編者按： AI 能立即改變世界嗎？為何巨額投資卻難見成效？你是否也在思考：我們開發(fā)的 AI 產(chǎn)品真的解決了用戶的需求嗎？

面對(duì)這些問題，許多公司陷入了困境：要么過于專注模型開發(fā)而忽視實(shí)際應(yīng)用，要么盲目將 AI 融入產(chǎn)品而不考慮是否需要。這不僅導(dǎo)致資源浪費(fèi)，更可能使我們錯(cuò)失 AI 真正的價(jià)值所在。

本文深入剖析了 AI 從實(shí)驗(yàn)室走向市場(chǎng)的五大障礙，包括使用成本、產(chǎn)品可靠性、隱私問題、產(chǎn)品安全和用戶界面。作者基于對(duì) OpenAI、Google 等 AI 公司的觀察，認(rèn)為 AI 公司正從追求創(chuàng)造"神跡"轉(zhuǎn)向?qū)Ｗ⒂跇?gòu)建實(shí)用產(chǎn)品，這是一個(gè)積極的轉(zhuǎn)變。

這篇文章為我們提供了一個(gè)清晰的視角，幫助我們理解 AI 行業(yè)面臨的實(shí)際挑戰(zhàn)。它提醒我們，盡管 AI 技術(shù)發(fā)展迅速，但將其轉(zhuǎn)化為成功的商業(yè)產(chǎn)品仍需要時(shí)間和大家的不懈努力。

作者 | Arvind Narayanan &?Sayash Kapoor

編譯?|?岳揚(yáng)

AI 企業(yè)正集體計(jì)劃在硬件和數(shù)據(jù)中心上投入高達(dá)萬億美元[1]的資金，然而迄今為止，這些投入所帶來的成果卻相對(duì)較少。這一現(xiàn)象也引發(fā)了許多人的擔(dān)憂，他們懷疑 GenAI 是否只是一場(chǎng)泡沫[2]。我們不會(huì)對(duì)未來的事情做出任何預(yù)測(cè)，但我們認(rèn)為，對(duì)于事情當(dāng)初是如何走到這一步的，我們已經(jīng)有了一個(gè)清晰的認(rèn)識(shí)。

本文將探討 AI 企業(yè)所犯的那些錯(cuò)誤，以及他們是如何努力糾正這些錯(cuò)誤的。接下來我們將討論人工智能公司為了使 GenAI 在商業(yè)上取得足夠的成功，從而證明之前在硬件和數(shù)據(jù)中心上的巨額投資是合理的，它們還需要跨越的五大障礙。

01 產(chǎn)品與市場(chǎng)的契合點(diǎn)

ChatGPT 一經(jīng)推出，便被用戶們發(fā)掘出數(shù)種意想不到的用途，這讓 AI 開發(fā)者們激動(dòng)不已。然而，他們并未準(zhǔn)確把握市場(chǎng)脈搏，忽視了概念驗(yàn)證（POC）與可靠產(chǎn)品之間存在的巨大鴻溝。 這種市場(chǎng)誤判導(dǎo)致出現(xiàn)了兩種截然相反的大語言模型（LLMs）商業(yè)化方法，但兩者都存在缺陷。

OpenAI 和 Anthropic 專注于模型的構(gòu)建，對(duì)產(chǎn)品開發(fā)則顯得不夠重視。比如，OpenAI 花了 6 個(gè)月的時(shí)間才發(fā)布了 ChatGPT iOS App，而 Android App 更是又晚了 8 個(gè)月才面市！

與此同時(shí)，谷歌和微軟在競(jìng)爭(zhēng)中慌不擇路，將 AI 技術(shù)匆忙植入各種產(chǎn)品，卻未深入思考哪些產(chǎn)品真正需要 AI 的加持，以及 AI 應(yīng)該如何與這些產(chǎn)品整合。

