51%的人工智能项目已投入生产，但尚未大规模交付。
• 将人工智能项目转移到生产环境时，数据质量是最大的障碍。
• 35%的组织认为，存储和数据管理是人工智能计划最常见的基础设施阻碍因素；然而，那些广泛实施人工智能的人对这些挑战的感受却不那么强烈。

随着组织投资将人工智能应用于不断增长的目标，组织的项目流程中正在出现一个问题。虽然更多的举措已流向人工智能项目团队，但仍有一些举措仅得到部分部署。如图 4 所示，平均而言，受访组织拥有更多被归类为部署有限的生产项目，而不是规模扩大的项目。在追求新举措时，许多组织可能无法最大化其现有投资的价值。问题的关键似乎是数据质量和可用性，遗留数据架构导致许多组织中的管道中断。

当组织将项目从试点转向生产时，数据质量是最常见的挑战。如图 5 所示，数据质量问题（42% 的组织将其视为三大障碍之一）甚至比技能短缺 (32%) 和预算限制 (31%) 更为重要。媒体和娱乐 (59%)、高等教育 (53%) 以及航空航天和国防 (48%) 领域的组织尤其强烈地感受到数据质量挑战。

图4：许多项目未能从有限部署过渡到大规模交付

数据质量的挑战并不是缺乏构建高性能模型的数据，而是数据的设置方式不适合项目团队可以充分利用的方式。当被特别要求对将项目转移到生产环境的主要数据挑战进行排名时，受访者表示，质量数据的可用性是比识别相关数据更显著的障碍。34% 的组织将高质量数据的可用性视为三大数据挑战，仅次于数据隐私问题 (35%)，很明显，许多组织在有效数据管理方面的设置很差。

遗留数据技术似乎是这些数据管理缺陷的主要原因。数据管理和存储最常被视为抑制人工智能应用程序开发的基础设施组件。超过三分之一 (35%) 的受访者认为它们是比安全 (23%)、计算 (26%) 和网络资源 (15%) 更严重的问题。

显然，最有效地扩展人工智能计划的组织较少受到这些数据管理和存储组件的限制。在表示人工智能在其组织内得到广泛实施的受访者中，只有 28% 的受访者认为存储和数据管理挑战是最大的阻碍因素；相反，他们感受到来自网络或计算资源的更大压力。相比之下，42% 的受访者认为人工智能仅限于组织内的少数用例或项目。大规模提供人工智能的组织似乎专注于投资升级用于存储或管理数据的系统和技术。

图 5：组织将 AI/ML 应用程序从试点环境迁移到生产环境的三大障碍

这项投资似乎很关键，因为数据管理和存储缺陷正在渗透到人工智能项目生命周期中，组织正在努力有效地为模型构建和部署准备数据。许多组织报告称，人工智能计划最具挑战性的方面是数据预处理阶段（见图 6）。尽管越来越多的组织表示过去 12 个月中人工智能已在其组织内广泛实施，但这些数据预处理步骤的性能并没有同比出现有意义的改进。让人工智能项目上线，但由于数据基础薄弱而限制了其价值或可扩展性，为探索早期阶段的下一波举措树立了一个糟糕的先例。

图 6：组织发现人工智能生命周期的早期数据步骤与模型构建一样具有挑战性

对于许多组织正在采取的对数据日益渴求的人工智能战略来说，不成熟的数据管理工具集是一个令人担忧的背景。超过四分之三 (80%) 的受访者预测未来 12 个月用于开发人工智能模型的数据量将增加，只有不到一半 (49%) 的受访者预测数据量的增长将超过25%。但也许更根本的是，数据管理投资不足的组织面临的挑战可能会带来新的数据相关压力，特别是组织用于模型训练的数据类型的混合。自 2023 年以来，使用非结构化富媒体和文本数据进行人工智能计划的组织比例有所增加，过时的数据管理技术可能会阻止组织有意义地交付这些项目。

人工智能领导者正在采取哪些不同的做法？

领导者不太可能将存储和数据管理视为主要阻碍因素，大概是因为这些公司已经优先考虑实现数据架构现代化。通过从一开始就建立坚实的数据基础，人工智能领导者确保了有价值的试点项目拥有清晰的大规模交付路径。

生成式人工智能已迅速超越其他人工智能应用

各组织纷纷投资生成式人工智能，其兴趣超过了其他已经长期存在的人工智能形式。随着投资爆炸式增长的尘埃落定，一小群生成式人工智能先驱者已经出现。这些组织拥有更广泛的集成能力，并从围绕新产品开发、增强创新和更快上市时间的技术中看到了显著的竞争优势。随着生成式人工智能先驱者开始在自己与他人之间建立由投资和基础设施优势形成显著差距，这些竞争优势可能会增强。

