11月初，除了 Elon Musk 推出以自家大语言模型 Grok-1 打造的聊天机器人「Grok」；AI 趋势大师李开复也公开旗下公司零一万物所开发的首款开源大语言模型 Yi-34B 和 Yi-6B；而 OpenAI 更是在首届开发者大会上公布名为 GPT-4 Turbo 的升级版大型语言模型，以及发表客制化AI服务GPTs，针对需求打造客制化 ChatGPT，并在社群上引发讨论。

随着越来越多新的大型语言模型发表，以及调整方法不断推陈出新，许多公司开始思考如何利用大型语言和图像生成式人工智慧（generative AI）模型等新兴科技，结合自家企业的专业知识，打造出 AI 应用，有效且敏捷的创造、管理、应用、重组，以及部署知识资产。

目前，将组织的特定领域知识纳入生成式模型的方法主要有 3 种，分别是：「从头开始训练一个大语言模型」、「微调现有的大语言模型」，以及「用提示调整现有的大语言模型」。对於一般公司而言，透过提示调整语言模型是效率最高，且不需要大量资料来训练模型的方法。使用这种方法时，原始模型保持冻结状态，人们透过对话视窗（context window）里的提示进行修改，这些提示包含领域的特定知识。透过提示调整後，模型可以回答与该知识有关的问题。

企业仍须面临技术挑战

虽然用提示调整现有的 LLM 已经是相对简单的方法，也不代表企业在使用时不需付出技术成本。当我们需要将文本等非结构化资料输入 LLM 时，资料中可能包含太多重要特徵（attributes ）而过於庞大，导致无法直接使用，这时候就会需要建立向量嵌入（vector embeddings），也就是由另一个预训练机器学习模型从文本所产生的数值阵列，保留了文本中的脉络关系，以更紧凑的方式代表这些资料。当使用者输入提示到系统中，相似性演算法会决定哪些向量应该送交给 GPT-4 模型。由於过程仍是相当复杂，即使已有企业提供相关工具的服务，大部分企业内部仍需要资料科学人才，让提示调整的过程更为容易。

当更多的企业可以更快速的使用客制化 GPT 服务时，在使用上需要注意哪些风险呢？

麻省理工学院数位商业中心（MIT Center for Digital Business）研究员汤玛斯．戴文波特（Thomas H. Davenport）指出，企业在使用客制化 GPT 服务时，仍需要注意内容挑选、品质确认与法律治理等方面的挑战。

内容的管理与治理

在以任何方式客制化 LLM 前，高品质的内容仍是必须，如果不是已经经过编选的资料，企业仍需要投入人力进行编选，以确保内容的准确性、即时性且不重复。

品质保证和评估

另一方面，确保回应的品质仍是管理生成式 AI 内容的重要层面。我们都知道，生成式 AI 有时会「产生幻觉」，答出不正确或不存在的事实。这种类型的错误，除了可能会为企业制造问题，在健康照护的应用上也可能带来致命危机。

不过，根据已用特定领域资讯来调整 LLM 的公司经验，比起直接使用的 LLM，调整过的 LLM，较少出现虚构的问题，至少在没有延长对话或没有输入无关业务的提示时是这样。 建议采用企业在使用时生成式 AI 时，应该制定一个评估策略。

法律和治理风险

和 LLM 部署有关的法律和治理问题非常复杂且仍变动，造成一些风险因素，包括智慧财产、数据隐私与安​​全、偏见和伦理，以及虚假／不准确的输出结果。目前，LLM 的产出成果，其法律地位仍不明朗。由於 LLM 的产出结果，不会完全相同於任何用来训练模型的文本，因此许多法律观察家认为着作权法的「合理使用」条款适用於 LLM，虽然这一点还没有在法庭上受到测试，且不是所有国家的着作权法都有这种条款。因此，建议广泛使用生成式 AI 进行知识管理，或应用到生成式 AI 用途的公司，都应在调整 LLM 以及治理调整的过程中，邀请法律代表参与。

此外， 一些供应商为了解决机密和隐私方面的问题，正在为 LLM 增加进阶和改良的安全与保护功能，包括删除使用者的提示、限制特定主题，以及防止将原始码和专有数据输入到开放大众使用的 LLM。而企业软体系统的供应商正在自家产品和服务中加入「信任层」（Trust Layer）。例如，有些公司希望能快速部署 LLM 的能力，但又担心这些系统在商业环境中会带来上述风险。

塑造使用者行为

由於使用与取得容易，加上能提供各种不同领域知识的实用答案等因素，促使员工迅速采用以生成式 AI 为基础的知识管理方法，以现况而言，使用过程并没有受到指导，发生得自然而然，当中究竟有哪些风险，当然也没有经过评估。

为了实现将生成式 AI 应用在知识管理上的机会并管理潜在风险，企业必须营造透明与当责的文化，让以生成式 AI 为基础的知识管理系统取得成功。使用者除了执行政策和指导方针，还需要知道如何安全有效地将生成式 AI 能力融入员工所负责的任务中，以提升绩效和生产力。

生成式 AI 的能力，包括察觉脉络和历史、汇总或组合各种来源的知识生成新的内容，以及根据资料进行预测，这些能力可以为知识工作提供强而有力的支持。以生成式 AI 为基础的知识管理系统，能将资讯密集的搜寻过程，如法律案例研究和大量低复杂性的认知任务自动化，如回覆例行性的顾客电子邮件。这种方法可以提高员工的效率，让他们释出更多心力，转而投入工作上较为复杂的层面，例如决策和解决问题，且部分特定行为需要透过训练或政策宣导，让员工得以贯彻执行。