独家专访博特智能董事长戴亦斌：决策式AI与生成式AI互补融合引领产业发展

（原标题：独家专访博特智能董事长戴亦斌：决策式AI与生成式AI互补融合引领产业发展）

近年来，人工智能（AI）无疑是最具革命性和潜力的技术之一，大模型技术的快速发展催生了“百模大战”，如何尽快、尽好地将“AI+”这一新质生产力转化为落地应用，是所有企业共同面对的机遇和挑战。在AI的众多分支中，生成式人工智能（Generative AI）和决策式人工智能（Decision AI）是两个重要且互补的方向。伴随算法算力的不断进步和海量数据的持续累积，人工智能正在从“决策式”时代迈入“生成式”时代。业界对此有怎样的分析和看法?

本次我们邀请到北京信工博特智能科技有限公司创始人兼董事长戴亦斌先生与我们深入探讨人工智能技术的最新发展趋势，分享他在决策式AI与生成式AI领域的深刻见解，以及它们在B端和C端市场的潜力和落地可能性。

博特智能的掌舵人——戴亦斌，以敏锐的市场嗅觉和卓越的战略决策，带领博特智能在内容审核、内容安全合规、大模型安全评测于加固、智能公文写作和跨境数据流通等多个领域取得了显著成就。他本人作为信息安全和人工智能领域的行业专家，曾于中科院从事研发、管理、技术成果转化，参与了众多国家重点网络安全项目，具有极强的行业洞察力。

以下为访谈的详细内容：

决策式AI未来发展趋势：仍然具有广阔的应用空间

亿欧网：您如何看待决策式AI技术的未来发展趋势？

戴亦斌：短时间内，我认为生成式AI并不会完全取代决策式AI，决策式AI仍然具有广阔的应用空间。从博特的智能内容审核与巡查系统来说，我们在运用意识形态大模型、规则审核、机器学习等方式，对大量文本图像和音视频的内容进行事前、事后的审查和巡检。目前在90%的情况下仍然依赖原来的决策式AI模型。因为决策式AI模型一旦训练好，在应用到推理环境的时候，就具有高性能、低成本的特点，这在目前仍然是不可取代的。

但是生成式AI的趋势在发展，我们自己也在应用生成式AI大模型来补充决策式AI模型的不足。例如，如果用生成式AI来做新的违禁物品的检测，设定好提示词，我们只需向模型提出问题，比如询问图像中是否包含特定的违禁物品就可以。我们博特现在有多模态模型，只要问这图片里面有没有我们要识别的违禁物品，一般都能识别出来。这种方法的优势在于，在训练过程中节约了大量的时间和成本。

但实际上，尽管在训练阶段生成式AI确实有不少优势，在实际应用中，它们也面临着一些挑战。例如生成式大模型在处理图片时可能需要2到3秒，这个时间看起来不长，但如果我们要处理的是海量图片，比如每天千万级的图片量，这个时间就会累积成很大的延迟。尤其是在内容审核检测领域，对速度的要求非常高。如果用生成式AI处理这么多图片，所需的计算资源会非常庞大，相应的成本也会水涨船高，这可能是客户难以接受的。

所以尽管生成式AI有很大的潜力，但要达到决策式AI那样的高性价比，还有很长的路要走，这也是现在小型参数模型开始受到关注的原因。人们逐渐意识到，并不是所有情况下都需要巨大的模型。就像社会中的不同工作，有的需要高学历，有的可能只需要专业技能。在AI领域，我们也需要根据不同的应用场景，找到最合适的模型大小和类型，从而兼顾性能和成本效率。

亿欧网：请问您觉得决策式AI落地场景需求是否会受到生成式AI的冲击？

戴亦斌：我刚才提到了一些AI的应用场景，比如金融投资、人脸识别、推荐系统，还有我们正在做的内容风控，以及自动驾驶等。这些领域，特别是工业质检上，现在用得最多的还是决策式AI，而且用得相当成熟，商业应用也很广泛。

就拿我们所在的内容风控行业来说，我预计在未来2到3年内，90%的情况可能还是会继续依赖决策式AI，至少在我们这里是9:1的比例。而生成式AI，虽然在内容创作、人机交互、图像视频处理，甚至是3D和未来的人形机器人等领域有很大的潜力，但就像我们刚才讨论的，生成式AI在性能、效率、成本方面还有不足，有时候还会出现误判。这在一些对准确性要求极高的领域，比如危险品检测、违禁品识别等，可能是个不小的问题。