关键见解：

• 88%的组织正在积极研究生成式人工智能。
• 24% 的人已经认为生成式人工智能已经发展成为整个组织的综合能力。
• 大多数生成式 AI 开拓者认为生成式 AI 计划对提高创新率 (79%)、支持新产品推出 (76%)和缩短上市时间 (76%) 具有“高”或“非常高”的影响等竞争差异化领域。

生成式人工智能是 2024 年企业人工智能战略的驱动力。绝大多数组织 (88%) 正在积极研究生成式人工智能模型，以创建全新的数据或内容。这种兴趣远远超过了人工智能的长期存在形式，例如预测模型（61％）、分类（51％）、专家系统（39％）和机器人（30％）。考虑到生成式人工智能的意识直到 2022 年底才开始兴起，而且企业级解决方案仍在开发中，这证明了对其变革潜力的认识。大多数受访者还对假设的通用人工智能（在所有认知任务上都可以超越人类的模型）表示了兴趣，这表明许多组织都在关注人工智能不断发展的前景。

这种兴趣正在转化为投资。未来 12 个月内，生成式 AI 预算平均将从占 AI 总预算的 30% 增长到 34%。许多高级管理人员敏锐地意识到该技术的影响，并认为需要加快投资路线图。

人工智能领导者正在采取哪些不同的做法？

领导者正在投资更广泛的人工智能类型，更有可能与机器人、专家系统和分类模型以及生成式人工智能一起参与。这一扩展的产品组合使他们能够找到能够满足不同业务需求的解决方案，并促进将这些技术整合在一起的更全面的方法。

生成式人工智能的采用正在迅速进展。如图 7 所示，一组开拓者（24% 的组织）已经将生成式 AI 投资升级为扩大生产能力。相比之下，11% 的公司尚未投资生成式人工智能，29% 的公司仍在试验该技术，37% 的公司已将生成式人工智能投入生产，但尚未规模化。对于一项于 2022 年 11 月推出 ChatGPT 后才进入公众意识的技术来说，这是一个了不起的接受程度。

集成并广泛部署生成式人工智能的组织可以获得广泛的好处。重要的是，这些好处在提供竞争优势的领域中很常见。超过四分之三 (79%) 的开拓者认为生成式人工智能对其创新率具有“高”或“非常高”影响，76% 对上市时间有“高”或“非常高”影响，76% 对支持新产品推出有影响，74 % 的人关注产品或服务质量的改进，67% 的人关注产品和/或服务的差异化。这些水平超过了“人工智能成熟度较低”的组织，这表明生成式人工智能的相对采用可能会塑造行业的赢家和输家。未能快速开展有意义的生成式人工智能项目的组织，最终可能会输给那些有能力的组织。

未来的投资水平似乎正在为这些开拓者扩大其优势奠定基础。生成式人工智能先驱者投入巨资以引领潮流。成功将生成式人工智能升级为综合能力的组织平均将 44% 的人工智能预算投入生成式人工智能，这一投资水平明显高于其他组织。处于生成式 AI 成熟度早期阶段的公司平均投资 26%。开拓者公司将进一步扩大生成式人工智能预算，继续对人工智能成熟度较低的组织进行投资。

生成式人工智能先驱者的支持基础设施和策略更加复杂。他们使用更广泛的场所进行人工智能模型训练和推理。然而，更根本的是，在人工智能基础设施规划方面，他们考虑了更多因素。与未进行同等程度投资的组织相比，他们在规划基础设施时更有可能考虑安全性、人工智能加速器访问、数据隐私、可扩展性、客户支持以及人工智能工具和框架的访问。与那些尝试生成人工智能的人相比，这些开拓者不太可能考虑的唯一因素是前期成本，他们认为前期成本不如长期运营支出重要。通过在基础设施决策之初考虑这些因素，这些组织可以确保这些问题不会随着项目的进展而出现。

人工智能领导者正在采取哪些不同的做法？

与其他投资生成式人工智能的组织相比，人工智能领导者优先考虑了生成式人工智能计划，以提高创新率和提高 IT 效率。通过优先考虑这些领域，他们创造了一个良性循环，其中增加的创新促进了生成式人工智能的进一步使用，简化的 IT 流程确保了可持续和有效的交付。

GPU可用性继续受到限制，影响基础设施决策

人工智能加速器在优化人工智能性能方面发挥着重要作用。这些专用硬件设备（最突出的例子是 GPU）旨在加速模型训练和推理；对于 AI 工作负载，它们比 CPU 更快、更高效。组织可能会面临访问 GPU 的挑战，这种稀缺性正在提升他们在基础设施规划中的地位，并鼓励采用专业的人工智能云计算平台。