這兩家公司都忘記了 “打造用戶所需產(chǎn)品” 這一核心原則。 大語言模型的通用性讓開發(fā)者誤以為，他們可以不必尋找產(chǎn)品與市場(chǎng)的契合點(diǎn)，似乎只要讓模型執(zhí)行某個(gè)任務(wù)，就能取代之前精心設(shè)計(jì)的產(chǎn)品或功能。

OpenAI 和 Anthropic 采取的自主開發(fā)（DIY）方法導(dǎo)致出現(xiàn)了一個(gè)問題：早期使用大語言模型（LLMs）的用戶群體中，不能代表普遍的大模型使用者。因?yàn)檫@些人更愿意投入精力去研究如何利用這些新技術(shù)去實(shí)現(xiàn)自己的目的，而普通用戶則更傾向于使用簡(jiǎn)單易用的產(chǎn)品。這種情況使得該技術(shù)的公眾形象產(chǎn)生了負(fù)面印象。¹

與此同時(shí)，微軟和谷歌那種“強(qiáng)行植入 AI ”的做法，雖然偶爾能帶來便利，但更多時(shí)候卻讓用戶感到不勝其煩。 此外，由于測(cè)試工作沒做到位，還出現(xiàn)了許多本可避免的錯(cuò)誤，比如微軟早期的 Sydney[3] 聊天機(jī)器人和谷歌的 Gemini[4] 圖像生成器。這些情況同樣引發(fā)了公眾的不滿和抵觸。

不過，這些公司現(xiàn)在正在調(diào)整運(yùn)營(yíng)策略。 OpenAI 似乎正在從專注于基礎(chǔ)研究和創(chuàng)新探索的領(lǐng)域轉(zhuǎn)型，更加傾向于開發(fā)和推動(dòng)具體的產(chǎn)品與服務(wù)走向市場(chǎng)化。如果撇開 OpenAI 董事會(huì)內(nèi)部的戲劇性事件不談，其核心轉(zhuǎn)變是從追求創(chuàng)新神跡（creating gods）到專注于產(chǎn)品開發(fā)（building products）。Anthropic 則吸納了許多之前在 OpenAI 工作、更關(guān)注通用人工智能（AGI）研究的科研人員和開發(fā)人員，他們?cè)?OpenAI 感到格格不入。盡管如此，Anthropic 也認(rèn)識(shí)到了打造產(chǎn)品的必要性。

谷歌和微軟在這方面動(dòng)作較慢，但我們推測(cè)蘋果可能會(huì)迫使它們做出改變。去年，蘋果[5]在 AI 領(lǐng)域似乎還處于落后狀態(tài)，但事后來看，蘋果在其全球開發(fā)者大會(huì)（WWDC）上所展示的那種謹(jǐn)慎而深思熟慮的 AI 發(fā)展策略，似乎更能夠贏得用戶的認(rèn)可²。谷歌在其即將推出的新款 Pixel 手機(jī)[6]和新版本的 Android 操作系統(tǒng)中，對(duì)于如何整合 AI 似乎進(jìn)行了更多的思考，比起在搜索功能上應(yīng)用 AI 要用心得多，不過它們還未上市，我們不妨拭目以待。

再來看看 Meta，其旨在利用人工智能在其依賴廣告收益的社交媒體平臺(tái)上創(chuàng)造內(nèi)容，并增強(qiáng)用戶的互動(dòng)參與度。在一個(gè)充斥著 AIGC（人工智能生成內(nèi)容，Artificial Intelligence Generated Content）的世界，其社會(huì)影響無疑是復(fù)雜且具有兩面性的[7]。然而，從商業(yè)策略的角度來看，這一方針無疑是明智的。

