打破大模型產(chǎn)業(yè)應(yīng)用鴻溝

隨著大模型技術(shù)的成熟和應(yīng)用的深入，人工智能開始滲透到各行各業(yè)，從制造業(yè)自動化到服務(wù)業(yè)的個性化推薦，從醫(yī)療診斷到金融風(fēng)險管理，AI應(yīng)用正在重塑傳統(tǒng)行業(yè)的面貌。

從現(xiàn)狀來看，大模型技術(shù)成熟度已經(jīng)很高，但產(chǎn)業(yè)應(yīng)用卻面臨著巨大鴻溝。與個人日常應(yīng)用相比，大模型在企業(yè)生產(chǎn)經(jīng)營中的應(yīng)用要廣泛得多，也復(fù)雜得多。而大模型在產(chǎn)業(yè)特別是企業(yè)中得到大規(guī)模深入推廣，將是大模型真正的星辰大海。

構(gòu)建產(chǎn)業(yè)生態(tài)體系

大模型在現(xiàn)實復(fù)雜場景中的應(yīng)用，主要難點在于構(gòu)建完整的產(chǎn)業(yè)生態(tài)體系，進(jìn)而打通大模型應(yīng)用的“最后一公里”。

在通用大模型基礎(chǔ)上，個人大模型和企業(yè)大模型快速得到應(yīng)用落地，行業(yè)大模型也在繼續(xù)發(fā)展，是大模型最有價值的商業(yè)化方向?，F(xiàn)階段，以個人和企業(yè)為核心的大模型產(chǎn)業(yè)生態(tài)體系正在形成，但行業(yè)大模型發(fā)展面臨諸多挑戰(zhàn)。

目前，個人大模型的應(yīng)用軟件已經(jīng)如雨后春筍般出現(xiàn)，在工作與生活場景中為用戶賦能。隨著大模型能力的增強和算力芯片的發(fā)展，嵌入大模型的個人AI終端產(chǎn)品也已誕生。個人大模型落地背后涉及硬件、軟件的技術(shù)革新，將個人終端產(chǎn)品拉入新的競爭賽道。

個人大模型的產(chǎn)業(yè)生態(tài)體系主要涉及數(shù)據(jù)供給、技術(shù)基礎(chǔ)設(shè)施供給、模型應(yīng)用、服務(wù)與產(chǎn)品供給、安全與隱私等多個方面。在模型應(yīng)用方面，個人大模型還可以提供個性化推薦、健康檢測、生產(chǎn)力工具等應(yīng)用；基于個人大模型，還有定制應(yīng)用、智能家居、智能攝像頭等產(chǎn)品服務(wù)。利用個人大模型，個人可以在學(xué)習(xí)、工作、生活、娛樂等多個方面提升體驗，實現(xiàn)個人生活的全方位升級和發(fā)展。

企業(yè)大模型的發(fā)展，為傳統(tǒng)行業(yè)帶來前所未有的轉(zhuǎn)型機(jī)遇。通過深度學(xué)習(xí)和大數(shù)據(jù)分析，企業(yè)能夠更精準(zhǔn)地洞察市場動態(tài)，優(yōu)化決策過程，提升運營效率。在這個過程中，企業(yè)不僅能夠?qū)崿F(xiàn)成本降低和利潤增長，更能夠通過流程再造和價值再造，探索全新的商業(yè)模式和增長點。這種由內(nèi)而外的變革，正在重塑企業(yè)的核心競爭力。

企業(yè)大模型的產(chǎn)業(yè)生態(tài)體系，主要包括基礎(chǔ)層、應(yīng)用層和戰(zhàn)略層三大層面。基礎(chǔ)層包括數(shù)據(jù)供給、數(shù)據(jù)訓(xùn)練，以及算力集群、儲存服務(wù)器等硬件和大數(shù)據(jù)平臺、云計算工具等。

