向一边去，韦伯斯特：今年企业发现了许多候选词来评选年度词汇。紧随其后的是诸如“生成式人工智能”和“生成式预训练变压器”之类的术语，整个行业都将注意力转向变革性的新技术，如“大型语言模型”和“检索增强生成”（RAG）。
一开始，“生成式人工智能”只是一个较小的关注点，但最后却以耀眼姿态收场。许多公司正在迅速利用其能够处理文本、语音和视频的能力，产生革新性的内容，从而彻底改变生产力、创新力和创造力。
企业正在顺应这一趋势。根据麦肯锡公司的数据，像OpenAI的ChatGPT这样的深度学习算法，再加上企业数据的进一步训练，每年可以为63个商业用例带来相当于2.6万亿至4.4万亿美元的价值。
然而，管理大量的内部数据往往被认为是扩展人工智能的最大障碍。一些AI领域的NVIDIA专家预测，2024年将成为联络朋友的一年——与云服务提供商、数据存储和分析公司以及其他掌握处理、优化和高效部署大数据的技能的公司建立伙伴关系和合作。
大语言模型是这一切的核心。NVIDIA专家表示，LLM研究的进展将越来越多地应用于商业和企业应用领域。通过几乎任何平台，诸如RAG、自主智能代理和多模态互动等AI功能将变得更加易于获取和部署。
听取NVIDIA专家对未来一年的预测：
MANUVIR DAS企业计算副总裁
一刀切不适用于所有情况：定制化即将进入企业。企业将不会只有一两个生成式人工智能应用，它们会有数百个定制应用，使用适合于业务不同部分的专有数据。
一旦投入生产，这些定制化的LLM将具备RAG功能，将数据源与生成式人工智能模型连接起来，以获得更准确、更明智的响应。像Amdocs、Dropbox、Genentech、SAP、ServiceNow和Snowflake这样的领先公司已经在构建使用RAG和LLM的全新生成式人工智能服务。
开源软件引领潮流：得益于开源预训练模型，解决特定领域挑战的生成式人工智能应用将成为企业运营策略的一部分。
一旦公司将这些先导模型与私有或实时数据结合起来，他们就可以开始在整个组织中看到加速的生产力和成本效益。从基于云计算和人工智能模型铸造服务到数据中心、边缘和桌面，AI计算和软件将在几乎任何平台上变得更加易于获取。
现成的人工智能和微服务：生成式人工智能促使应用程序编程接口（API）端点的采用增加，这使得开发人员能够构建复杂的应用程序更加容易。
到2024年，软件开发工具包和API将升级，开发人员将使用生成式人工智能微服务（例如RAG作为服务）来定制现成的AI模型。这将帮助企业充分发挥以智能助手和摘要工具为代表的以AI驱动的生产力的潜力，这些工具可以获取最新的业务信息。
开发人员将能够直接将这些API端点嵌入到他们的应用程序中，而无需担心维护支持这些模型和框架所需的基础设施。最终用户将能够体验到更直观、更具响应性和更符合需求的应用程序。
IAN BUCK超大规模和高性能计算副总裁
国家财富：人工智能将成为新的太空竞赛，每个国家都希望建立自己的卓越中心，推动研究和科学的重大进展，提高国内生产总值。
只需要几百个加速计算节点，各国就能迅速构建高效、高性能、百亿亿次量级的AI超级计算机。政府资助的生成式AI卓越中心将通过创造新的工作岗位和建设更强大的大学项目推动国家经济增长，培养下一代科学家、研究人员和工程师。
量子飞跃：企业领导者将以两个关键驱动因素启动量子计算研究项目：利用传统AI超级计算机模拟量子处理器的能力以及混合经典量子计算的开放统一开发平台的可用性。这使得开发人员可以使用标准编程语言而不需要定制的、专门的知识来构建量子算法。
曾经在计算机科学中被认为是一个隐晦的领域，随着企业加入学术界和国家实验室追求材料科学、制药研究、亚原子物理和物流的快速进展，量子计算探索将变得更加主流。
