生成式AI 的技术在快速发展，围绕着它的生态也蓬勃不衰，以至于没有人能在目不暇接的技术和产品面前，预测还会发生什么意外之喜。但当尝试理解生成式AI 的能力时，我们会发现它的擅长主要在于高级的模式匹配与合成。简单来说，它的能力会体现在几个方面：
翻译。包括在字面上从一种语言变化为另一种语言，也包括从一种需求或代码变成另一种代码，从文本变形为图像和视频。
及时查找信息。 生成式AI 会比搜索引擎对人更友好，省却了汇总、对比和抽取等一系列操作。在这方面，Perplexity.ai 的表现实在令人眼前一亮。
头脑风暴和构思。受益于海量的语料，生成式AI 能为人快速装配跨领域的知识，甚至主动询问问题，在我们的回答里指出不足，以及指点方向。
总结。大语言模型很适合总结和提炼，这意味着我们可以从繁冗的数据或者日志里，摘取更有价值的信息。
我们现在看到的生成式AI 的实现和产品，就能力而言，很难出其右。如果说人们日常所忙碌的，大部分都是在处理信息，那么对生成式AI 可以在多大程度上增强我们的处理能力，恐怕只会受限于自己的想象力了。这里想简单谈谈的是，生成式AI 进入到企业架构的空间，可能会发生什么。
按照《Enterprise Architecture As Strategy》一书对企业架构的定义：
企业架构是业务流程和IT基础设施的组织逻辑，二者共同反映了企业运营模式的集成和标准化需求。
按照这个定义，企业架构不止是 IT 能力，还包括业务流程。或者换个角度看，企业架构是企业业务和 IT 架构的粘合剂，或者是一座桥。企业架构既可能是一个名词，描绘了企业自战略目标决定业务模式，通过 IT 规划和基础设施实现，进而到达的一种运营状态；也可能是一个动词，是帮助企业在通往达到这种理想运营状态的旅途中，所付出的努力。当然，这个旅途，很难说会有明确的终点和时限。因为市场竞争变化无常，颠覆的技术又在推陈出新。企业需要持续付出这样的努力，一直在路上，这也是所谓数字化转型的过程。这是企业架构致力于的空间。
（prompt: A conceptual image representing the integration of generative AI into enterprise architecture. The scene includes a neural network diagram merging into an architectural blueprint, symbolizing the fusion of AI and business structure. A brain-like graphic is in the background, representing cognitive capabilities. Flowing data streams intersect with images of automation gears and machinery. In the foreground, there's a depiction of a robotic arm sketching an architectural design, illustrating AI's role in creativity. The overall scene is set against a backdrop of a futuristic landscape, showcasing a forward-looking, innovative environment.）当生成式AI 的能力逐渐铺展在企业面前时，很自然的一个问题就是，整个市场的反应这么热烈，但我们能用它来做什么？Mondelez International，全球最大零食公司之一，已经把 AI 融入在自己的产品研发中，团队成员无需具备数据科学的专业知识，就能利用到 AI 的能力。这种做法极大增强了他们的创新能力，带来了诸多惊喜，比如加快了实验和迭代的速度，产品更优质，同时缩短产品的上市时间。下次你品尝奥利奥饼干时，可能正体验着这项技术的成果。这意味着，对于企业而言，生成式AI 在最独特的业务能力上有创新助力的可能。从哪个角度看，企业都值得重新审视自己最具竞争力的业务，为生成式AI 寻找融入的机会，也许是找到更具风味的“配方”，不然就是加速价值交付的过程。
如果止步于此，企业无疑只是满足于触手可及的成果。生成式AI 可以增强企业的数字化转型的过程，也即企业架构作为动词使用时，生成式AI 可以促进企业在这个旅途的体验，以及对成效的期待。
企业架构的工作，庞杂而繁冗，但归其类，可以包括优化业务流程，提升端到端的价值交付效率，规划和 IT 治理从而对齐业务，数据治理，解决质量和安全性问题，合规，监测并评估。如果没有AI 的加持，确认组织中需要改进的领域，可能非常耗时、浪费资源，并且容易出现人为错误。例如，手动数据分析可能只能有效地识别一些瓶颈。以下是一些积极的示例：
语言翻译。许多公司在内部交流时需要使用不同的语言，大规模组织尤是：不管是字面上的语言差别，还是业务方言。生成式AI 的即时或批量翻译可以促进内部沟通和协调。
