势头迅猛的 Lululemon，去年也给申洲国际带来了 4300 万美元收入。去年业绩逆势增长，申洲国际方面表示，一来，主要客户在欧美市场的订单需求增加；二来，海外生产基地的产能利用率恢复至正常水平，且新工厂的产能得到持续扩充。

大模型混战，竞争者众。由 ChatGPT 引爆的技术热潮，汹涌澎湃。据不完全统计，截至今年 5 月底，中国 10 亿级参数规模以上的大模型，已发布了 79 个。AI 大模型是一个资本、人才、数据都很密集的产业，如何形成 “数据 - 模型 - 应用” 的飞轮，是成功的关键。目前行业形成一个共识：大模型要找到真正有效的商业模式，应该押注 B 端市场，从而获得稳定收入。

企业需要像技术投资一样，持续投入不断发展的业务运营和人员技能培训。彻底重新构想工作的完成方式，并帮助员工紧跟技术驱动型变革积极迎接生成式人工智能时代，存在六大技术应用要点。1. 业务驱动即使创新技术有诸多优势，在整个组织中全面推广并非易事，尤其当新技术会彻底改变现有工作方法时，会遇到特别多的阻力。企业可以先通过尝试生成式人工智能的诸多功能，累积早期成功并得到变革倡导者和意见领袖的支持，不断提高员工对新技术的接纳程度，为进一步普及创造所需条件，进而启动转型和技能再培训议程。企业必须双管齐下地进行尝试：其一，专注于容易获得的机会，使用可消费的模型和应用迅速实现回报；其二，着力使用根据自身数据定制的模型来重塑业务、客户洽谈、以及产品和服务。业务驱动型思维，是定义并成功建立应用模式的关键。随着企业深入开展人工智能重塑业务的各种探索，他们将切实收获价值，明确各种应用场景下最为匹配的人工智能类型，厘清投资规模和复杂程度。他们还能测试和改进有关数据隐私安全、增强模型准确性、防止偏见和保护公平的方法，并知晓何时需要采取 “由人主导迭代”（Human in the Loop）的保护措施。举例，一家大型欧洲银行集团启用微软 Azure 云平台和 GPT-3 大语言模型，来帮助员工进行电子文档检索。这一举措，使用户可以快速获得问题的答案，大大节省了时间，并提高准确性和合规性。为了进一步提升员工技能，这家银行构建了三年创新计划，后续还会在合同管理、对话型报告、以及票据分类等领域应用生成式人工智能。此举不仅将内部知识库进行升级、帮助员工获取所需信息，更有助推进自身向数据驱动型机构的目标迈进。2. 以人为本为了使生成式人工智能取得成功，企业需要像重视技术那样，关注人员及培训工作。他们应当大幅增加对人才的投资，以应对两类不同的挑战：创建人工智能和使用人工智能。这意味着，要在人工智能设计、企业架构等技术能力方面培养人才；同时培训整个组织的人员，使他们有效地与人工智能化的流程合作。例如，在对 22 个工作类别的分析中，我们发现，大语言模型会影响所有类别，最低程度为每个工作日的 9%，最高可达 63%。在 22 种职业中，有 5 种可以利用大语言模型来革新一半以上的工作时长。即使是现实世界中精通如何应用数据的各领域专家（例如，医生对患者健康数据的解析），也缺乏足够的技术知识来了解这些模型如何工作，以及相信技术能成为 “工作伙伴”。企业还将设立全新的岗位，包括语言学专家、人工智能质量控制员、人工智能编辑和提示工程师。对于生成式人工智最有前途的领域，企业应当首先将现有工作分解为基础任务组合，然后评估生成式人工智能可能影响每项任务的程度 —— 完全自动化、人员增强，抑或与之无关。3. 筹备数据为了定制基础模型，企业需要使用特定领域的企业数据、语义、知识和方法。在生成式人工智能时代到来之前，企业可以通过以应用模式为核心的人工智能方法，从人工智能中获得价值，无需对其数据架构和资产进行现代化改造。现在情况已经截然不同。基础模型需要大量精心组织的数据来学习，因此，破解数据挑战，已成为每家企业的当务之急。企业需要采用一种战略性、规范化的方法，获取、开发、提炼、保护和部署数据。具体而言，应依托云环境构建现代化的企业数据平台，其中包含一组可信赖、可重复使用的数据产品。凭借此类平台的跨职能特征、企业级的分析工具、以及将数据存储在云端仓库或数据湖当中，数据能够摆脱组织孤岛的束缚，在整个企业中普遍使用。随后，企业可在某一地点或通过分布式计算策略（如数据网格），统一分析所有业务数据。4. 打造基础为了充分满足大语言模型和生成式人工智能的大规模计算需求，企业需要考虑自身是否拥有合适的技术基础设施、架构、运营模式和治理结构，同时密切关注成本和可持续能源消耗。他们必须设法从成本和收益的角度，评估比较这些技术与其他人工智能或分析工具，后者可能更适合特定的应用模式，并且成本仅为前者的几分之一。企业需要建立一套强有力的绿色软件开发框架，在软件开发生命周期的所有阶段，考虑能源效率和材料相关排放。人工智能还可以发挥更广泛的作用，使业务更具可持续性并实现环境、社会和治理（ESG）目标。我们调研发现，在生产和运营环节成功减少排放的企业中，70% 都使用了人工智能。5. 寻找伙伴创建基础模型很可能是一项复杂、成本高昂的计算密集型工作。除了全球顶级企业外，几乎所有组织都无法仅凭一己之力完成该任务，这超出了他们所掌握的能力和方法。令人振奋的是，得益于超大规模云服务机构、科技巨头和初创企业的海量投资，企业可借助新兴生态系统的威力。仅在 2023 年，全球对人工智能初创公司和成长阶段公司的投资，预计就将超过 500 亿美元。这些合作伙伴能够带来经过多年打磨的最佳实践，并为特定应用模式下如何高效而有效地使用基础模型提供宝贵洞见。拥有恰当的合作伙伴网络 —— 包括技术企业、专业服务商和学术机构，将成为驾驭快速变革的关键。6. 构建体系生成式人工智能的快速采用为所有企业提出了新的紧迫工作：建立一套稳健、负责任的人工智能合规体系。这包括两方面的事项 —— 建立控制流程，在设计阶段评估生成式人工智能应用方式的潜在风险；制定明确措施，在整个业务中嵌入负责任人工智能方法。我们研究表明，大多数企业仍任重而道远。我们 2022 年面向全球 850 名高管人员的调研显示，受访者普遍认识到负责任人工智能和人工智能监管的重要性。仅有 6% 的企业认为，自身已打造了充分稳健的负责任人工智能基础。企业的负责任人工智能原则应当由高层定义和领导，并转化为有效的风险管理和合规治理架构，包括组织原则和政策、以及适用的法律和法规。负责任人工智能的使用必须由 CEO 引领，从加强培训和意识培养开始，然后扩展至关注执行与合规。早在数年前，埃森哲就已率先采用这种方法来管理负责任的人工智能，不但设置了由 CEO 领导的议程，现在进一步出台了正式的合规计划。我们自身的经验表明，原则驱动的合规方法既能提供护栏，又足够灵活，可以随着技术的快速发展而更新，确保企业不会始终疲于 “追赶”。为通过设计来实现负责，企业需要从被动响应的遵从策略，转向主动开发完善的负责任人工智能系统。这必须借助一套综合框架，其中涵盖：原则和治理措施；风险管理、政策和控制手段；以及技术、赋能因素、文化和培训工作。