生成式AI

OpenAI、Google、Microsoft 与 Anthropic 四家 AI 公司于美国时间10月30日表示，将支持同一个“AI 训练退出”信号：网站只要在 robots.txt 加一行设定，就能告诉所有采用这个做法的 AI 公司，不要把网站内容拿去训练生成式 AI 模型。过去，网站要逐家、逐个爬虫写规则，现在有望一次过表态。 据法新社报道，各家的时间表并不一致：Microsoft 从2027年2月1日开始执行，Google 预计在2027年内跟进，OpenAI 表示会在未来几个月内支持，Anthropic 则称已经开始推行。Meta 发言人 Andy Stone 在 X 上表示支持这个方向，但据 SiliconANGLE 报道，Meta 尚未承诺落实。这个信号写在一份提交给国际互联网工程任务组（IETF）的个人草案里，作者是 Anthropic 的 Kevin Kelley，草案日期为10月30日，目前还不是正式通过的标准。 法新社也引述 Microsoft 的说明指出，这项设定只管未来的模型训练，不会阻止其他用途的爬取；网站若不主动更改设定，默认仍然允许 AI 公司抓取内容。 不给 AI 拿去训练，会不会连 AI 的回答里也看不到你的品牌？ 据 Microsoft Bing 团队10月30日发布的说明，Microsoft 把“训练”和“回答引用”（grounding）分开处理：训练是用内容去调整模型本身，回答引用则是 AI 在回答用户问题时，临时参考网页内容。两者可以分开设定，例如拒绝训练、但仍然允许回答引用。Microsoft 也说明，如果网站选择禁止回答引用，品牌在 Copilot 等 AI 服务中的曝光会减少，但不影响网站在 Bing 传统搜索结果中的资格。 显然，对马来西亚企业来说，这不再只是技术人员改一行代码的事。很多企业官网上的产品介绍、常见问题、行业文章和案例分享，原本就是为了让潜在客户找到你而写的。现在顾客越来越多是直接问 AI，如果一刀切全部关掉，辛苦累积的知识内容可能从 AI 的回答里消失；如果完全不管，花钱请人做的研究报告和独家方法论，也可能在没有任何回报的情况下被拿去训练模型。 所以，从企业品牌和知识传播的角度来看，真正要做的决定，是哪些内容要让 AI 帮你传播，哪些内容是需要保护的核心资产。 如果你也是靠官网内容吸引客户的企业，你可以先做好这四件事： 先把你的网站内容分成两类：一类是希望被更多人看到的公开内容，例如产品说明、常见问题、品牌故事；另一类是代表你专业价值的内容，例如付费报告、独家方法论、客户案例细节。 请负责网站的同事检查现有的 robots.txt：看看你的网站目前对各家 AI 爬虫是开放还是封锁，避免过去随手加的规则，在你不知情的情况下把品牌挡在 AI 的回答之外。 分开决定“训练”和“回答引用”：需要保护的内容可以考虑拒绝训练，但想让客户在 AI 里找到你的公开内容，就保留回答引用。 在明年2月 Microsoft 开始执行之前定好公司立场：把决定写成一份简单的内部指引，以后新增网页时，同事就知道每一类内容应该怎样设定。 说到底，这一行设定考的不是技术，而是企业对自己内容的定位。企业先想清楚哪些知识是用来建立品牌的、哪些是用来赚钱的，才能在 AI 时代既让客户找得到你，也守住自己的专业价值。 关注我们，每天和你聊聊马来西亚老板的实时商业洞察。 资料来源 Malay Mail（法新社）：After scraping the Internet, AI giants pledge ‘no scraping’ tool for publishers（2026年10月31日） Microsoft Bing Blog：Your content, your choice: clearer preferences for training and grounding（2026年10月30日） SiliconANGLE：Google, Anthropic and others to support new AI crawling opt-out standard（2026年10月30日） IETF Datatracker：Machine-Readable Training Preference Signal（个人草案，2026年10月30日）

（吉隆坡10日讯）2023年以来，“生成式AI”这个词几乎无处不在。ChatGPT能写文章、Gemini能分析数据、Midjourney能画图、GitHub Copilot能写代码——它们都属于同一类技术的不同应用。 但生成式AI究竟是什么？它和过去我们认知的“人工智能”有何不同？它为何突然变得如此强大？对大马企业和普通工作者而言，它究竟意味着什么机遇与挑战？ 什么是生成式AI？与传统AI的根本差异 人工智能并不是新概念。过去数十年，AI已经被广泛应用于垃圾邮件过滤、人脸识别、推荐算法等场景。但传统AI的工作方式，是根据预设规则或已知分类来识别或预测——它能告诉你“这封邮件是垃圾邮件”，但无法自己写一封邮件。 生成式AI（Generative AI）的革命性突破在于：它能够创造全新的内容，而不只是识别或分类已有内容。 