應(yīng)用層主要涉及市場與競爭、投資與財務(wù)、合作伙伴與生態(tài)系統(tǒng)、研發(fā)與創(chuàng)新、供應(yīng)鏈、用戶與客戶等多個領(lǐng)域。其中，通過組織戰(zhàn)略合作，可以構(gòu)建以企業(yè)大模型為基礎(chǔ)的生態(tài)系統(tǒng)。

戰(zhàn)略層主要涉及企業(yè)大模型的未來與發(fā)展、學(xué)習(xí)與優(yōu)化、安全與合規(guī)三個方面。通過規(guī)劃大模型的未來發(fā)展、持續(xù)改進(jìn)模型性能并保證過程安全合規(guī)，推動企業(yè)大模型的可持續(xù)發(fā)展。

行業(yè)大模型是針對特定行業(yè)領(lǐng)域應(yīng)用的預(yù)訓(xùn)練大模型。目前，制造、金融、醫(yī)療、游戲、法律、交通等行業(yè)，均憑借各自獨特的場景需求，搭建了行業(yè)大模型。這些行業(yè)大模型的意義在于深入理解和滿足行業(yè)的特殊場景，為行業(yè)智能化、高效化發(fā)展提供有力支撐。

未來，隨著技術(shù)的不斷進(jìn)步和應(yīng)用場景的拓展，更多行業(yè)將構(gòu)建出符合自身發(fā)展需要的行業(yè)大模型。

然而，行業(yè)大模型的發(fā)展仍面臨著諸多嚴(yán)峻挑戰(zhàn)。

首要問題便是缺乏充足且高質(zhì)量的行業(yè)數(shù)據(jù)庫。對于已經(jīng)構(gòu)建行業(yè)大模型的行業(yè)而言，數(shù)據(jù)庫需要不斷得到補充和完善，以適應(yīng)行業(yè)的快速發(fā)展和變化。對于尚未構(gòu)建行業(yè)大模型的行業(yè)，若無企業(yè)牽頭并提供豐富的行業(yè)經(jīng)驗和資源，構(gòu)建符合行業(yè)需求的數(shù)據(jù)庫將變得尤為困難。

其次，由于行業(yè)大模型無法給出可靠、可控的輸出，這給那些需要精確、唯一數(shù)據(jù)的生產(chǎn)場景帶來了潛在風(fēng)險。目前，大模型基于Transformer架構(gòu)尚無法根本解決這一問題，只能通過不斷優(yōu)化數(shù)據(jù)與訓(xùn)練方法，努力提高模型輸出的準(zhǔn)確性。

夯實關(guān)鍵要素支撐

數(shù)據(jù)、算力、算法和工具，是大模型應(yīng)用的基礎(chǔ)關(guān)鍵要素，它們共同構(gòu)成了大模型發(fā)展的基石。

數(shù)據(jù)的質(zhì)量直接影響著大模型訓(xùn)練的成本與結(jié)果。隨著市場對大模型能力要求的不斷增加，對高質(zhì)量、精細(xì)化、定制化的數(shù)據(jù)需求日益凸顯。對于文本類數(shù)據(jù)集與圖像數(shù)據(jù)集，基于分類、目標(biāo)檢測、語義分割、序列標(biāo)注等不同的任務(wù)也表現(xiàn)出不同樣態(tài)。AR、自動駕駛等場景的出現(xiàn)，實時圖像數(shù)據(jù)采集和數(shù)據(jù)自動標(biāo)注的技術(shù)亦在快速發(fā)展。

大模型訓(xùn)練數(shù)據(jù)的來源愈發(fā)豐富，數(shù)據(jù)構(gòu)建的主體由大模型建設(shè)商、數(shù)據(jù)服務(wù)商逐漸向個人、企業(yè)、行業(yè)主體發(fā)展。數(shù)據(jù)構(gòu)建由通用向私域延伸，個人、企業(yè)、行業(yè)構(gòu)建私域數(shù)據(jù)集的意識加強。這些推動了數(shù)據(jù)建設(shè)平臺的發(fā)展，數(shù)據(jù)傳輸、整理的工具軟件愈發(fā)豐富、便捷。

