随着人工智能（AI）技术的飞速发展，特别是大型语言模型（LLMs）如ChatGPT的崛起，我们似乎进入了一个“AI万能”的时代。然而，在AI的狂热之中，我们必须保持冷静，认识到并非所有场景都需要LLMs，也并非所有问题都能通过AI得到最佳解决。本文旨在提供一个框架，帮助项目管理者和决策者评估何时应用AI是合理的。
一、AI的局限性
尽管LLMs在自然语言处理方面取得了显著进展，但它们并非万能钥匙。LLMs的部署成本高昂，且输出结果的精确性受到多种因素的影响。此外，对于某些特定任务，简单的规则系统或监督学习模型可能更为高效且成本更低。
二、评估AI应用合理性的框架
1. 输入与输出的需求
在评估是否应用AI时，首先要明确输入与输出的需求。例如，对于一个需要根据用户偏好生成播放列表的音乐应用，输入可能是用户的喜好和历史播放记录，输出则是推荐的歌曲列表。明确这些需求是评估AI应用合理性的第一步。
2. 输入输出的组合与变化
客户需求的复杂性也会影响AI应用的选择。如果客户期望对于相同的输入得到不同的输出（如每次登录都获得不同的个性化推荐），那么AI模型，尤其是LLMs或推荐算法，将是非常合适的选择。然而，如果输入输出的组合相对固定且简单，规则系统或监督学习模型可能更为高效。
3. 输入输出的模式
分析输入输出的模式也是评估AI应用合理性的关键。如果输入输出之间存在明显的模式或规律，监督学习或半监督学习模型可能更为适用。这些模型可以通过学习历史数据中的模式来预测未来的输出。相反，如果输入输出之间没有明确的模式，LLMs可能更为灵活，但也可能需要更多的计算资源和时间来得到精确的输出。
4. 成本与精度
成本与精度是评估AI应用时必须考虑的两个重要因素。LLMs的调用成本通常较高，尤其是在大规模部署时。此外，尽管LLMs可以通过微调和提示工程来提高输出精度，但它们的结果往往不如监督学习模型精确。因此，在预算有限或对输出精度要求极高的情况下，应谨慎考虑LLMs的应用。
三、实例分析
为了更具体地说明上述框架的应用，我们可以考虑以下几个实例：
- 重复性任务，相同输入相同输出：例如，在多个在线表单中自动填充用户的电子邮件地址。对于这类任务，规则系统已足够高效，无需使用AI。
- 重复性任务，相同输入不同输出：如每次点击都生成新的艺术作品或随机搜索发现互联网的新角落。这类任务需要模型能够根据相同的输入产生不同的输出，因此AI模型，尤其是图像生成LLMs或推荐算法，是理想的选择。
- 重复性任务，不同输入相同输出：如根据顾客的反馈生成主题或评分论文。如果输入输出的组合相对简单，规则系统可能足够应对。但随着输入输出组合的复杂性增加，监督学习模型或LLMs可能更为合适。
- 非重复性任务，不同输入不同输出：如评论酒店或餐厅。这类任务需要模型能够理解复杂的文本输入并生成有深度的输出。LLMs在处理这类任务时表现出色，因为它们能够理解和生成自然语言文本。
四、结论
在选择是否应用AI时，我们应根据输入输出的需求、组合与变化、模式以及成本和精度等因素进行综合评估。并非所有场景都需要LLMs或复杂的AI模型。在许多情况下，简单的规则系统或监督学习模型可能更为高效且成本更低。因此，作为项目管理者和决策者，我们应保持理性思考，根据具体情况选择最合适的AI应用方案。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/bing-fei-suo-you-chang-jing-dou-xu-yao-da-xing-yu-yan-mo