给它一个提示（Prompt），它可以生成： 一篇完整的新闻稿或营销文案 一段运行中的程序代码 一张从未存在过的图像 一首原创歌曲或一段视频脚本 对一份财务报告的深度分析 这种“从无到有的创造能力”，正是生成式AI与过去所有AI应用的根本差异。 大语言模型（LLM）：生成式AI的核心引擎 ChatGPT、Gemini、Claude等主流生成式AI，背后的核心技术是大语言模型（Large Language Model，LLM）。 理解LLM，可以从三个关键词入手： “大”：参数规模的突破 LLM的“大”，指的是模型内部的参数（Parameters）数量极为庞大。参数可以理解为模型在训练过程中学到的知识节点，参数越多，模型理解语言的能力越强。 GPT-4的参数量估计超过1万亿，相比之下，人类大脑的神经元突触约为100万亿。参数量的急剧增长，是近年AI能力爆发的核心驱动力之一。 “语言”：以人类语言作为理解世界的媒介 LLM透过学习人类书写的海量文本——网页、书籍、学术论文、代码、对话记录——来理解语言的规律、概念之间的关系，以及世界的运作方式。 这让LLM具备了跨领域的通用理解能力：同一个模型，既能解释量子力学，也能写一首马来诗，还能帮你调试Python代码。 “模型”：基于概率的内容生成 LLM生成文字的方式，本质上是逐字预测概率——在给定的上下文中，下一个词最可能是什么？这个过程不断重复，便形成连贯的句子、段落乃至完整的文档。 这也解释了为何LLM有时会“一本正经地说错话”（称为“幻觉”，Hallucination）——它的本质是在统计规律中寻找最可能的答案，而非真正“理解”或“查证”事实。 训练一个LLM需要什么？ 训练一个大型语言模型，需要三大要素的极致组合： 数据：数以万亿计的文本词元（Token），来自全球互联网、书籍、学术库等海量来源。 算力：数以千计的高端GPU（尤其是英伟达的A100/H100系列），持续运算数月，每天耗电量相当于一个中型城市的用电量。 资金：训练GPT-4的成本估计超过1亿美元，这也是为何大型LLM几乎全部由科技巨头（OpenAI/微软、谷歌、Meta、Anthropic）主导。 生成式AI的主要应用形态 生成式AI的应用，已经从科技圈渗透至几乎所有行业： 文字生成：新闻稿、营销文案、法律文件、客服对话、电子邮件 代码生成：GitHub Copilot帮助开发者自动补全及生成代码，将编程效率提升数倍 图像生成：Midjourney、DALL·E、Stable Diffusion，让任何人都能生成高质量图像 音视频生成：AI生成配音、字幕翻译、短视频脚本及虚拟人物 数据分析与决策支持：将复杂数据转化为可读的分析报告，辅助企业决策 知识管理：企业内部文件检索、合同审查、培训材料生成 生成式AI的三大局限，企业使用须知 尽管能力强大，生成式AI目前仍有三个重要局限，企业在应用时须审慎： ① 幻觉问题（Hallucination）：LLM可能以高度自信的语气生成错误的事实、虚假的数据或不存在的引用。所有AI生成内容，在用于对外发布或决策依据前，须经过人工核实。 ② 知识截止日期（Knowledge Cutoff）：大多数LLM的训练数据有知识截止日期，无法实时获取最新信息（除非配合联网搜索功能）。对需要时效性信息的业务场景，须特别注意。 ③ 数据隐私风险：将企业内部敏感数据（客户资料、财务数据、商业机密）输入公开AI平台，可能面临数据泄露风险。企业须制定明确的AI使用政策与数据分类管理规范。 大马企业如何把握生成式AI机遇？ 大马政府已将AI纳入国家数字经济战略核心，数字经济机构（MDEC）、投资发展局（MIDA）及人力资源部均在积极推动AI应用与人才培育。 对大马企业而言，生成式AI带来的最直接机遇包括： 内容营销自动化：以AI辅助生成多语言（中英马）营销内容，大幅降低内容生产成本。 客服智能化：部署基于LLM的智能客服，提升24小时服务能力，减少重复性客服人力需求。 内部知识管理：将企业文件、SOP、培训材料接入AI系统，打造内部智能知识库。 数据分析民主化：让非技术背景的业务人员也能透过自然语言查询数据，提升决策效率。 一句话总结 生成式AI是一场重新定义“创造力”的技术革命——它不是要取代人类，而是正在成为每一个人的智能助手，让个人与企业能够以更低的成本、更快的速度，完成过去需要大量专业人力才能实现的工作。 真正的问题不是“AI会不会取代我”，而是“懂得善用AI的人，会不会取代不懂用AI的人”。 SOMO观察｜生成式AI是大马商界最重要的生产力转型机遇，但须以治理框架护航 生成式AI的普及，正在重塑全球劳动力市场与商业竞争格局。根据麦肯锡全球研究院估算，生成式AI每年可为全球经济创造2.6至4.4万亿美元的附加价值，影响领域涵盖客服、营销、软件开发、教育及医疗等。 对大马商界而言，这一技术转型窗口既是机遇也是压力——率先在内部流程中整合AI的企业，将在效率与成本上获得结构性竞争优势；而观望等待的企业，则面临被竞争对手快速拉开差距的风险。 然而，AI应用的加速也带来两类系统性风险值得关注：其一是AI生成内容的事实准确性，尤其对媒体、法律、医疗及金融等需要高度事实准确性的行业；其二是员工能力转型的速度，AI工具的引入须配合系统性的再培训计划，否则可能加剧职场不平等。 企业拥抱生成式AI，须同步建立清晰的AI使用政策、数据治理框架及人才培育计划，方能真正将技术红利转化为可持续的商业价值。