在近日举行的BoxWorks大会上,英伟达创始人兼前CEO黄仁勋与Box CEO Aaron Levie进行了一场主题对谈。黄仁勋在会上表示,当前的大模型已经具备完成有用工作的能力,企业不必等待下一次技术突破才去寻找实际应用场景。他将当前AI所处阶段类比于个人电脑和iPhone的早期——用户在这些技术达到今天的能力之前,就已经找到了它们的用途。
这场讨论的核心指向一个常被忽视的问题:企业对AI的投入,不应停留在比较哪个模型更聪明。ChatGPT、Claude和Gemini会持续迭代,但选择模型与真正用好模型是两回事。营销人员仍然需要提出值得研究的问题、找到值得分析的信息,并建立对结果的信任。黄仁勋认为,AI最大的机会之一,是帮助企业把已经掌握的知识真正用起来。
这一判断有现实依据。企业多年来积累了大量的客户调研、反馈和其他有价值的信息,但其中相当一部分沉淀在无人打开的文件里。缺少对这些信息的访问能力,AI对客户差异化和业务特性的理解就十分有限。这类信息大多属于非结构化数据,无法整齐地放入电子表格的行列或数据库字段中,寻找相关答案往往意味着翻查文件夹、检索邮件和追溯调研记录。
对谈中引起关注的另一话题是上下文引擎(context engine)。黄仁勋以图书馆作比:向图书管理员提问时,需要的是相关的几本书,而不是整座图书馆。AI智能体同样需要这种帮助。上下文引擎能够帮助智能体定位并使用相关信息,而无需处理每一份文档。黄仁勋提到,Box的上下文引擎可将智能体的令牌(token)消耗降低最多90%。需要指出的是,这一数据来自主题演讲中的说法,实际效果取决于具体任务、配置方式和所涉及的信息,不宜视为对所有企业的普遍承诺。但从逻辑上看,智能体处理的无关材料越少,任务耗时和运行成本就越低。
从行业影响看,这一讨论将企业AI的焦点从模型能力竞赛转向数据资产与检索效率。对于拥有大量客户洞察、支持工单和流失原因记录的企业而言,如何让AI在海量非结构化信息中精准定位证据,正在成为决定AI投资回报的关键环节。上下文管理与令牌成本优化,也可能成为企业软件厂商下一阶段产品竞争的重点方向。
该文观点仅代表作者本人,企服科学平台仅提供信息存储空间服务。