图像识别。这种方法通过拍照将图纸即时转换成结构化的模型。这些模型可以是流程图、数据结构、应用框架、计算机网络等。通过将图纸转换成结构化模型，我们就能进行深入分析，比如确定在某一特定业务流程中使用了哪些敏感数据。
模型转换。每个模型的特性之一在于其非通用性。模型是针对特定需求而设计的现实表征。为了满足不同服务的需求，我们必须改造这些模型，用 AI 生成多种视图。
数据标准化。数据标准化让术语的协调和呈现数据摘要成为可能。通常情况下，原始数据中可能包含了大量的重复和变体，比如名称的不同、错字、软件的细微版本差异等，以及一些无关紧要的部分，这些都可能掩盖了真正有价值的信息。因此，整理出一个清晰、统一的数据视图，将其放入恰当的背景中，并对公司的管理工具进行分类，是非常必要的。
改造项目风险分析。通过汇集项目相关的运营数据以及结构数据，如规模、所属领域、复杂性、关联性、所用技术、变革的幅度、时间安排和资源配置等，我们可以尝试通过生成式AI 预测转型项目的风险程度。
生成式AI 不仅提供宝贵的洞察，还能自动化日常重复性工作，并实时分析复杂数据。通过基于数据驱动的分析，AI 能向企业架构师推荐最佳实践。利用先进的数据分析技术，AI 能够发现人类难以察觉的模式和趋势，帮助企业架构师制定更加周密有效的战略。生成式AI 可以帮助企业架构师高效生成必要的文档和报告。这些工具生成的文本质量高，类似人类写作风格，从而简化了报告和文档的创作过程。AI 驱动的聊天机器人能处理日常的利益相关者咨询，让企业架构师有更多精力投入到设计和实施新系统和架构的复杂任务中。通过将像 GPT 这样的AI工具融入工作流程，企业架构师能够提高工作效率，简化任务，成为更有效的决策者。借助这些节省下来的时间和精力，企业架构师可以专注于更具战略意义的工作，为企业带来更大的价值。
（prompt: A conceptual image illustrating how generative AI empowers enterprise architects in their work. The scene shows the group of architects are interacting with advanced AI technology. A central holographic display projects a 3D model of an intricate architectural design, constantly evolving and improving under the guidance of AI algorithms. The architects are using gesture-based interfaces to manipulate the model, collaborating with an AI assistant that suggests optimizations and innovative solutions. The room is filled with dynamic data visualizations and AI-generated simulations, symbolizing the enhanced capabilities and creativity brought by AI in enterprise architecture.）想得更进一步，因为生成式AI 最大的能力是理解“语言”。而企业架构本质上就是“一门描述企业的DSL语言”，那生成AI 就可以通过理解这门语言，直接绕过企业咨询师，理解（或是假装理解）一个企业，也就是生成式AI可以本身就是“EA咨询师”本师。而我们问“企业架构咨询师”的问题，可以直接询问生成式AI，例如“我们的组织现在有什么问题，流程有什么问题，该怎么优化，组织这么改革，会有什么影响……”，不需要通过企业架构咨询师，生成式AI 就应该可以直接回答。
企业制定 AI 战略，将生成式AI 融入自己的企业架构和数字化转型过程，是明智的举措。就时机而言，尽管生成式AI 还不足够成熟，但接纳它进入企业的战略目标，显得刻不容缓。有人把生成式AI 比作一匹需要驯服的马，而不是一辆用成熟制造工艺的汽车。就目前生成式AI 的成熟度以及能给人带来的惊喜而言，这个比喻很贴切。生成式AI 会制造幻觉，如果不慎，还会引入数据伦理的问题。不仅如此：
引入生成式AI 会在企业架构策略添加额外的复杂度，这意味着架构设计需要适应性调整，以满足 AI 模型的需求。
生成式AI 严重依赖大型数据集来训练和生成内容，企业架构必须以可扩展且高效的方式容纳这些海量数据的存储、管理和处理。
为了支持生成式AI，企业还可能需要评估和投资新的基础设施。
企业架构必须解决潜在的安全风险，并应用加密、访问控制和隐私保护措施来保护生成的内容和用于训练的数据集。
将生成式AI 解决方案与现有企业架构无缝集成，企业需要同时考虑集成方面、兼容性、可扩展性和互操作性等因素。所以，在企业制定AI 战略时，始终需要让生成式AI 计划和整体业务战略的目标始终保持一致。