02 基于 AI 的面向消費(fèi)者型產(chǎn)品（consumer AI）需跨越的五大障礙

為了打造吸引人的基于 AI 的面向消費(fèi)者型產(chǎn)品，開發(fā)人員需跨越大語言模型（LLMs）的五大障礙。³

2.1 產(chǎn)品成本

在眾多應(yīng)用場(chǎng)景中，模型的能力并非限制因素，成本才是。 即便是簡(jiǎn)單的聊天應(yīng)用，成本也限制了 chatbot 能夠回溯的對(duì)話歷史長(zhǎng)度 —— 隨著對(duì)話時(shí)間的延長(zhǎng)，對(duì)整個(gè)對(duì)話歷史進(jìn)行處理的成本會(huì)迅速飆升，變得令人難以承受。

大模型的成本已經(jīng)顯著下降 —— 過去 18 個(gè)月里，同等能力的模型成本降低了超過 100 倍。 ⁴因此，有企業(yè)宣稱 LLMs 已達(dá)到或即將達(dá)到“便宜到微不足道”[8]的水平。不過，等他們免費(fèi)開放 API 時(shí)，我們才會(huì)真正相信這一點(diǎn)。

我們認(rèn)為成本問題仍將是一個(gè)關(guān)注點(diǎn)，因?yàn)樵谠S多大模型應(yīng)用中，成本的降低直接意味著準(zhǔn)確性的提升。 這是因?yàn)?LLMs 存在隨機(jī)性，多次重復(fù)嘗試完成任務(wù)（十次、千次甚至百萬次）是一種提高成功率的有效方法。因此，在相同預(yù)算的情況下，模型越便宜，我們就能進(jìn)行更多次嘗試。我們?cè)诮谝黄P(guān)于 AI Agents 的論文[9]中對(duì)此進(jìn)行了量化分析。此后，也有多篇論文[10][11]提出了類似的觀點(diǎn)。

盡管如此，我們還是有理由相信，在不久之后我們將進(jìn)入一個(gè)新階段，屆時(shí)在多數(shù)應(yīng)用場(chǎng)景中，成本的優(yōu)化（cost optimization）將不再是一個(gè)重要問題。

2.2 產(chǎn)品可靠性

產(chǎn)品的能力和可靠性在我們看來是兩個(gè)相對(duì)獨(dú)立的概念。如果一個(gè) AI 系統(tǒng)有 90% 的概率正確完成一項(xiàng)任務(wù)，我們可以說它具備完成該任務(wù)的能力，但卻不能保證穩(wěn)定可靠地完成。那些讓我們達(dá)到 90% 正確率的技術(shù)，卻未必能幫助我們達(dá)到 100%。

對(duì)于基于統(tǒng)計(jì)學(xué)習(xí)的系統(tǒng)來說，追求完美的準(zhǔn)確性本身就是一項(xiàng)艱巨的任務(wù)?；叵霗C(jī)器學(xué)習(xí)在廣告精準(zhǔn)定向、欺詐檢測(cè)，或是近期在天氣預(yù)報(bào)領(lǐng)域的成功案例，完美的準(zhǔn)確性并非目標(biāo) —— 只要系統(tǒng)的表現(xiàn)優(yōu)于現(xiàn)有技術(shù)水平，它就是有價(jià)值的。即便在醫(yī)療診斷和其它醫(yī)療健康領(lǐng)域，我們也能接受一定程度的誤差[12]。

然而，當(dāng) AI 被應(yīng)用于面向消費(fèi)者型產(chǎn)品時(shí)，用戶期望它能像以前的傳統(tǒng)軟件一樣運(yùn)行，即需要它們能夠穩(wěn)定無誤地工作。如果一款 AI travel agent 只有 90% 的幾率能正確預(yù)訂假期目的地，那它就不會(huì)成功。正如我們之前寫過的文章[13]，可靠性不足是近期一些基于 AI 的小工具失敗的原因之一。