KARI BRISKI副总裁，AI软件
从试错到致富：随着企业采用这些AI框架，对试错增强生成技术（RAG）将会有更多的讨论。
当企业培训LLM来构建生成式AI应用程序和服务时，当模型在某种用例下没有足够准确、相关的信息时，RAG被广泛视为解决不准确或荒谬回答的方法。
通过语义检索，企业将采用开源基础模型，输入自己的数据，使用户查询从索引中检索到相关数据，然后在运行时将其传递给模型。
结果是企业可以使用更少的资源在医疗保健、金融、零售和制造等领域实现更准确的生成式AI应用程序。最终用户应该期望看到更复杂、上下文敏感和多模态的聊天机器人以及个性化内容推荐系统，让他们能够自然而直观地与其数据交流。
多模式崭露头角：基于文本的生成式AI将成为过去的事情。即使生成式AI仍处于初始阶段，预计许多行业将采用允许消费者使用文本、语音和图像的多模态LLM，以提供更多上下文相关的查询响应，例如关于表格、图表或图解。
Meta和OpenAI等公司将致力于推动多模态生成式AI的边界，增加对感官的更多支持，这将推动物理科学、生物科学和社会的进步。企业将能够不仅以文本格式，而且以PDF、图形、图表、幻灯片等形式理解其数据。
NIKKI POPEAI和法律道德主管
AI安全的目标：领先的AI机构之间的合作将加快稳健、安全的AI系统的研发。预计会出现新的标准化安全协议和最佳实践，跨行业采用这些协议和实践，确保生成式AI模型的一致和高水平的安全性。
公司将更加关注AI系统的透明度和可解释性，以及利用新的工具和方法来揭示复杂AI模型的决策过程。随着生成式AI生态系统的安全性增强，预计AI技术将变得更加可靠、值得信赖，并与人类价值观保持一致。
RICHARD KERRIS开发者关系副总裁，媒体与娱乐主管
开发的民主化：几乎任何地方的任何人很快都能成为一名开发者。传统上，开发应用程序或服务需要了解和熟练使用特定的开发语言。随着计算基础设施越来越趋向于以软件开发语言为基础的训练，任何人都能够命令机器创建应用程序、服务、设备支持等。
尽管公司将继续聘请开发人员来构建和训练AI模型和其他专业应用程序，但预计任何具备正确技能的人都将有更广泛的机会构建定制产品和服务。他们将通过文本输入或语音提示获得帮助，使与计算机的交互就像口头命令一样简单。
“现在与过去”在电影和歌曲中：正如披头士乐队的“新” AI增强歌曲引发了一轮新的披头士狂热一样，第一部由生成式AI制作的长篇电影的诞生将在电影行业中引起巨大的震动。
想象一个使用35毫米胶片相机拍摄的电影制作者。同样的内容很快就可以使用生成式AI转换为70毫米制作，减少了IMAX格式电影制作中的昂贵成本，并让更多导演参与其中。
通过向计算机输入文本、图片或视频，创作者们可以将美丽的图像和视频转化为新的类型和形式的娱乐。一些专业人士担心他们的工作将被取代，但随着生成式AI在特定任务上的训练越来越好，这些问题将会逐渐消失。这将为手头的其他任务提供更多的空间，并提供具有艺术家友好界面的新工具。
金伯利·鲍威尔卫生保健副总裁
AI外科助手：那一天终于到来，外科医生可以通过语音增强他们在手术室内外所看到和理解的内容。
将仪器、成像、机器人技术和实时患者数据与AI结合起来，将有助于改善外科医生的培训，使手术过程更加个性化，并通过实时反馈和指导提供更好的安全性，甚至在远程手术过程中也是如此。这将有助于弥补还有150百万例尚未进行的手术，尤其是在低收入和中等收入国家。
生成式AI药物发现工厂：正在出现一种新的药物发现过程，其中生成式AI分子生成、属性预测和复杂建模将推动一个智能实验室循环系统，缩短发现时间，改善临床可行药物候选物的质量。
