獨家專訪博特智能董事長戴亦斌：決策式AI與生成式AI互補融合引領產業發展

（原標題：獨家專訪博特智能董事長戴亦斌：決策式AI與生成式AI互補融合引領產業發展）

近年來，人工智能（AI）無疑是最具革命性和潛力的技術之一，大模型技術的快速發展催生了“百模大戰”，如何儘快、盡好地將“AI+”這一新質生產力轉化爲落地應用，是所有企業共同面對的機遇和挑戰。在AI的衆多分支中，生成式人工智能（Generative AI）和決策式人工智能（Decision AI）是兩個重要且互補的方向。伴隨算法算力的不斷進步和海量數據的持續累積，人工智能正在從“決策式”時代邁入“生成式”時代。業界對此有怎樣的分析和看法?

本次我們邀請到北京信工博特智能科技有限公司創始人兼董事長戴亦斌先生與我們深入探討人工智能技術的最新發展趨勢，分享他在決策式AI與生成式AI領域的深刻見解，以及它們在B端和C端市場的潛力和落地可能性。

博特智能的掌舵人——戴亦斌，以敏銳的市場嗅覺和卓越的戰略決策，帶領博特智能在內容審覈、內容安全合規、大模型安全評測於加固、智能公文寫作和跨境數據流通等多個領域取得了顯著成就。他本人作爲信息安全和人工智能領域的行業專家，曾於中科院從事研發、管理、技術成果轉化，參與了衆多國家重點網絡安全項目，具有極強的行業洞察力。

以下爲訪談的詳細內容：

決策式AI未來發展趨勢：仍然具有廣闊的應用空間

億歐網：您如何看待決策式AI技術的未來發展趨勢？

戴亦斌：短時間內，我認爲生成式AI並不會完全取代決策式AI，決策式AI仍然具有廣闊的應用空間。從博特的智能內容審覈與巡查系統來說，我們在運用意識形態大模型、規則審覈、機器學習等方式，對大量文本圖像和音視頻的內容進行事前、事後的審查和巡檢。目前在90%的情況下仍然依賴原來的決策式AI模型。因爲決策式AI模型一旦訓練好，在應用到推理環境的時候，就具有高性能、低成本的特點，這在目前仍然是不可取代的。

但是生成式AI的趨勢在發展，我們自己也在應用生成式AI大模型來補充決策式AI模型的不足。例如，如果用生成式AI來做新的違禁物品的檢測，設定好提示詞，我們只需向模型提出問題，比如詢問圖像中是否包含特定的違禁物品就可以。我們博特現在有多模態模型，只要問這圖片裡面有沒有我們要識別的違禁物品，一般都能識別出來。這種方法的優勢在於，在訓練過程中節約了大量的時間和成本。

但實際上，儘管在訓練階段生成式AI確實有不少優勢，在實際應用中，它們也面臨着一些挑戰。例如生成式大模型在處理圖片時可能需要2到3秒，這個時間看起來不長，但如果我們要處理的是海量圖片，比如每天千萬級的圖片量，這個時間就會累積成很大的延遲。尤其是在內容審覈檢測領域，對速度的要求非常高。如果用生成式AI處理這麼多圖片，所需的計算資源會非常龐大，相應的成本也會水漲船高，這可能是客戶難以接受的。

所以儘管生成式AI有很大的潛力，但要達到決策式AI那樣的高性價比，還有很長的路要走，這也是現在小型參數模型開始受到關注的原因。人們逐漸意識到，並不是所有情況下都需要巨大的模型。就像社會中的不同工作，有的需要高學歷，有的可能只需要專業技能。在AI領域，我們也需要根據不同的應用場景，找到最合適的模型大小和類型，從而兼顧性能和成本效率。

億歐網：請問您覺得決策式AI落地場景需求是否會受到生成式AI的衝擊？

戴亦斌：我剛纔提到了一些AI的應用場景，比如金融投資、人臉識別、推薦系統，還有我們正在做的內容風控，以及自動駕駛等。這些領域，特別是工業質檢上，現在用得最多的還是決策式AI，而且用得相當成熟，商業應用也很廣泛。

就拿我們所在的內容風控行業來說，我預計在未來2到3年內，90%的情況可能還是會繼續依賴決策式AI，至少在我們這裡是9:1的比例。而生成式AI，雖然在內容創作、人機交互、圖像視頻處理，甚至是3D和未來的人形機器人等領域有很大的潛力，但就像我們剛纔討論的，生成式AI在性能、效率、成本方面還有不足，有時候還會出現誤判。這在一些對準確性要求極高的領域，比如危險品檢測、違禁品識別等，可能是個不小的問題。