关键见解：

• 除了安全性之外，基础设施决策中的首要因素是加速器可用性， 44%的组织认为这一点。
• -超大规模公共云是使用 GPU 的途径之一，但许多人也转向专业的人工智能云。GPU 云正在成为培训（近三分之一（ 32%）的组织）和推理（31%）的重要场所。
• -在一些地区，特别是在亚太地区，缺乏人工智能加速器已经限制了组织将模型转移到生产中。

主要的基础设施决策因素涉及安全性、人工智能加速器访问以及可靠性和可用性。如图 8 所示，人工智能加速器的使用排名很高，甚至超过了运营成本和灵活性等长期关注的领域。电信公司 (53%)、高等教育机构 (53%) 和制造组织 (51%) 特别重视这种访问。

超大规模公共云为寻求 GPU 的组织提供了重要途径，但它们并不是唯一的选择。虽然超大规模云计算是最受欢迎的人工智能训练和推理场所，分别有 46% 和 40% 的组织认为，但专业人工智能云已成为辅助甚至替代场所。 GPU 云的受欢迎程度呈爆炸性增长，反映出对 GPU 的高需求。近三分之一（32%）投资人工智能的组织正在使用 GPU 云执行训练工作负载，31% 的组织用于推理。这些专业云产品特别受信息技术和服务公司欢迎，51% 的公司将 GPU 云作为培训场所。

随着人工智能开发和部署的范围不断扩大，GPU 云有望进一步增长。组织预计未来 12 个月内将使用更多的训练和推理场所，在这种增长环境中，GPU 云的推理和训练采用率预计将增长到 34%。高等教育机构似乎是一个增长特别快的客户群。我们的数据强调可扩展性是组织将 GPU 云视为主要角色；组织能够轻松且经济高效地管理波动的人工智能工作负载的能力是采用的明显驱动力。

一些国家（包括一些亚太主要经济体）的组织强烈感受到 GPU 可用性挑战；印度、台湾、新西兰和澳大利亚更有可能将 GPU 可用性列为将模型投入生产的三大挑战之一。瑞典（39%）认为这是三大挑战，阿联酋（35%）在这方面也表现突出。

人工智能领导者正在采取哪些不同的做法？

领导者更有可能利用 GPU 云进行训练和推理，并且特别投资于如何使用该技术来减少实施人工智能计划所需的时间。利用基于云的专业服务，通过确保对稀缺 GPU 资源的访问来加快开发过程，这似乎是发挥 AI 优势的明显途径。

对人工智能对环境影响的担忧持续存在，但并没有减缓人工智能的采用；可持续人工智能实践提供了减少排放的机会

今年的故事是关于扩张的：扩大人工智能的范围、扩大工作负载需求、扩大数据基础设施。在这种情况下，可持续发展实践是关键。由于许多可持续发展实践提供了可衡量的价值以及应用人工智能解决能源消耗问题的潜力，因此有一个明显的机会来应对排放挑战。

关键见解：

• 近三分之二（64%）的受访者表示，他们的组织“关心”或“非常关心”人工智能基础设施的可持续性。
• 受欢迎的可持续发展措施包括投资节能IT硬件（42%的组织）、增加对人工智能治理的投资（40%）、提供可持续发展培训和教育（37%）以及建立可持续发展指南（35%）。
• 近三分之一 (30%)的受访者表示，减少能源消耗是其组织采用 AI/ML 的驱动力。

可持续发展对组织来说仍然很重要，近三分之二的组织担心人工智能/机器学习对能源使用和碳足迹的影响，其中 25% 的组织“非常担心”。该主题是人工智能战略中的一个影响因素，37% 的受访者认为可持续性是对其组织做出的人工智能基础设施决策影响最大的因素之一。如图 8 所示，这与运营成本、数据隐私和可扩展性相当。在数据需求不断扩大以及未来 12 个月人工智能工作负载的训练和推理场所预测的背景下，对可持续性的关注非常重要。

除了表现出投资更优化技术的明确意愿外，许多组织还增加了对人工智能治理的投资（40%）、提供可持续发展培训和教育（37%）以及制定可持续发展指南（35%）。不太受欢迎的是代表缩减人工智能投资的举措。只有 5% 的人表示他们在过去 12 个月内取消了人工智能计划，19% 的人表示他们改变了项目范围。