这些AI药物发现工厂利用庞大的医疗数据集，使用完整的基因组、原子分辨率仪器和可以全天候运行的机器人实验室自动化设备。计算机可以首次学习庞大且复杂的数据集内的模式和关系，并生成、预测和建模以前只能通过耗费大量时间进行实验观察和人工合成才能发现的复杂生物关系。
查理·博伊尔DGX平台副总裁
企业将定制LLMs引入云端：企业从2023年学到的一件事是，从头开始构建LLMs并不容易。采用这种方式的公司往往会因为需要投资新基础设施和技术，并且在确定如何和何时优先考虑其他公司举措方面遇到困难。
云服务提供商、托管提供商和其他为其他企业处理和处理数据的企业将帮助企业实现全栈AI超级计算和软件。这将使公司能够更轻松地定制预训练模型并将其部署到各个行业的公司中。
在企业数据湖中寻找LLM的宝藏：关于一家企业存储了多少信息的统计数据并不稀缺，对于大型企业而言，这个数字可以达到数百个千字节。然而，许多公司报告称，他们只开发了不到一半的信息以获得可行的见解。
在2024年，企业将开始使用生成式AI利用那些尚未开发的数据来构建和定制LLMs。通过AI驱动的超级计算，企业将开始挖掘他们的非结构化数据，包括聊天记录、视频和代码，以扩展他们的生成式AI开发能力并训练多模态模型。这种突破能力不仅限于挖掘表格和其他结构化数据，还可以使企业能够提供更具体的问题答案和发现新机会，包括帮助检测健康扫描中的异常情况、发现零售业的新趋势和提高业务操作的安全性。
AZITA MARTIN零售、消费品包装和快速服务餐厅副总裁
生成式人工智能购物顾问：零售商在连接顾客与他们需要的产品的同时，面临着将提升、类似于人类的全渠道购物体验与他们个人需求和偏好相一致的双重要求。
为了实现这些目标，零售商正在准备推出先进的、基于生成式人工智能的购物顾问，这些顾问将对零售商的独特品牌、产品和顾客数据进行细致的培训，以确保与品牌相符的、有指导意义的、个性化的购物体验，仿佛具有人员助理的独特专业知识。这种创新方法将有助于品牌区别于众，并通过提供个性化的帮助来增加顾客的忠诚度。
安全设置：全球各地的零售商面临着日益复杂和协调的有组织零售犯罪的不断增长的挑战。国家零售联合会报告称，自疫情后零售盗窃激增以来，零售商在此类事件方面经历了惊人的26.5％的增长。
为了增强顾客和员工的店内安全和安全性，零售商将开始使用计算机视觉和物理安全信息管理软件，以收集并关联来自不同安全系统的事件。这将使人工智能能够检测武器和异常行为，例如大规模从货架上抢夺物品。它还将帮助零售商主动阻止犯罪活动，并维持更安全的购物环境。
REV LEBAREDIANOmniverse和仿真技术副总裁
工业数字化与生成式人工智能的融合：工业数字化与生成式人工智能的融合将推动工业转型的发展。生成式人工智能将使将现实世界的几何形状、光线、物理性质、物质和行为转化为数字数据更加容易。数字化实际世界的大众化将加速工业企业的发展，使它们能够更高效地设计、优化、制造和销售产品。它还使它们更容易创建虚拟训练场和合成数据，以训练新一代能够在实际世界中交互和运作的人工智能，例如自主机器人和自动驾驶汽车。
3D互操作性崛起：从设计稿纸到工厂车间，数据将首次具有互操作性。
制造、产品设计、零售、电子商务和机器人工业等全球最有影响力的软件和实践公司正在致力于新成立的Alliance for OpenUSD。作为3D工具和数据之间的通用语言，OpenUSD将打破数据孤岛，使工业企业能够在数据湖、工具系统和专业团队之间更轻松、更快地进行协作，以加速以往繁琐、手动的工业流程的数字化。
XINZHOU WU汽车副总裁兼总经理
现代化的汽车生产生命周期： 汽车行业将进一步采用生成式人工智能，以提供物理精确、逼真的渲染图像，准确展示车辆的内外观，同时加快设计审核、节省成本和提高效率。
