UiPath AI 战略负责人分享，技术型公司如何应用好人工智能的潜力？

　　科技界对生成式人工智能（AI）的探索满怀期待，但我们仍处于技术采纳的早期阶段。UiPath的Ed Challis指出，尽管市场热情高涨，AI技术的全面落地仍面临诸多挑战。

　　在与媒体人Chris Middleton的对话中，Ed Challis表达了对当前生成式AI技术局限性的现实认识。尽管技术有所进步，但如何将这项技术商业化，以及确定其最佳应用场景的问题，我们是否有了更清晰的答案？在最近于伦敦举行的UiPath巡回讲座上，Challis分享了他对AI迅速进展的洞察以及这些进展对企业客户的潜在影响。

　　合作和以客户为中心的AI解决方案

　　对Challis而言，技术的内在价值不仅来源于其本身，还在于能够利用公司独有的网络和数据资产创造新的产品和服务。“我们在UiPath创建的产品和服务可以被客户用来发挥他们的内部数据资产的作用。”他说道。

　　这种观点体现了UiPath存在的核心理由。Challis强调了合作的重要性，在伦敦的活动中这一点尤为突出。他解释说，研究与客户交互之间的协作关系至关重要：“我们制造的AI产品坚持开放、灵活和负责任的原则。灵活性意味着模型是否能学习并适应客户的环境？我们是否使这个过程变得快捷简单？”

　　UiPath持续探索如何将创新与实际操作有效结合，把生成式AI融入这一合作过程中，实现逻辑基础软件与人类的混合使用，向AI、逻辑系统及人类的紧密协作过渡。AI解决方案能否了解并适应不同组织的独特环境是成功的关键。Challis通过比喻新员工的适应能力来阐明这一观点：即使新员工拥有令人印象深刻的简历，如果他们无法学习并适应新的工作方式，那么他们基本上不能带来太多的价值。

　　在AI应用中建立信任

　　在AI解决方案与用户之间，信任是基石。Challis将信任AI比作信任新员工，他强调在承担新的活动或更高风险的工作时，应更加仔细地进行评估。UiPath的使命是通过实现“人在循环中”来解决AI信任问题，允许人类审核、纠正并最终批准AI生成的结果。Challis进一步解释道：“你可以让AI模型提出解决方案，然后交由人工审核。如果人工在100次中的99次都批准了AI的决策，并且只在一次中作了微小调整，那么我们就可以开始建立对AI决策的信任。”这种方法类似于金融服务业中的“四眼原则”，即一个人作出决策，另一个人进行验证。Challis提到了自我修复机器人的功能，他认为这可以为开发者以及不太熟悉代码的人节省大量时间，这与软件开发中的结对编程类似。展望未来，Challis指出AI在商业自动化的发展中具有革命性的潜力，特别是在开发可以进行操作的大型模型（即代理系统）方面。

　　与学术界的合作

　　尽管未来的设想似乎表明了无限的可能性，但UiPath通过与学术界的合作保持了务实的态度。与UCL中心的负责人David Barber教授交谈了解到这种合作是如何形成的。作为UKRI的一部分，ESPRC正在投资8000万英镑用于建立九个AI研究中心。其中位于UCL的生成模型AI中心由Barber领导，汇集了来自剑桥、牛津、爱丁堡、卡迪夫、曼彻斯特、帝国理工、萨里和UCL的研究者。在UiPath于2022年收购了Barber及其博士生共同创立的Re公司后，与UCL的合作正式启动。Barber对于这种合作扩大研究努力并了解AI如何能够改善工作环境的可能性感到兴奋。他指出生成式AI的潜力不仅限于内容创建，而是通过实现更动态的人机交互来扩展这一潜力。他强调AI的快速变化带来了自身的挑战，而理解这种互动对于不同行业能够看到的益处至关重要，尤其是在如政府和医疗保健等容错率极低的领域。在需要限制的环境中建立信任远超过简单的系统应用，如选择最佳的“实现路径”，这是一个可以凸显UiPath优势的挑战。

　　最后，学习是一个持续的过程。杰出专家有时候需要以简化的语言来阐述复杂概念，我们也在用这种方式向计算机展示它们不知道一切。你可以向机器展示一个新表格或一个新软件，但如果没有迭代指导，它就无法处理。一旦机器学习了这个过程，它就可以将这种智能储存起来，并在执行工作时不断提高效率。关于人类与自动化的共生关系将在未来持续存在，“代理AI”的概念无疑将成为行业内的新热点话题。在这些对话中传达出的一个关键点是，需要更好地沟通AI与自动化的融合——使用基于证据的用例来影响培训和技能发展的路线图。我们仍在这一过程中学习和进步。