AI 開發(fā)者們對(duì)此問題的認(rèn)識(shí)相對(duì)較為遲緩，原因在于我們這些專家習(xí)慣于將 AI 看成與傳統(tǒng)軟件有本質(zhì)區(qū)別的東西。比如，我們倆在日常工作中對(duì)聊天機(jī)器人和 AI Agents 的使用頻率非常高，對(duì)于這些工具可能出現(xiàn)的幻覺和不可靠之處，我們幾乎能夠自動(dòng)地進(jìn)行規(guī)避。去年，AI 開發(fā)者們或許還寄希望于非專業(yè)用戶能夠?qū)W會(huì)適應(yīng) AI，但現(xiàn)在逐漸清楚的是，企業(yè)需要調(diào)整 AI 以符合用戶的期望，讓 AI 像傳統(tǒng)軟件一樣運(yùn)行。

提高 AI 的可靠性是我們普林斯頓團(tuán)隊(duì)的研究重點(diǎn)。目前，能否利用隨機(jī)性組件（LLMs）構(gòu)建出確定性系統(tǒng)，還是一個(gè)尚未解答的問題。有些公司宣稱已經(jīng)解決了可靠性問題 —— 比如，一些法律科技公司宣傳他們的系統(tǒng)“不會(huì)產(chǎn)生幻覺”。但事實(shí)證明，這些說法為時(shí)尚早[14]。

2.3 隱私問題

在機(jī)器學(xué)習(xí)的發(fā)展歷程來看，它通常依賴于包含敏感信息的數(shù)據(jù)源（data sources），比如利用歷史瀏覽記錄進(jìn)行廣告定向推送或使用醫(yī)療記錄發(fā)展醫(yī)療健康科技[15]。然而，LLMs 在這方面顯得有些特立獨(dú)行，因?yàn)樗鼈冎饕峭ㄟ^公共資源（如網(wǎng)頁和書籍）來進(jìn)行訓(xùn)練的。⁵

但隨著 AI assistants 的普及，隱私問題再次成為焦點(diǎn)。為了打造實(shí)用的 AI assistants，企業(yè)需要利用用戶的交互數(shù)據(jù)來訓(xùn)練系統(tǒng)。例如，如果想要 AI 在電子郵件這一使用場(chǎng)景表現(xiàn)優(yōu)異，那么就必須在電子郵件數(shù)據(jù)上進(jìn)行訓(xùn)練[16]。不過，各大企業(yè)在隱私政策（privacy policies）上對(duì)此往往語焉不詳，目前尚不清楚這種情況的實(shí)際影響范圍。 ⁶電子郵件、文檔和屏幕截圖等數(shù)據(jù)可能比聊天記錄更為敏感。

此外，還有一種與推理而非訓(xùn)練有關(guān)的隱私問題。AI assistants 要想為我們提供便利，就必須能夠訪問我們的個(gè)人數(shù)據(jù)。例如，微軟曾宣布要設(shè)計(jì)一項(xiàng)飽受爭(zhēng)議的功能，該功能將每隔幾秒鐘對(duì)用戶的電腦屏幕進(jìn)行截圖，以便其 CoPilot AI 能夠?qū)τ脩舻男袨檫M(jìn)行記憶、學(xué)習(xí)。但這一舉動(dòng)引發(fā)了公眾的強(qiáng)烈抗議，微軟最終不得不放棄這一計(jì)劃[17]。

我們?cè)谶@里提醒大家，不要僅僅從技術(shù)層面理解隱私問題，比如說“數(shù)據(jù)永遠(yuǎn)不會(huì)離開設(shè)備”。Meredith Whittaker 指出[18]，設(shè)備上的欺詐行為檢測(cè)（fraud detection）可能會(huì)使持續(xù)監(jiān)控變得常態(tài)化，而且所構(gòu)建的這種基礎(chǔ)設(shè)施有可能被不良分子惡意利用。盡管如此，技術(shù)創(chuàng)新[19]確實(shí)能夠在一定程度上幫助我們保護(hù)隱私。