更多的汽车制造商将在智能工厂中采用这项技术，将设计和工程工具连接起来，打造生产设施的数字孪生体。这将降低成本，简化操作，无需停产。
生成式人工智能将使消费者研究和购买更具互动性。从汽车配置器和3D可视化到增强现实演示和虚拟试驾，消费者将能够获得更具吸引力和愉悦的购物体验。
安全不是偶然事件：除了汽车产品生命周期，生成式人工智能还将推动自动驾驶车辆（AV）开发方面的突破，包括将记录的传感器数据转化为完全互动的3D模拟。这些数字孪生环境以及合成数据生成将被用于在实际部署之前虚拟地安全开发、测试和验证AV。
生成式AI基础模型还将支持车辆的AI系统，实现车内外的个性化用户体验、功能和安全特性。
驾驶体验将变得更安全、更智能、更愉悦。
BOB PETTE企业平台副总裁
通过生成式AI全新构建：生成式AI将使组织能够通过与大型语言模型对话或使用新技术和设计原则从零开始创建城市，从而设计汽车。
建筑、工程、建设和运营（AECO）行业正在借助生成式AI构建未来。数百家生成式AI初创企业和AECO和制造业的客户将致力于为几乎任何用例创建解决方案，包括设计优化、市场情报、建设管理和物理预测。人工智能将加速制造业的演变，承诺提高效率，减少浪费，并完全改变生产和可持续发展的方式。
开发者和企业特别关注点云数据分析，该技术利用激光雷达生成具有精确细节的建筑和自然环境的表示。这可能通过生成式AI加速工作流程，实现高保真度的洞察和分析。
GILAD SHAINER网络副总裁
AI潮流引爆连接需求：随着企业寻求加速计算使用GPU和基于GPU的系统所需的网络带宽，对网络效率和性能的重点关注将迎来爆发。
兆级参数的大语言模型将使得更快的传输速度和更广泛的覆盖成为需求。希望快速推出生成式AI应用程序的企业将需要投资于加速网络技术，或选择一个能提供该技术的云服务供应商。实现最佳连接性的关键是将其融入到全栈系统中，配合下一代硬件和软件。
数据中心设计的决定性要素：企业将了解到并非所有数据中心都需要相同。确定数据中心的目的是选择其中使用的适当网络的第一步。传统数据中心在带宽方面受限，而能够运行大型AI工作负载的数据中心需要数千个GPU以实现非常确定性和低尾延迟。
在大规模负载下，网络的能力是性能的最佳衡量标准。企业数据中心连接性的未来需要有单独管理（即南北）和AI（即东西）网络，其中AI网络包括专为高性能计算、AI和超大规模云基础设施而设计的网络内计算。
DAVID REBER JR. 首席安全官
使安全模型适应AI的明确性：从面向应用的安全重心转向面向数据的安全已全面展开。数据是兆字节语言模型和生成式AI的基本供应链。企业刚刚开始了解这个规模的问题。公司需要重新评估人员、流程和技术，重新定义安全开发生命周期（SDLC）。整个行业将重新定义对信任的理解，并明确透明度的含义。
新一代的网络安全工具将应运而生。AI SDLC将定义新的工具市场领导者和期望，以应对从命令行界面到人工语言界面的过渡。随着更多企业转向使用开源兆字节语言模型，如Meta的Llama 2来加速生成式AI输出，这种需求将变得更加重要。
利用AI进行安全扩展：将AI应用于网络安全缺口将能够检测到前所未见的威胁。目前，全球数据仅有一小部分用于网络防御。与此同时，攻击者继续利用每一个配置错误。
通过实验，企业将能够认识到AI在识别新兴威胁和风险方面的潜力。网络合作伙伴将帮助企业用户应对钓鱼和配置问题。要使技术发挥作用，公司需要解决工作和个人生活交叉点的隐私问题，以便在面向数据的环境中实现集体防御。
随着技术接触的民主化，AI也将使新一代网络安全人员能够应对不断增长的威胁。一旦公司对每一个威胁都有了明确的认识，AI将用于生成海量的数据，以训练下游探测器来防御和检测这些威胁。
RONNIE VASISHTA高级副总裁 – 电信业
