国内，从大厂到新创，纷纷下场试水，几个月过去，已经有了不少大模型产品“交卷”受评，颇有“乱花渐欲迷人眼”的架势。看客只识AI大模型百花齐放，但除了一场热闹以外，却也开始有人问出了这个问题：“AI大模型这么厉害，但它有啥用呢？”诚然，市场上不少公布的大模型，还并未开发到完全程度——甚至距离“可用”、“好用”还差着一些距离。
此外，从上世纪五十年代至今，国内人工智能经历了几次潮起潮落。每一次潮起，往往都因为更“像人”，而每一次潮落，更多是因为难以在产业端落地而收尾。大模型不是光靠兴奋就可以的，要找到这件事情对产业，对行业，对企业经营的价值。
而面对这一波浪潮，不少企业已经率先开展行动，将大模型应用到自身业务中。不过，紧接着难题也随之而来，不同厂商之间的大模型，到底应该如何选？怎么评判各家做大模型的实力？
有一种观点认为，我们从 OpenAI 和谷歌 Bard 看到的通用人工智能功能的涌现，与早期互联网普遍可用或云基础设施服务可用的情况类似，但是它还没有像提到的那样，为数亿工作者的普遍使用做好准备。
目 录
一、大模型到生产力的必经之路
二、To B大模型与企业软件
三、大模型的算力与落地
四、人工智能并不很快取代人类工作
（一）理解&记忆：大模型生产力的分水岭
-
模型的理解能力，根植于对自然语言的处理能力，能够清晰地辨别语义，尤其是一些根植于本地语言语境中的俗语、幽默，对于理解用户想要什么，进而完成文本生成和创作，至关重要。 而模型的记忆能力——也就是多轮对话能力——越强，使用者就能更详细地对需求进行描述，进而利用 AI 完成更加复杂的工作任务。 这是大模型比拼中最“硬”的两个科目，也是大模型提供生产力的关键保证。 不仅如此，要大模型能够真正帮人“干活”，记忆和理解能力，都要满足更高的要求。 但无论是“理解”还是“记忆”，都是大模型在当下的能力提升的攻关难点。 一方面是市场的巨大痛点，一方面是技术上难攻不落的“高墙”，这对矛盾不解决，AI 的生产力就始终面临着一个艰难的瓶颈。 -
理解能力和记忆能力，称得上是大模型产品在生产力上的分水岭——在深度理解用户需求的基础上，能够实时地完成连续对话，能越过这道坎，AI 才能开始为用户提供生产力的保证。
（二）场景优化&模型鲁棒性：好用=可用+可靠
-
首先是数据需要“保质保量”，一方面数据要足量，支撑模型训练的要求；另一方面，数据的质量也必须够高，否则训练出来的模型，反而容易被不良数据“带跑偏”，甚至让训练起到反效果。 -
其次，是模型的鲁棒性——即，模型在发生异常情况，或面对不良数据时，自身的“抵抗力”。鲁棒性越强的模型，自身的稳定性和有效性就越不容易受到内外的不良影响，也就自然更加“可靠”，进而能在更广泛的场景中，为使用者提供生产力提升。
（三）千亿模型：只有“一个”或许不不够
-
在业界的普遍认识中，500-600亿规模的训练参数，是预训练大模型产生涌现现象的门槛。而参数规模越大，一般认为，模型的能力也就越强。 -
千亿参数，目前已经成了大模型的“标配”，时下不少大模型产品，都把自己叫做“千亿模型”，以参数量见模型实力。
（一）把企业数据彻底用起来
-
现在大模型的出现，尤其是AIGS（以生成式AI重构企业软件）这件事情，有机会把B端企业软件改造成“让员工与系统持续对话的新型交互范式”。 -
当然，从企业最关心的成本角度，相较于传统开发方式，AIGS的界面通常是简洁的对话框形式，而成本压力通常被下放到大模型端。因此，企业端的定制化开发成本会大幅下降，但开发效率却能够从月级别提速到天级别。与之而来的是，业务的不停迭代也不用非得让员工延用早已过时的系统，以至于影响业务开展效率。 -
从应用层面出发，可数字化的场景数量也会有很大的提升。胡时伟告诉雷峰网，过去第四范式构建一个模型只能在一个场景应用，譬如搜索引擎算法只适用于搜索，这就意味着开发模型要严格计算投入产出比。
（二）从AIGS＋CoT中，看企业管理和组织的变革
-
AIGS不会给优秀员工添加负担，还会变成他/她的助理。用户在不断调用大模型能力的时候，自身的行为链会被大模型记录下来，然后再结合数据与行为去做标注，形成在垂直领域的任务拆分及推理能力。换句话说，优秀员工把解决问题的正确逻辑赋予了系统，而差一点的员工使用对话框时，系统便可以引导他的行为。 有了AIGS，总经理可以在对话框中直接提出问题——如果你对某一项数据有更深刻的疑问，而对话框接收指令后，会帮你执行并及时提供反馈。企业的管理活动会发生根本的变化，真正做到数据驱动、系统驱动，而不是“我看数据，我来决策”。 基于范式的大模型能力底座，企业软件的合作伙伴可以放手深耕自己所在的领域——不断学习某个垂直领域的数据，当在一个领域里面钻得足够深，学习到足够多的数据和攻略，就能形成所在领域的思维链。当思维链复杂度到一定程度后，该软件就能自动执行越来越复杂的功能，最终形成壁垒。