2.4 產(chǎn)品的安全問題

在產(chǎn)品安全方面，存在一系列相關(guān)的問題：例如 Gemini 的圖像生成功能存在偏見[20]等意外故障；例如聲音克隆或 deepfakes 等 AI 的濫用；以及如提示詞注入（prompt injection）等黑客攻擊，可能會(huì)泄露用戶數(shù)據(jù)或以其他方式損害用戶權(quán)益。

我們認(rèn)為意外故障是可以修復(fù)的。至于大多數(shù)類型的濫用，我們的觀點(diǎn)是，無法創(chuàng)建[21]一個(gè)不會(huì)被濫用的模型，因此必須主要從下游進(jìn)行防御。當(dāng)然，并非每個(gè)人都同意這種觀點(diǎn)，因此很多公司將繼續(xù)因?yàn)椴豢杀苊獾臑E用而不斷受到負(fù)面新聞的影響，但這些公司似乎已經(jīng)將這視為開展 AI 業(yè)務(wù)的一部分經(jīng)營(yíng)成本??。

讓我們談?wù)劦谌?—— 黑客攻擊。據(jù)我們所知，這是大部分公司似乎最不關(guān)注的問題。至少?gòu)睦碚撋现v，災(zāi)難性的黑客攻擊[22]是有可能發(fā)生的，例如 AI worms（譯者注：比如電子郵件場(chǎng)景的 AI 蠕蟲病毒，黑客會(huì)精心構(gòu)建一個(gè)“有毒提示詞”，然后通過電子郵件發(fā)送給受害者A，受害者A可能并不知情，但是其 AI assistants 會(huì)查看這封“蠕蟲郵件”，然后執(zhí)行其中的命令，發(fā)送給更多人 B、C、D、E…） 會(huì)在用戶之間傳播，誘騙這些用戶的 AI assistants 執(zhí)行有害行為（其中包括創(chuàng)建更多 worm 的副本）。

雖然已在許多概念驗(yàn)證演示（proof-of-concept demonstrations）和漏洞賞金計(jì)劃[23][24]中發(fā)現(xiàn)了已部署產(chǎn)品中的這些漏洞，但我們還沒有看到這種類型的在野攻擊。我們不確定這是否是因?yàn)?AI assistants 的使用率較低導(dǎo)致的，還是因?yàn)槭忻嫔线@些公司笨拙的防御措施[25]已被證明足夠有效，抑或是其他原因。時(shí)間會(huì)證明一切！

2.5 產(chǎn)品的用戶界面

因?yàn)榇笳Z言模型（LLMs）存在不確定性，所以在許多應(yīng)用場(chǎng)景中，如果機(jī)器人出現(xiàn)偏差，用戶需要能夠介入進(jìn)行干預(yù)。在 chatbot 中，可能只是重新生成答案或顯示多個(gè)版本的答案，讓用戶自行選擇。但在錯(cuò)誤成本較高的應(yīng)用場(chǎng)景中（例如預(yù)訂航班），如要確保充分的監(jiān)督便更加棘手了，系統(tǒng)必須避免頻繁打擾用戶，以免引起他們的不滿。

自然語言用戶界面的問題更為復(fù)雜，在這種用戶界面中，用戶與 AI assistants 進(jìn)行對(duì)話， AI assistants 也會(huì)以自然語言回應(yīng)，這正是 GenAI 巨大潛力的體現(xiàn)所在。僅舉一個(gè)例子，如果人工智能能夠集成到智能眼鏡[26]中，并在你需要的時(shí)刻無需詢問便主動(dòng)與你對(duì)話——比如檢測(cè)到你正在凝視一個(gè)外語標(biāo)志——這將是一種與目前完全不同的體驗(yàn)。然而，受限的（譯者注：constrained，可能指的是那些不支持復(fù)雜交互或只提供有限操作選擇的界面。）用戶界面幾乎不允許出現(xiàn)錯(cuò)誤或意外的行為。

