随着人工智能热潮席卷各行各业,关于这项技术“革命性潜力”的讨论往往忽视了背后的巨大成本。
这让许多商业领袖不禁怀疑,AI技术是否真的值得如此高昂的投入,尤其是在人力和平台的支出方面。
从表面上看,AI的吸引力无可否认。谁不想利用机器学习模型来预测客户行为、自动化繁琐任务、抵御外部威胁,甚至创造新的产品和服务呢?对于开发软件的公司来说,能用聊天机器人来协助编写和调试代码的前景实在太诱人了。然而,现实是,部署AI解决方案远非简单的“一键启动”。开发和维护AI系统的成本可能相当高,仔细评估这些投资的最佳方式至关重要。
AI的成本
对于那些想要管理高度定制的AI项目并运营自己的大型语言模型的公司来说,所需的基础设施绝非小数目。
AI需要专用的硬件和软件来处理海量数据,并执行复杂的计算任务,这并不是现成技术能够轻易应对的。
例如,训练先进的机器学习模型所需的硬件。通常,这些模型依赖强大的图形处理单元(GPU),专门为AI任务所需的并行计算设计,这也是英伟达(Nvidia)等芯片制造商表现出色、OpenAI等公司能迅速获得数十亿美元融资的原因之一。
不仅如此,这些芯片及其相关组件价格昂贵,还消耗大量能源,导致更高的运营成本。在数据中心运行这些AI硬件系统所需的电力消耗很快就会累积成可观的数字。
随着AI模型日益复杂,对更先进硬件的需求也在不断上升。公司可能会发现自己陷入一种为了追赶技术进步而不断升级基础设施的循环之中,几乎要一直“跑在AI的步伐前面”。
这使得长期维持这些资本支出变得困难,尤其对于小型企业来说负担更为沉重。中小企业的领导者不妨思考,是否可以通过订阅AI平台,并聘请能够有效操作这些工具的数据科学家,来更经济地实现AI目标。过去一年,生成式AI的使用成本大幅下降,这使得这样的选择更具可行性。
数据:AI的燃料
AI模型的优劣取决于训练数据的质量。
为了让AI有效运作,企业必须在数据收集、存储和管理上进行大量投入。为避免出现“垃圾输入,垃圾输出”的糟糕结果,企业必须在将数据用于AI算法之前,确保数据经过充分的清洗和组织。
数据存储也是一项基础设施支出;大型数据集的存储解决方案并不便宜,维持这些数据库的成本也相当高。数据治理和保护敏感信息的安全性更是增加了一层额外开支。
与此同时,还涉及到人为因素:成功存储、清理和利用数据往往需要企业雇佣数据工程师、数据分析师和数据科学家。鉴于这些岗位目前需求极大,找到合适的人才也可能会非常昂贵。
机器背后的人
AI技术相关的另一个重要成本是开发、部署和维护这些系统所需的人才。当前,不仅仅是数据科学家供不应求,全球范围内企业也在争相寻找各个领域的专家,从机器学习到提示工程(prompt engineering)。
Dice的最新调研数据显示,近一半的AI技术人员每周至少使用一次AI工具;同样比例的人认为,他们所参与的项目对公司具有战略价值。一家不注重提升员工AI技能的公司可能很快就会落后于竞争对手。
这种需求反过来推高了工资和福利,使得专注于AI的企业领导人在平衡预算时面临更大压力。优秀的AI人才不仅招聘成本高昂,还需要持续的培训,以跟上技术进步的步伐。因此,许多商业领袖选择提升现有员工的数据科学和AI技能。
例如,一名具备建模和数据分析基础的初级开发人员,可能只需参加几次培训课程就能胜任AI相关工作,而成本也比直接招聘新人低得多。
计算ROI
作为AI投资计划的一部分,企业需要透过表面效应,仔细评估潜在的投资回报率(ROI)。AI是否有潜力通过增加销售和扩大市场份额,直接提升收入?还是能通过节省成本和优化流程,帮助公司降低开支?
除了眼前的经济效益,商业领袖还应考虑AI的长期战略价值,比如它如何帮助公司应对未来的市场变化,抓住新的机会。如果现在不投资AI,是否会失去未来的潜在机会?
尽管这不是一项令人兴奋的工作,但通过详细的ROI分析,企业可以更清楚地了解AI投资的财务可行性和潜在收益,并据此制定合理的投资计划。
对AI投资的精细考量
投资AI并非没有风险:如前所述,运营和改进AI技术的前期和持续成本不容小觑。即便是依赖基于云的AI平台订阅,并提升现有员工的技能,这些成本也可能以惊人的速度增长。
AI投资预算需要与企业的具体目标和实现AI解决方案的能力相匹配。
正确投资AI的企业有望在竞争中占得先机,推动业务的前所未有增长。例如,谷歌与梅奥诊所合作,通过谷歌的Vertex AI搜索系统处理50PB的临床数据,可能会加速医学研究,并开辟医疗领域的新天地。但对于毫无准备就进入AI领域的企业来说,这段旅程可能会成为财务黑洞,尤其是那些尚未完善的AI项目涉及到巨额云计算费用和数据相关成本。
从我的角度来看,关键在于清晰地了解AI的成本和潜在回报——这将帮助你做出与公司长期目标一致的明智决策。通过从这一点出发,你将能够权衡得失,做出正确的AI投资,推动企业迈向新的高度。
作者:Art Zeile