數(shù)據(jù)交易將推動數(shù)據(jù)建設(shè)平臺與數(shù)據(jù)交易方式逐漸完善，數(shù)據(jù)版權(quán)化意識加強，數(shù)據(jù)付費成為未來趨勢，定制訓(xùn)練數(shù)據(jù)集的需求激增。根據(jù)Cognilytica數(shù)據(jù)，2021年全球人工智能訓(xùn)練數(shù)據(jù)市場需求約為42億美元，預(yù)計到2027年將增長到220億美元。

推動構(gòu)建高質(zhì)量數(shù)據(jù)的同時，要加強數(shù)據(jù)治理。從企業(yè)來看，大部分企業(yè)的數(shù)據(jù)治理工作面臨著數(shù)據(jù)量龐大、數(shù)據(jù)種類繁多、數(shù)據(jù)管理效率低的挑戰(zhàn)，目前尚未出現(xiàn)通用、可靠的數(shù)據(jù)管理工具，數(shù)據(jù)治理僅是企業(yè)的單兵作戰(zhàn)。同時，加強數(shù)據(jù)治理也是保障國家安全、社會穩(wěn)定和公民權(quán)益的迫切需要。企業(yè)數(shù)據(jù)如何合理合規(guī)，并能保障數(shù)據(jù)所有者的利益，將是未來行業(yè)大模型發(fā)展的關(guān)鍵。

算力是大模型落地的物質(zhì)基礎(chǔ)。據(jù)預(yù)測，2022——2027年，中國智能算力規(guī)模年復(fù)合增長率將達(dá)到33.9%，同期通用算力規(guī)模年復(fù)合增長率為16.6%。我國智能算力需求的增長速度遠(yuǎn)超過通用算力增加速度。

大模型落地應(yīng)用的前提是算力基礎(chǔ)設(shè)施的搭建。目前，企業(yè)應(yīng)用大模型，如果采用純自建算力設(shè)施的方式，將面臨軟硬件采購、機(jī)房搭建、系統(tǒng)運維等困難，容易陷入投入高、回報低的困境。購買云算力，將成為企業(yè)突圍算力壁壘的有效途徑。

私有云在維護(hù)企業(yè)數(shù)據(jù)隱私和業(yè)務(wù)安全的技術(shù)上，能夠為企業(yè)提供基本的計算服務(wù)；公有云可以彌補私有云算力的不足，在通用的場景下進(jìn)一步滿足計算要求。以“私有云+公有云”的方式搭建自身混合算力將成為企業(yè)搭建算力的通用范式。

算法是大模型的骨架。當(dāng)前大模型的主流架構(gòu)仍是Transformer，未來融合檢索增強生成+知識圖譜的架構(gòu)或?qū)⒊蔀樾鲁绷鳌?/p>

為了讓更多的企業(yè)、開發(fā)者可以便捷地將大模型應(yīng)用于自身業(yè)務(wù)，大模型工具鏈應(yīng)運而生。工具鏈包含大模型訓(xùn)練框架、模型社區(qū)、應(yīng)用開發(fā)工具、模型試驗與評估、模型試驗管理、數(shù)據(jù)標(biāo)注、模型部署、模型監(jiān)控與可監(jiān)控平臺、向量數(shù)據(jù)庫等，可以大致分為服務(wù)于模型開發(fā)者的模型訓(xùn)練工具、模型調(diào)用工具和服務(wù)于模型應(yīng)用者的一體化模型服務(wù)平臺。

大模型工具的不斷發(fā)展，將逐漸降低大模型訓(xùn)練和調(diào)優(yōu)的技術(shù)門檻，使得大模型訓(xùn)練、調(diào)優(yōu)流程愈發(fā)簡單。