组织在很大程度上发现可持续发展实践是有效的。在确定哪些项目更有可能产生较大影响而不是产生较小影响或没有影响时，我们发现实践更有可能产生影响，包括那些有时被忽视的项目（见图 10）。虽然在过去 12 个月中，只有 19% 的组织参与改变人工智能项目范围以解决环境问题，但其中 57% 的组织认为其影响力“非常高”或“非常高”。另一种可能代表重大机会的做法是更换基础设施供应商——27% 的人采取了这一步骤，但总体上认为这是最有影响力的做法。

许多组织已经将人工智能应用于能源消耗——通过人工智能驱动的效率优势来应对人工智能工作负载的资源密集型本质。近三分之一 (30%) 的组织将减少能源消耗和碳足迹视为开发 AI/ML 应用程序的关键驱动力。虽然目前是人工智能/机器学习应用程序最不受欢迎的目标，但值得注意的是，近三分之一的组织可能已经在应用人工智能来更好地评估和预测排放，或通知可能有助于节能的效率改进。随着工作压力的扩大，我们预计这一比例将会增加。

减少能源消耗的动力不仅仅是为了实现可持续发展目标。虽然 11% 的受访者认为实现企业可持续发展目标是减少能源消耗的首要任务，但这低于提高运营效率 (13%) 和实现成本节约 (12%)。对法规遵从性 (9%) 和客户期望 (9%) 的担忧也很明显。在某些情况下，这可能使可持续发展倡导者能够解决可持续发展影响，同时在更广泛的业务目标背景下体现其价值。

人工智能领导者正在采取哪些不同的做法？

人工智能领导者正在采取更多措施来解决其项目对环境的影响，并且更有可能认为这些措施具有“高度”影响力。特别是，人工智能领导者更有可能考虑在未来 12 个月内改变训练或推理场所、制定可持续性指南并实施抵消方法。通过并行进行多个步骤，每个步骤的价值似乎都被放大了。虽然排放影响评估可能有用，但当该评估可以转化为有关选择供应商合作伙伴或人工智能培训或推理环境的决策时，它可以提供更多价值。

结论

2024 年人工智能全球趋势报告展现了与 2023 年版本截然不同的人工智能采用情况。人工智能正在得到更广泛的应用，更加注重产品和服务质量的改进以及收入的增长。生成式人工智能的成熟是这一转变的关键驱动力。但挑战依然存在。许多组织正在努力将投资转化为可以大规模交付的能力，并且他们承认业务运营的可持续性面临压力。

企业的五个关键行动点：

为人工智能的成功构建强大的数据架构：组织必须建立清晰的途径将人工智能项目扩展到生产，确保高效的数据管理和存储。在投入大量试点项目之前，投资强大的数据基础至关重要。这将有助于实现无缝的人工智能价值交付。

明智的投资是生成式人工智能成功的关键：受益于生成式人工智能的组织已经重新分配预算，以专注于这些举措。成功取决于复杂的决策和强大的基础设施。为了效仿这一点，组织应确保全面的采购实践并最大限度地提高 GPU 的可用性和利用率，包括研究专门的 GPU 和 AI 云服务。

探索生成式 AI 驱动的 IT 效率：生成式 AI 可以自动执行常规模型开发任务并改进 IT 决策，以推动更简化的交付。这种自我强化的方法可以支撑更可持续的人工智能路线图。

扩大可持续发展实践：更换基础设施供应商或修改人工智能项目范围可以对总体排放量产生有意义的影响。当可持续性措施一起使用时，它们的价值会变得更加复杂，因此组织应该授权项目团队采用各种方法。

制定全面的人工智能战略：生成式人工智能提供了重要的机会，但组织应该制定全面的人工智能战略。狭隘的人工智能方法（未能研究多种技术的方法）忽视了将不同类型的模型结合在一起的机会，并关闭了许多高影响力的用例。

大数据在线观察

WEKA今年的报告主要基于北美、欧洲、亚太等地区超过1500名决策者的调研，虽然缺少中国大陆地区用户的调研，但地域、行业覆盖面依然很广，对于了解其他国家经济体的人工智能应用状况具有较高的参考价值。

中国市场也是人工智能应用最前沿的阵地。虽然受到各种因素的影响，在GPU应用与部署方面存在着较大的困难，但行业用户在场景、应用方面的天然优势，以及国家政策层面上的鼓励，未来有望以应用为牵引，走出一条新路。

不过，WEKA报告中提到“遗留数据架构”的挑战，对于中国用户也是当下和将来最为核心的挑战，现代数据架构应该是未来所有行业用户都需要着力建设的一项持续工程，不仅关系到人工智能相关技术能否真正发挥价值，更对于未来数智转型升级有着决定性作用。

本文来自微信公众号“大数据在线”（ID：dobigdata），作者：大数据在线，36氪经授权发布。