AI模型绝不应该外包的唯一事项

在一个效率至上、颠覆性创新一夜之间创造数十亿美元市场的时代，企业将生成式人工智能视为强大的盟友是不可避免的。从 OpenAI 的 ChatGPT 生成类人文本到 DALL-E 应要求生成艺术作品，我们已经看到了机器与我们一起创造甚至引领潮流的未来的曙光。为什么不将这种能力扩展到研发领域呢？毕竟，人工智能可以加速创意生成，比人类研究人员更快地迭代，并有可能以惊人的速度发现“下一个重大突破”，对吧？

等等。从理论上讲，这一切听起来都很棒，但让我们现实一点：押注生成式人工智能接管你的研发工作可能会适得其反，甚至带来灾难性的后果。无论你是追求增长的初创企业还是捍卫自己地盘的成熟企业，将生成式任务外包到你的创新流程中都是一场危险的游戏。在拥抱新技术的热潮中，我们面临着失去真正突破性创新的本质的风险，更糟糕的是，可能会让整个行业陷入同质化、缺乏灵感的产品的死亡螺旋。

让我来解释一下为什么过度依赖研发中的生成式人工智能可能是创新的阿喀琉斯之踵。

生成式人工智能本质上是一台超级预测机器。它通过预测哪些词语、图像、设计或代码片段最适合基于大量历史先例来进行创作。尽管这看起来很光鲜亮丽，但让我们明确一点：人工智能只有在其数据集一样好。它不是以人类意义上的真正创造力；它不会以激进、颠覆性的方式“思考”。它是回顾性的——总是依赖于已经创造的东西。

在研发中，这成为一个根本性的缺陷，而不是一个特性。要真正开拓新天地，你需要的不只是从历史数据中推断出的增量改进。伟大的创新往往来自飞跃、转向和重新想象，而不是对现有主题的细微变化。想想苹果的 iPhone 或特斯拉的电动汽车，它们并没有仅仅改进现有产品——它们颠覆了范式。

生成式人工智能可能会迭代下一代智能手机的设计草图，但它不会从概念上解放我们摆脱智能手机本身。那些大胆的、改变世界的时刻——那些重新定义市场、行为甚至行业的时刻——来自人类的想象力，而不是来自算法计算的概率。当人工智能驱动你的研发时，你最终会得到现有想法的更好迭代，而不是下一个类别定义的突破。

让人工智能接管你的产品构思过程的最大危险之一是，人工智能处理内容——无论是设计、解决方案还是技术配置——的方式会导致趋同而不是分化。鉴于训练数据的重叠基础，人工智能驱动的研发将导致市场上出现同质化的产品。是的，同一个概念的不同版本，但仍然是同一个概念。

想象一下：你的四个竞争对手实施生成式人工智能系统来设计他们手机的用户界面 (UI)。每个系统都接受了或多或少相同的信息库的训练——从网络上抓取的数据，包括消费者偏好、现有设计、畅销产品等等。这些人工智能系统都产生了什么？类似结果的变体。

随着时间的推移，你会看到一种令人不安的视觉和概念上的凝聚力，竞争对手的产品开始相互镜像。当然，图标可能略有不同，或者产品功能在边缘会有所不同，但实质、身份和独特性呢？很快，它们就会消失。

我们已经在人工智能生成的艺术中看到了这种现象的早期迹象。在 ArtStation 等平台上，许多艺术家对人工智能生成内容的涌入表示担忧，这些内容并没有展现出独特的人类创造力，而是感觉像是对流行文化参考、广泛的视觉比喻和风格的审美再混合。这不是你希望为你的研发引擎提供动力的尖端创新。

如果每家公司都将生成式人工智能作为其事实上的创新战略，那么你的行业每年不会获得五到十种颠覆性的新产品——它会获得五到十种经过修饰的克隆产品。

我们都读过历史书籍：青霉素是在亚历山大·弗莱明将一些细菌培养物暴露在空气中后偶然发现的。微波炉诞生于工程师珀西·斯宾塞在靠近雷达设备时意外融化了一块巧克力棒。哦，还有便利贴？另一个意外——一次制造超强粘合剂的失败尝试。