出於這些原因，我認爲在未來3到5年內，決策式AI還是會有很大的發展空間。當然，隨着技術的進步，生成式AI也在不斷改進，未來它在某些領域可能會逐漸取代決策式AI，但就目前來看，決策式AI還是更可靠、更高效的選擇。

生成式AI的發展趨勢：通用人工智能VS參數小型化和模型專業化

億歐網：您如何看待生成式AI技術的未來發展趨勢？

戴亦斌：生成式AI的未來，我看來可能會走向兩個方向。一方面，有些研究者會繼續擴大模型規模，朝着通用人工智能（AGI）的目標前進，就像學術追求達到頂峰後還要爭取諾貝爾獎一樣。另一方面，就是參數小型化和模型專業化，模型可能會變得更小巧、更專業，以適應不同行業的需求，更注重實際應用的落地。

生成式AI的生成能力是它的看家本領，但通過巧妙的微調，這些大模型可以適應各種不同的任務和場景。通過一些接口的巧妙運用，它們甚至能滿足一些決策式AI的需求，比如做預測、下判斷。拿圖像識別來說，這個過程本質上也是一種生成——根據圖像生成對其中內容的理解，而這些理解，正是我們所需要的信息。說到小參數模型，比如1B、2B的，或者未來有0.75B的，未來可能在PC上就能跑這些模型。現在很多AIPC都在朝這個方向發展，因爲只有模型足夠小，才能在設備端運行。在工業場景中，比如生產線上的應用，端側運行是必須的，這樣才能保證響應速度。

億歐網：您如何看待生成式AI在B端市場和C端市場的發展潛力？

戴亦斌：生成式AI現在已經在部分領域實現了商業變現,像智能客服、數字人、商業圖像處理這些b端市場，以及專業的內容創作等。比如我們博特的新華內容安全生產平臺，它基於博特妙筆內容生成大模型，能爲客戶在公文協作上提供生成、校對、續寫、靈感和潤色等服務，也提供了多樣化的交付方案。

作爲新質生產力，AI可以用於B端生產市場，也可以用於C端消費市場。但從商業變現來說，B端纔是我們初創企業可以生存的舞臺。C端市場很難，因爲大廠已經牢牢佔據了流量的入口，而且大廠也在發力做C端應用，尤其是通用型的應用，比如AI搜索、AI助手。創業者如果擠進這些領域，很可能只是在爲大公司鋪路。

決策式AI和生成式AI技術呈融合發展趨勢

億歐網：您如何看待決策式AI和生成式AI技術的未來發展路徑（融合發展、獨立發展、出現技術替代）？

戴亦斌：兩者的融合是肯定的，因爲我們自己就在這麼做。以我們的內容識別技術爲例，我們先用決策式AI的專用模型進行初步篩選，這個模型能快速地對大量圖片進行分類，但就像任何技術一樣，它也不是完美的，有時會出現誤判。假設我們有一萬張圖片，初篩後可能挑出100張可疑的。這時生成式AI就派上用場了，我們會用它的多模態模型對這些圖片進行復審。雖然生成式AI處理單張圖片的成本可能較高，但當數量減少到100張時，這個成本就變得可以接受了。這樣一個是初篩，一個是精選，我們既利用了決策式AI的高效率，又利用了生成式AI的深入分析能力，實現了一個既經濟又有效的解決方案。

自從去年生成式AI的大模型開始興起，我們就在研究如何將其整合到我們的場景中。我相信，我們不是唯一在這麼做的，其他專注於決策式AI的公司肯定也在探索類似的融合方式。比如，在自動駕駛領域，生成式AI就可能被用來補充數據以提高應用效果。

商業落地：彌合信息差，實現技術與需求的無縫對接

億歐網：都說AI要給下游客戶創造價值，請問您覺得可以如何從供給側和需求側提升AI商業落地場景給下游甲方企業帶來綜合價值？

戴亦斌：目前在AI應用落地的過程中，甲方企業和我們這些技術提供方之間確實存在一定的信息不對稱。甲方對AI的期待很高，但現實中的技術還不能完全滿足他們的所有期望，這就產生了差距。要解決這個問題，我們認爲關鍵在於產品——通過精心設計產品，確保它能夠貼近客戶的實際使用需求，並通過工程化的打磨來彌補這種信息差異，儘量滿足甲方對AI的高期望。

同時，我們也需要與甲方進行深入的溝通，幫助他們更好地理解AI技術的原理、當前的實際能力和未來的發展潛力。讓甲方對AI有更清晰的認識，這樣我們的產品才能更順利地落地。

簡單來說，我們要通過溝通和技術實踐，讓客戶對AI有合理的期待，同時用過硬的產品來滿足他們的需求，這樣才能讓我們的技術爲客戶發揮出最大的價值。