03 Concluding thoughts

AI 的支持者經(jīng)常聲稱，由于 AI 能力的快速提升，我們應(yīng)該很快就能看到其對(duì)社會(huì)和經(jīng)濟(jì)產(chǎn)生的巨大影響。我們對(duì)當(dāng)前 AI 能力未來趨勢(shì)的預(yù)測(cè)和不嚴(yán)謹(jǐn)?shù)乃伎汲謶岩蓱B(tài)度[27]。更重要的是，即便 AI 能力確實(shí)迅速提升，開發(fā)者也需要跨越上文中的這些障礙。這些障礙涉及到社會(huì)和技術(shù)等方面的因素，而非純粹技術(shù)上的問題，因此進(jìn)展會(huì)比較緩慢。即使這些障礙得到了解決，企業(yè)也需要將 AI 整合到現(xiàn)有產(chǎn)品和工作流中，并培訓(xùn)員工如何有效地使用 AI，同時(shí)避免其潛在的陷阱。我們預(yù)期這個(gè)過程應(yīng)該將在十年或更長(zhǎng)時(shí)間內(nèi)而不是一兩年內(nèi)完成。

04 Further reading

Benedict Evans 曾撰文討論過[28][29]使用通用語言模型來構(gòu)建單一用途軟件（single-purpose software）的重要性。

腳注：

1. 明確地說，我們并不認(rèn)為限制對(duì)最先進(jìn)模型的訪問就能減少濫用。但考慮到 LLMs（大語言模型）的濫用比合法使用更為容易（合法使用更需要經(jīng)過深思熟慮），因此濫用現(xiàn)象普遍存在并不令人意外。
2. AI 的整合速度是相對(duì)的。即便是蘋果在其產(chǎn)品中整合 AI 的方法，也受到了過于快速的批評(píng)。
3. 這些因素都與用戶體驗(yàn)息息相關(guān)；我們暫且不考慮環(huán)境成本（environmental costs）、版權(quán)問題（training on copyrighted data）等因素。
4. 例如，GPT-3.5（text-davinci-003）API 每百萬個(gè) token 的成本為 20 美元，而更強(qiáng)大的 gpt-4o-mini 的成本僅為 15 美分。
5. 需要明確指出，數(shù)據(jù)源公開并不意味著沒有隱私問題。
6. 例如，谷歌聲稱：“我們使用公開可用的信息來幫助訓(xùn)練谷歌的 AI 模型?！痹谄渌鼒?chǎng)合，谷歌表示可能使用如電子郵件等私人數(shù)據(jù)來提供服務(wù)、維護(hù)和改善服務(wù)、提供個(gè)性化服務(wù)和開發(fā)新服務(wù)。與這些已披露信息一致的一種方法為，僅使用公共數(shù)據(jù)來預(yù)訓(xùn)練如 Gemini 這樣的模型，而使用私人數(shù)據(jù)來微調(diào)這些模型，以創(chuàng)建電子郵件自動(dòng)回復(fù)機(jī)器人等應(yīng)用。Anthropic 是我們所知的唯一例外。它表示：“我們不會(huì)在未經(jīng)用戶明確許可的情況下使用用戶提交的數(shù)據(jù)來訓(xùn)練我們的生成模型。截至目前，我們尚未使用任何客戶或用戶提交的數(shù)據(jù)來訓(xùn)練我們的生成模型（generative models）?！北M管他們對(duì)保護(hù)用戶隱私的承諾令人欽佩，但我們預(yù)測(cè)，如果該公司想要進(jìn)一步構(gòu)建產(chǎn)品，這將使該公司處于不利地位。

Thanks for reading!

Hope you have enjoyed and learned new things from this blog!

About the authors

Arvind Narayanan?is a professor of computer science at Princeton and the director of the Center for Information Technology Policy. He led the Princeton Web Transparency and Accountability Project to uncover how companies collect and use our personal information. His work was among the first to show how machine learning reflects cultural stereotypes. Narayanan is a recipient of the Presidential Early Career Award for Scientists and Engineers (PECASE).