典型場景應(yīng)用示范

智能經(jīng)營管理：某國有大型裝備制造企業(yè)成立AI團(tuán)隊，按照“技術(shù)服務(wù)業(yè)務(wù)發(fā)展”的思路，做了深入的業(yè)務(wù)AI需求調(diào)研，總結(jié)出23個AI應(yīng)用場景，并快速展開市場調(diào)研與技術(shù)預(yù)研，最終以漸進(jìn)式的方式選擇提升整體AI形象的交互式人工智能數(shù)字人項目作為試點，拉開了企業(yè)新型AI應(yīng)用的序幕。

智能設(shè)計研發(fā)：國內(nèi)航空制造企業(yè)與第四范式在CAD工業(yè)軟件上進(jìn)行共創(chuàng)，引入“式說”大模型，通過語音提問，找到所有與目標(biāo)設(shè)計相類似的三維數(shù)模零件，給出多種數(shù)模組裝方案，使傳統(tǒng)的開發(fā)形式向數(shù)字化轉(zhuǎn)型，提高了研發(fā)效率，縮短了研發(fā)設(shè)計實現(xiàn)周期。

智能供應(yīng)鏈管理：順豐通過大模型技術(shù)，推出了多項智慧化服務(wù)應(yīng)用。順豐小哥服務(wù)中心集成了Agent能力，可以驅(qū)動API調(diào)用和知識庫檢索，準(zhǔn)確提取收寄標(biāo)準(zhǔn)、運費標(biāo)準(zhǔn)、收派操作等問題中的關(guān)鍵信息，為快遞員生成簡單易懂的業(yè)務(wù)解決方式；其智能通系統(tǒng)從各國海關(guān)官網(wǎng)不間斷地爬取、整理、解讀最新的關(guān)務(wù)規(guī)則與收寄標(biāo)準(zhǔn)，并自動轉(zhuǎn)譯、分析和提煉，幫助員工快速理解和應(yīng)用復(fù)雜的國際貿(mào)易規(guī)則，顯著提升物流管理的效率和服務(wù)質(zhì)量。

智能生產(chǎn)制造：聯(lián)想在產(chǎn)品質(zhì)量檢測環(huán)節(jié)，用大模型輔助自動化光學(xué)檢測系統(tǒng)進(jìn)行光學(xué)檢測。如，通過大模型對捕捉到的屏幕圖像進(jìn)行處理，識別出屏幕缺陷，如劃痕、污漬、色差等，從而能達(dá)到每小時超過300臺筆記本電腦屏幕的檢測速度，識別更加準(zhǔn)確且大大節(jié)省人力成本，顯著提高生產(chǎn)效率。

工藝優(yōu)化：某省煙草制造工廠巧妙融入智能體技術(shù)，實現(xiàn)從原料加工到成品產(chǎn)出的全流程智能化管理。該工廠開發(fā)了專屬的人工智能算法和智能體，并建立自己的算法管理平臺與智能知識庫，使制絲生產(chǎn)線上的設(shè)備實現(xiàn)自我監(jiān)測與調(diào)節(jié)，并實現(xiàn)產(chǎn)線整線水分穩(wěn)態(tài)預(yù)測與控制，有效提升生產(chǎn)精度與效率。同時，構(gòu)建工藝質(zhì)量智能管控系統(tǒng)，結(jié)合大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)算法，為產(chǎn)品質(zhì)量的持續(xù)優(yōu)化提供科學(xué)依據(jù)。