（一）市场风向：从「迷算力」到关注「综合体验」
-
事实上，“得算力者得大模型”这个观点，存在一定片面性。 GPU卡数量越多，并不意味着大模型的表现就越优秀、企业使用大模型的效果就越好。厂商拥有上千、上万张GPU卡，除了“买不起”，还会有“用不好”的问题，如此大规模的集群去做训练，一旦出现bug就很难调整，这对厂商的整体调优服务能力、端到端成本的控制能力，都是一种考验。 -
在大模型风起之初，企业判断和选择大模型厂商时，算力因素很多时候会被排在第一位，但大模型真正的使用效果和综合体验，是来自于算力、框架、模型、应用构筑的四层架构，相互配合所产生的“化学反应”。
（二）需求解码：低门槛、高效率、强安全
-
“文心千帆”结合不同企业需求，提供公有云和私有云两种部署方式，公有云部署提供推理、微调和托管三类交付模式，而私有云部署提供软件授权、软硬一体、租赁服务三种交付模式。 这些不同的交付模式，可满足不同企业的需求。于许多企业而言，当前公司内部资深AI人才储备并没有那么充足，再加上近期通用人工智能的火爆，AI人才更是难招，许多大厂是直接重金开卷，招兵买马。 在这种背景下，这些企业在选择大模型开发平台上，会重点关注大模型开发是否低门槛、高效率。 -
除低门槛、高效率外，能否兼容各类大模型的开发与应用也是企业非常关心的问题。 当前大模型赛道并未发展到一家独大的阶段，开源社区也十分活跃，再加上在To B领域，客户的选型决策有时候不只是看技术指标，而是要考虑客情、服务等等，企业往往有多样化的选型需求。 因此，大模型开发平台最好要能适应不同的模型。
（三）产品落地：初结果实，想象空间还在未来
-
在金融业，AI已经优化了不少从业者如投研工作者的工作流。 过去研究人员写一份投研报告，需要在数据终端查询研报，从搜索引擎了解新闻资讯，再利用办公软件处理分析、撰写，整个流程复杂且分散。 但升级后的投研助手产品可直接以对话形式，完成信息归集、观点辅助生成、观点写作、投资决策管理全流程，让研究员的工作重心转移到附加值更高的研究逻辑优化上，显著提升投研工作效率，实现专家经验资产化沉淀。 -
300家产业里的生态伙伴和百度智能云探索大模型在真实场景里的落地，涵盖了工业、金融、政务、运营商、教育等行业。例如用友，将自身能力与文心一言相结合，形成B端企业管理软件系统智能助手，服务于智能知识分析，财报分析，数据报表分析实践等企业高频的需求和场景。 在电信行业国产中间件市场占有率最高的宝兰德，也在测试中将自身的智能运维机器人与文心一言融合，提高了运维效率和自动化智能化程度，可以实现智能化故障诊断，以及智能解决方案推荐。 -
大模型与产业相结合，所迸发的想象力远远不止于此。随着时间推移，毫无疑问将会有更多的企业迎接大模型，为业务带来新的生产力。
Augment 公司 AI 负责人 Matthew Kirk：“我认为 AI 行业正在发生的事情与互联网早期发生的事情类似。当时的互联网各种观点非常混乱，没有标准。人类需要时间和合作来确定人们遵循的标准。即使是像测量时间这样平凡的事情也非常复杂。”
标准化是人工智能发展的痛点。用于训练模型和微调结果的方法是保密的，这使得有关它们是如何运作这一基本问题难以解答。
OpenAI 一直在吹捧 GPT-4 通过众多标准化测试的能力 —— 但模型是真正理解了测试，还是仅仅只是训练重现正确答案呢？
对于它能够处理新奇任务的能力，这又意味着什么呢？研究人员似乎无法就此答案达成一致，也无法就可能用于得出结论的方法达成一致。
-
大多数基于生成式 AI 构建的服务都会对每月生成的内容量设有一个固定的上限。这些专业服务费用对于企业来说可能会增加成本，从而拖慢人们工作任务智能自动化的步伐。即使是拥有大量资源的 OpenAI，也会根据当前的负载限制 ChatGPT 的付费用户：截至本文撰写时，它所设置的上限是每 3 小时 25 次 GPT-4 查询。因而，对于任何想要依赖 ChatGPT 工作的人来说，这都是一个巨大问题。
-
计算机革命显然就是如此：尽管许多人需要训练才能使用 Word 和 Excel 工具，但很少有人会提出打字机或图表纸可以作为更好的替代。正如未来生命研究所的信中所担忧的那样，「我们用自动化取代所有工作，包括令人满意的工作」。虽然这样的未来至少还需要半年多的时间，但人工智能革命现在正在拉开帷幕，而且从今天起的十年里，人工智能革命的画卷将会不断展开。