事实上，失败和偶然发现是研发中不可或缺的组成部分。人类研究人员对隐藏在失败中的价值有着独特的敏感性，他们往往能够将意外视为机会。偶然性、直觉、直觉——这些对于成功的创新与任何精心制定的路线图一样重要。

但生成式人工智能的核心问题在于：它没有对模糊性的概念，更不用说将失败解释为资产的灵活性了。人工智能的编程教导它避免错误，优化准确性并解决数据歧义。如果你正在简化物流或提高工厂产量，这很好，但对于突破性探索来说，这很糟糕。

通过消除产生性模糊性的可能性——解释意外，反对有缺陷的设计——人工智能抹平了通往创新的潜在途径。人类拥抱复杂性，知道如何让事物在出现意外输出时自由呼吸。与此同时，人工智能会加倍确定性，将中庸的想法主流化，并将任何看起来不规则或未经测试的东西边缘化。

问题是：创新不仅仅是逻辑的产物；它是同理心、直觉、渴望和愿景的产物。人类创新是因为他们关心，不仅仅是逻辑效率或底线，而是对细微的人类需求和情感做出反应。我们梦想着让事物更快、更安全、更令人愉悦，因为在根本层面上，我们理解人类体验。

想想第一台 iPod 背后的天才，或者 Google 搜索的极简主义界面设计。让这些游戏规则改变者取得成功的不仅仅是纯粹的技术优势——而是同理心，理解用户对复杂 MP3 播放器或杂乱搜索引擎的挫败感。生成式人工智能无法复制这一点。它不知道使用有缺陷的应用程序是什么感觉，也不知道对光滑的设计感到惊叹，也不知道体验未满足需求的挫败感。当人工智能“创新”时，它是在没有情感背景的情况下进行的。这种缺乏愿景降低了它创造与实际人类产生共鸣的观点的能力。更糟糕的是，在没有同理心的情况下，人工智能可能会生成技术上令人印象深刻但感觉毫无灵魂、无菌和交易性的产品——缺乏人性。在研发中，这是一个创新杀手。

对于我们那些闪闪发光的 AI 未来狂热者来说，这里有一个最后的、令人不寒而栗的想法。当你让 AI 做太多事情时会发生什么？在任何自动化侵蚀人类参与的领域，技能都会随着时间的推移而退化。看看那些早期引入自动化的行业：员工失去了对事物“为什么”的了解，因为他们没有定期锻炼他们的解决问题的能力。

在研发密集型环境中，这会对塑造长期创新文化的智力资本构成真正的威胁。如果研究团队仅仅成为人工智能生成工作的监督者，他们可能会失去挑战、超越或超越人工智能输出的能力。你练习创新的次数越少，你就越没有能力独自创新。当你意识到自己已经超出了平衡点时，可能为时已晚。

当市场发生巨大变化时，这种人类技能的侵蚀是危险的，任何人工智能都无法带你穿过不确定的迷雾。颠覆性的时代需要人类打破传统框架——这是人工智能永远不会擅长的。

需要明确的是，我并不是说生成式人工智能在研发中没有用——它绝对有用。作为一种补充工具，人工智能可以使研究人员和设计师能够快速测试假设，迭代创意，并比以往更快地完善细节。如果使用得当，它可以提高生产力，而不会扼杀创造力。

诀窍在于：我们必须确保人工智能充当人类创造力的补充，而不是替代品。人类研究人员需要始终处于创新过程的中心，使用人工智能工具来丰富他们的工作——但永远不要将创造力、愿景或战略方向的控制权让渡给算法。

生成式人工智能已经到来，但人类的好奇心和胆识的罕见、强大的火花也随之而来——这种火花永远无法简化为机器学习模型。让我们不要忘记这一点。

Ashish Pawar 是一位软件工程师。