快速前进，但别破坏任何东西

“如果人工智能把电子邮件搞砸了没关系，但如果它导致停电就是灾难。”

如果你想知道为什么关键行业对人工智能的采用会很慢，我最近一次对话中的这句话就说明得很清楚。

生成式人工智能基于概率思维，使用模型得出“最合适”的答案。关键基础设施要求的则恰恰相反。它需要精确、确定性的输出。在这些系统中，风险会成倍增长。电子邮件差10%可能只是尴尬；电力调度差10%会导致停电，而1%的质量差异就会带来实质性影响。

这很大程度上解释了为什么首波进入关键行业的人工智能会失败。它把概率性思维和“维生素式”的价值主张带入那些需要实时确定性答案的行业。首波着力于防止故障——预测中断、减少停机、避免高昂维修。理论上很好，实践中却难以证明。

出售反事实结果极其困难。它们难以衡量，再加上人工智能的黑箱特性，价值主张充其量也只是模糊不清。在确定性的世界里提供概率性的“维生素”，首波 AI/ML 成了以此为主导策略的公司们的坟场。

首波是这些行业中人工智能的青春期，而青春期是无法跳过的。第二波会因此变得更聪明。

在消费类应用中，大多数决策都是双向门。你发布，你破坏，你学习，你修复。一个错误决策的代价通常是几十万到几百万美元和一个补丁。

在能源领域，几乎每扇门都是单向的。错误的决策一旦电网瘫痪或管道失效就无法挽回，而代价以数百万美元、诉讼和监管审查来衡量。即便人工智能能将运营提升30%，对单次故障的惧怕也远远超过其带来的好处。

这并不意味着人工智能不会改变这些行业。它会。我们已经见证了这种变化。我们的一些投资组合公司在使用人工智能——既有生成式 AI，也有预测模型。那些获得市场认可的公司并没有把技术当作首要卖点。它们解决了具体问题，同时满足这些客户真正关心的要求：安全、可用性、透明度。人工智能在底层运行，客户不需要知道也不必在意。

我承认客户现在可能更在意这件事，因为大多数大型组织都有某种企业层面的 AI 实施目标。毕竟，使用或关联人工智能的公司股价会有上涨。告诉我动机，我就能告诉你结果。

但要在关键行业真正加速采用，一直以来都必须在客户所在之处与他们接触。客户所在之处是一个把安全、透明和信托置于几乎所有其他购买标准之上的环境。

那些弄明白这一点的公司根本不需要去推销“AI”。他们只是在销售一种更好的工作方式。

我在追逐的想法

卓越与公平并不互相排斥。

偏见在其影响最大时最容易隐藏。

我正在收集的想法

你越幸运，就越应该友善。—摩根·豪瑟

对现有拥有感到满足并不妨碍你去追求想要的。—谢恩·帕里什