Sayash Kapoor?is a computer science Ph.D. candidate at Princeton University’s Center for Information Technology Policy. His research focuses on the societal impact of AI. He previously worked on AI in the industry and academia at Facebook, Columbia University, and EPFL Switzerland. He is a recipient of a best paper award at ACM FAccT and an impact recognition award at ACM CSCW.

END

本期互動(dòng)內(nèi)容 ??

?文章列舉了 AI 走向市場(chǎng)需要克服的5個(gè)障礙（成本、可靠性、隱私、安全、用戶界面）。你認(rèn)為哪個(gè)障礙最難克服？為什么？

??文中鏈接??

[1]https://www.goldmansachs.com/images/migrated/insights/pages/gs-research/gen-ai--too-much-spend,-too-little-benefit-/TOM_AI 2.0_ForRedaction.pdf

[2]https://www.inc.com/sam-blum/new-warnings-ai-bubble-when-could-it-burst.html

[3]https://www.nytimes.com/2023/02/16/technology/bing-chatbot-microsoft-chatgpt.html

[4]https://www.theverge.com/2024/2/21/24079371/google-ai-gemini-generative-inaccurate-historical

[5]https://www.vox.com/technology/354794/apple-artificial-intelligence-ai-wwdc

[6]https://blog.google/products/pixel/google-pixel-9-pro-xl/

[7]https://knightcolumbia.org/content/how-to-prepare-for-the-deluge-of-generative-ai-on-social-media

[8]https://x.com/sama/status/1813984333352649087

[9]https://www.aisnakeoil.com/p/new-paper-ai-agents-that-matter

[10]https://arxiv.org/pdf/2407.21787v1

[11]https://arxiv.org/html/2408.03314v1

[12]https://www.himss.org/news/north-carolina-hospital-system-reduces-sepsis-cases-using-predictive-analytics

[13]https://www.aisnakeoil.com/p/new-paper-ai-agents-that-matter

[14]https://dho.stanford.edu/wp-content/uploads/Legal_RAG_Hallucinations.pdf

[15]https://www.wired.com/story/google-deepmind-nhs-health-data/

[16]https://www.nytimes.com/2024/06/26/technology/terms-service-ai-training.html

[17]https://www.bbc.com/news/articles/cd11rje1mrro

[18]https://mobile.x.com/mer__edith/status/1790692059059200017

[19]https://www.wired.com/story/apple-intelligence-android-hybrid-ai-privacy/

[20]https://www.cnbc.com/2024/02/26/googles-gemini-ai-picture-generator-to-relaunch-in-a-few-weeks.html

[21]https://www.aisnakeoil.com/p/ai-safety-is-not-a-model-property

[22]https://arxiv.org/abs/2302.12173

[23]https://embracethered.com/blog/posts/2023/google-bard-data-exfiltration/

[24]https://www.landh.tech/blog/20240304-google-hack-50000/

[25]https://kai-greshake.de/posts/approaches-to-pi-defense/

[26]https://www.techradar.com/computing/artificial-intelligence/i-finally-tried-the-meta-ai-in-my-ray-ban-smart-glasses-thanks-to-an-accidental-uk-launch-and-its-by-far-the-best-ai-wearable

[27]https://www.aisnakeoil.com/p/ai-scaling-myths

[28]https://www.ben-evans.com/benedictevans/2023/10/5/unbundling-ai

[29]https://www.ben-evans.com/benedictevans/2024/6/8/building-ai-products

本文經(jīng)原作者授權(quán)??，由 Baihai IDP 編譯。如需轉(zhuǎn)載譯文，請(qǐng)聯(lián)系獲取授權(quán)。

原文鏈接：

https://www.aisnakeoil.com/p/ai-companies-are-pivoting-from-creating