主要观点：大型语言模型（LLMs）如 ChatGPT 推动了行业文本自动化，但真正商业价值不止于文本生成；BCG 报告指出 62%的 AI 价值来自核心业务功能，仅 38%来自支持功能，且只有 26%的组织能超越概念验证阶段，成功组织 70%的 AI 转型努力投入在“人员和流程”；LLMs 虽改善客服和内容生成，但缺乏理解特定领域约束和规则的能力，无法深度嵌入运营决策；要将 AI 与核心业务流程整合，仅靠 LLMs 不够，需特定领域生成 AI；当前生成 AI 景观发展迅速，开源模型增多，但高性能模型仍为专有；LLMs 与特定领域生成模型有差异，LLMs 基于 Transformer 架构生成文本，缺乏特定领域理解，而特定领域生成模型可直接学习特定业务领域数据并生成可执行决策输出；训练特定领域自回归模型时，需结合自回归学习和奖励优化循环以应对现实数据的次优性；从文本到模型原生行动有核心差异，LLMs 不适合决策驱动业务，特定领域生成模型可直接学习业务决策；构建和整合特定领域生成 AI 模型有离线训练和在线采样生成两个主要组件及相关原则；实施中面临数据可用性、模型复杂性和部署等挑战；未来特定领域生成模型有望在多个领域实现规模化应用，带来运营卓越和高投资回报率。

关键信息：

• 62%的 AI 价值来自核心业务，26%能超越概念验证，4%持续产生前沿价值。
• 成功组织 70%AI 转型 effort 投入“人员和流程”。
• 149 个 2023 年新基础模型，65.7%开源，GPT-4 训练成本 7800 万美元，Gemini Ultra 1.91 亿美元。
• LLMs 基于 Transformer 架构生成文本，缺乏特定领域理解。
• 特定领域生成模型可学习特定业务领域数据并生成可执行决策。
• 训练特定领域模型需结合自回归学习和奖励优化循环。
• 构建特定领域生成 AI 模型有离线训练和在线采样生成组件。
• 实施面临数据、模型和部署等挑战。
• 未来特定领域生成模型在多领域有应用前景和优势。

重要细节：

• BCG 报告详细阐述 AI 价值分布及组织发展情况。
• 介绍 Transformer 架构及相关研究论文。
• 说明特定领域生成模型训练过程及优化方法。
• 阐述从文本到模型原生行动的差异及挑战。
• 详细说明特定领域生成 AI 模型的架构原则。
• 列举实施中数据、模型和部署方面的具体挑战。
• 展望未来特定领域生成模型的应用和优势。