智慧醫(yī)療：成都某綜合三甲醫(yī)療機(jī)構(gòu)，通過多款智能體和AI應(yīng)用，顯著提升服務(wù)品質(zhì)與管理效率。部署了營銷顧問智能體，對銷售流程對話的深度語音分析，精準(zhǔn)提煉交流精髓，生成階段性客戶畫像，為實施標(biāo)準(zhǔn)化、持續(xù)性的客戶關(guān)系管理提供了有力支持?？蛻舴?wù)智能體通過智能分析客戶的情緒波動、具體需求及潛在顧慮等信息，定制出更為貼心的診后服務(wù)方案。在醫(yī)生問診環(huán)節(jié)，引入智能輔助系統(tǒng)，能有效沉淀并提煉大量客戶交流信息，生成標(biāo)準(zhǔn)化的綜合診斷記錄，結(jié)合多維度的客戶畫像，智能輔助醫(yī)生進(jìn)行數(shù)據(jù)分析，不僅提高了問診效率，還顯著增強了診斷的專業(yè)性和精確度。

智慧教育：河南省某市教體局，通過AI智能體以及教育行業(yè)大模型，圍繞“教、學(xué)、評、管、測”五大業(yè)務(wù)類，實現(xiàn)18個大模型實踐場景。通過個性化教學(xué)和即時反饋，教師調(diào)整教學(xué)內(nèi)容，學(xué)生獲得個性化指導(dǎo)，提高了學(xué)習(xí)效率和興趣。通過數(shù)據(jù)統(tǒng)計和分析支持科學(xué)決策，優(yōu)化了學(xué)校的管理流程，提升了整體教學(xué)質(zhì)量和管理水平。

（作者為國家工業(yè)信息安全發(fā)展研究中心標(biāo)準(zhǔn)所、全國兩化融合標(biāo)委會（TC573）、《數(shù)字化轉(zhuǎn)型》期刊和聯(lián)想集團(tuán)聯(lián)合課題組）

【鏈接】

大模型相關(guān)常用術(shù)語

生成式AI ：指能夠生成新內(nèi)容的人工智能系統(tǒng)，如文本、圖像、音頻、視頻等。當(dāng)前最先進(jìn)的生成式AI大多基于大模型實現(xiàn)，但生成式AI也不必然依賴大模型，而大模型也可分為生成式和判別式。

數(shù)據(jù)標(biāo)注 ：指對原始數(shù)據(jù)如文本、圖像、音頻、視頻等，添加標(biāo)簽、注釋或元數(shù)據(jù)的過程，使數(shù)據(jù)成為模型可理解和學(xué)習(xí)的“知識”。它是模型訓(xùn)練的關(guān)鍵前置步驟，直接影響模型的性能和準(zhǔn)確性。

預(yù)訓(xùn)練 ：指在大規(guī)模未標(biāo)注的數(shù)據(jù)上進(jìn)行初步訓(xùn)練，以學(xué)習(xí)數(shù)據(jù)的通用特征和規(guī)律，可以節(jié)省時間和資源、提高泛化能力、快速適應(yīng)新任務(wù)能力等，是大模型核心技術(shù)之一。

微調(diào) ：是在預(yù)訓(xùn)練的基礎(chǔ)上，通過少量標(biāo)注數(shù)據(jù)進(jìn)一步優(yōu)化模型，使其能夠更好地適應(yīng)特定任務(wù)的需求。

蒸餾 ：是一種模型壓縮技術(shù)，通過讓一個小模型（學(xué)生模型）模仿一個大模型（教師模型）的行為或知識，從而在保持較高性能的同時，大幅減少模型的計算量和存儲需求。

基座：是指支撐模型開發(fā)、訓(xùn)練和部署的底層技術(shù)框架、硬件資源及配套工具，涵蓋硬件、軟件、算法和工程化能力的綜合體系。隨著模型規(guī)模持續(xù)擴(kuò)大，基座的優(yōu)化（如降低訓(xùn)練成本、提升能效比）將成為AI競爭的關(guān)鍵領(lǐng)域。

智能體（Agent）：指能夠感知環(huán)境、自主決策并執(zhí)行動作以實現(xiàn)目標(biāo)的實體。智能體可以是一個軟件程序、機(jī)器人，甚至是生物，通常利用大模型作為“大腦”，結(jié)合感知和執(zhí)行模塊，形成一個完整系統(tǒng)。