出于这些原因，我认为在未来3到5年内，决策式AI还是会有很大的发展空间。当然，随着技术的进步，生成式AI也在不断改进，未来它在某些领域可能会逐渐取代决策式AI，但就目前来看，决策式AI还是更可靠、更高效的选择。

生成式AI的发展趋势：通用人工智能VS参数小型化和模型专业化

亿欧网：您如何看待生成式AI技术的未来发展趋势？

戴亦斌：生成式AI的未来，我看来可能会走向两个方向。一方面，有些研究者会继续扩大模型规模，朝着通用人工智能（AGI）的目标前进，就像学术追求达到顶峰后还要争取诺贝尔奖一样。另一方面，就是参数小型化和模型专业化，模型可能会变得更小巧、更专业，以适应不同行业的需求，更注重实际应用的落地。

生成式AI的生成能力是它的看家本领，但通过巧妙的微调，这些大模型可以适应各种不同的任务和场景。通过一些接口的巧妙运用，它们甚至能满足一些决策式AI的需求，比如做预测、下判断。拿图像识别来说，这个过程本质上也是一种生成——根据图像生成对其中内容的理解，而这些理解，正是我们所需要的信息。说到小参数模型，比如1B、2B的，或者未来有0.75B的，未来可能在PC上就能跑这些模型。现在很多AIPC都在朝这个方向发展，因为只有模型足够小，才能在设备端运行。在工业场景中，比如生产线上的应用，端侧运行是必须的，这样才能保证响应速度。

亿欧网：您如何看待生成式AI在B端市场和C端市场的发展潜力？

戴亦斌：生成式AI现在已经在部分领域实现了商业变现,像智能客服、数字人、商业图像处理这些b端市场，以及专业的内容创作等。比如我们博特的新华内容安全生产平台，它基于博特妙笔内容生成大模型，能为客户在公文协作上提供生成、校对、续写、灵感和润色等服务，也提供了多样化的交付方案。

作为新质生产力，AI可以用于B端生产市场，也可以用于C端消费市场。但从商业变现来说，B端才是我们初创企业可以生存的舞台。C端市场很难，因为大厂已经牢牢占据了流量的入口，而且大厂也在发力做C端应用，尤其是通用型的应用，比如AI搜索、AI助手。创业者如果挤进这些领域，很可能只是在为大公司铺路。

决策式AI和生成式AI技术呈融合发展趋势

亿欧网：您如何看待决策式AI和生成式AI技术的未来发展路径（融合发展、独立发展、出现技术替代）？

戴亦斌：两者的融合是肯定的，因为我们自己就在这么做。以我们的内容识别技术为例，我们先用决策式AI的专用模型进行初步筛选，这个模型能快速地对大量图片进行分类，但就像任何技术一样，它也不是完美的，有时会出现误判。假设我们有一万张图片，初筛后可能挑出100张可疑的。这时生成式AI就派上用场了，我们会用它的多模态模型对这些图片进行复审。虽然生成式AI处理单张图片的成本可能较高，但当数量减少到100张时，这个成本就变得可以接受了。这样一个是初筛，一个是精选，我们既利用了决策式AI的高效率，又利用了生成式AI的深入分析能力，实现了一个既经济又有效的解决方案。

自从去年生成式AI的大模型开始兴起，我们就在研究如何将其整合到我们的场景中。我相信，我们不是唯一在这么做的，其他专注于决策式AI的公司肯定也在探索类似的融合方式。比如，在自动驾驶领域，生成式AI就可能被用来补充数据以提高应用效果。

商业落地：弥合信息差，实现技术与需求的无缝对接

亿欧网：都说AI要给下游客户创造价值，请问您觉得可以如何从供给侧和需求侧提升AI商业落地场景给下游甲方企业带来综合价值？

戴亦斌：目前在AI应用落地的过程中，甲方企业和我们这些技术提供方之间确实存在一定的信息不对称。甲方对AI的期待很高，但现实中的技术还不能完全满足他们的所有期望，这就产生了差距。要解决这个问题，我们认为关键在于产品——通过精心设计产品，确保它能够贴近客户的实际使用需求，并通过工程化的打磨来弥补这种信息差异，尽量满足甲方对AI的高期望。

同时，我们也需要与甲方进行深入的沟通，帮助他们更好地理解AI技术的原理、当前的实际能力和未来的发展潜力。让甲方对AI有更清晰的认识，这样我们的产品才能更顺利地落地。

简单来说，我们要通过沟通和技术实践，让客户对AI有合理的期待，同时用过硬的产品来满足他们的需求，这样才能让我们的技术为客户发挥出最大的价值。