从无线接入网站运行或退出：预计对5G的投资案例进行重大的重新评估。
经过五年的5G发展，网络覆盖范围和容量迅速增长，但收入增长缓慢，而专有和缺乏灵活性的基础设施成本却上升了。与此同时，5G RAN的利用率仍然低于40%。
新的一年将积极追求在现有频谱上寻找新的收入来源，发现可变现的新应用。电信公司还将重新思考资本支出结构，更加注重基于通用部件构建的灵活、高利用率的基础设施。同时，随着企业利用人工智能工具提高性能、提高效率和降低成本，预计会出现综合性的运营费用减少。这些举措的结果将决定运营商将投资多少资金来发展6G技术。
从聊天机器人到网络管理：电信运营商已经开始使用生成式人工智能来改善客户服务和支持，如聊天机器人和虚拟助手。在新的一年里，他们将加大力度，在网络规划和优化、故障和欺诈检测、预测分析和维护、网络安全运营和能耗优化等领域进一步使用生成式人工智能进行运营改进。
鉴于生成式人工智能正在变得无处不在且战略性愈发重要，建立一种支持其增长的新型人工智能工厂基础设施也将成为一个关键使命。越来越多的电信运营商将建立内部使用的人工智能工厂，并将这些工厂部署为开发者的平台之一。同样的基础设施也能够支持RAN作为额外的租户。
MALCOLM DEMAYO金融服务副总裁
以AI为先的金融服务：随着人工智能的进展迅速，金融服务公司将把计算能力带到数据中，而不是反过来。
公司将通过高度可扩展的混合式组合，结合本地基础设施和基于云计算的计算，进行战略转变。这是为了应对集中风险并在迅速技术发展中保持灵活性。处理最关键的工作负载的公司，包括AI提供的客户服务助手、欺诈检测、风险管理等，将领先于其他公司。
MARC SPIELER能源高级总监
基于物理学的机器学习加速模拟：能源公司将越来越多地利用基于物理学的机器学习来加速模拟、优化工业流程和增强决策能力。
基于物理学的机器学习将传统的基于物理模型与先进的机器学习算法结合起来，为复杂的物理现象快速、准确地进行仿真提供了强大的工具。例如，在能源勘探和生产中，基于物理学的机器学习可以快速建模地下地质情况，有助于确定潜在的勘探地点，并评估操作和环境风险。
在风能和太阳能等可再生能源领域，基于物理学的机器学习将在预测性维护方面发挥关键作用，使能源公司能够预见设备故障，并主动安排维护，以减少停机和成本。随着计算能力和数据可用性的不断增长，基于物理学的机器学习注定将彻底改变能源公司的模拟与建模任务，使能源生产更加高效和可持续。
LLMs – 实现更好运营结果的解决方案：结合基于物理学的机器学习，LLMs将分析大量的历史数据和来自能源设备的实时传感器输入，以预测潜在的故障和维护需求。这种主动性的方法将减少意外的停机时间，延长涡轮机、发电机、太阳能电池板等关键基础设施的使用寿命。LLMs还将帮助优化维护计划和资源分配，确保维修和检查工作高效进行。最终，LLM在预测性维护方面的应用将为能源公司节省成本，为消费者带来更稳定的能源供应。
迪普·塔拉嵌入式和边缘计算副总裁
机器人编程师的崛起：LLM将为机器人工程师带来快速改进。生成式人工智能将为机器人开发代码，创建新的模拟环境来测试和训练它们。
LLM将通过自动构建3D场景、构建环境和从输入中生成资产来加速模拟环境的开发。由此产生的模拟资产将对合成数据生成、机器人技能训练和机器人应用测试等工作流程至关重要。
除了帮助机器人工程师外，LLM背后的变压器AI模型将使机器人本身变得更加智能，以更好地理解复杂环境并在其中更有效地执行各种技能。
为了使机器人产业规模扩大，机器人必须变得更具普适性，也就是说，它们需要更快地学习技能或在新环境中运用已有技能。在模拟环境中经过训练和测试的生成式人工智能模型将成为推动更强大、更灵活、更易于使用的机器人发展的关键因素。