政企市場 「觀望」AI大模型

　　政企領域，似乎正在成為AI落地的又一標的。

　　幾個最新的動態(tài)是：新華三針對政企客戶發(fā)布私域大模型“百業(yè)靈犀”LinSeer、中國電科發(fā)布專為黨政企行業(yè)用戶服務的AIGC大模型“小可”、百應科技發(fā)布政務行業(yè)專有大模型“萬機”……百度智能云、阿里云、三六零、科大訊飛、商湯等也都在針對政企客戶，發(fā)布了相關產(chǎn)品和解決方案。

　　這一趨勢同樣發(fā)生在海外。有消息稱微軟正在使用其 Azure 云服務把 OpenAI 的強大的語言生成模型引入政府機構，這些模型包括 OpenAI 最新、*進的大型語言模型(LLM)GPT-4以及 GPT-3。

　　然而，從國內發(fā)布政企大模型的各大廠商的動作來看，并未有較多的落地案例。背后的原因有很多，一是產(chǎn)品發(fā)布時間短，無法及時得到較大反饋;二是由大模型引起的AI熱潮還處于爆發(fā)期，政企對于合作廠商的選擇還需考量。

　　除了這些因素之外，幾個關鍵的問題是，這些廠商針對政企客戶發(fā)布的AI產(chǎn)品，真的是政企所需要的嗎?再或者，于政企而言，其需要什么樣的AI產(chǎn)品與服務?

　　01 政企市場，“觀望”AI

　　“我們接觸的客戶都在探索這方面的內容，政企會有這方面的訴求。”某業(yè)內人士告訴產(chǎn)業(yè)家，“但對于AI大模型在政企領域的應用，大家都處于觀望+探索的階段。”

　　在國內，政企普遍體量大、業(yè)務復雜、定制化要求高，有著沉重的IT建設包袱，各部門、業(yè)務之間難以協(xié)同，數(shù)據(jù)壁壘也難以打破，這使得政企的數(shù)字化轉型困難重重。

　　而大模型可以把人與人、人與機器之間的交互過程數(shù)據(jù)完整的沉淀下來，讓它自主學習進步，持續(xù)演進。杜絕了過去的煙囪式建設，降本增效的同時還能推動政企數(shù)字化進程。

　　這種技術應用的趨勢，推動著諸多廠商開始將自身的TOG產(chǎn)品與大模型結合。

　　不過客觀來看，當下雖然深耕AI產(chǎn)業(yè)鏈的玩家眾多，但在政企領域，出于對算力、行業(yè)專業(yè)度、數(shù)據(jù)安全、國產(chǎn)化等各方因素的考量，廠商難以給出合適的AI解決方案。

　　AI大模型作為數(shù)字化的新基建，如何賦能行業(yè)仍需不斷探索、實踐。很多企業(yè)也在不斷進行新的嘗試。

　　周鴻祎曾在微博上發(fā)文表示，“大型企業(yè)或者政府要私有化大模型。即在加入公有GPT知識和能力的基礎上，再訓練一個私有的GPT，只給企業(yè)自己或客戶使用。”

　　與周鴻祎有相同見解的，還有新華三安全產(chǎn)品研發(fā)總監(jiān)韓小平。

　　“政企大模型一方面數(shù)據(jù)不能出域；一方面需要結合其業(yè)務場景數(shù)據(jù)進行喂養(yǎng)訓練，生成實際的業(yè)務場景App。”

　　他認為，政企大模型技術本身其實不是*考量的因素，更重要的是對用戶業(yè)務的理解。政企AI服務，行業(yè)Know-how仍是關鍵，沒有政企業(yè)務服務經(jīng)驗的廠商，難以結合大模型設計出個性化的解決方案。

　　兩人都將政企AI大模型的落地方式瞄準了私有化。

　　02 私有化，會是一個好的選擇嗎？

　　“全面禁止使用ChatGPT”這句話時不時就會喜提科技榜熱搜，最近一次的主角是三星。

　　具體源于三星允許半導體部門的工程師使用ChatGPT參與修復源代碼問題。但在過程當中，員工們輸入了機密數(shù)據(jù)，包括新程序的源代碼本體、與硬件相關的內部會議記錄等數(shù)據(jù)。

　　起初三星全面禁止使用ChatGPT，自3月11日開始才部分開放給DS部門使用，卻沒想到在短短時間內就傳出機密外泄。

　　諸如此類機密數(shù)據(jù)泄漏事件，層出不窮。

　　在海外市場，蘋果、三星、摩根大通、花旗銀行等知名企業(yè)都曾明確表示，禁止或限制員工在工作場合使用ChatGPT等大模型產(chǎn)品。

　　事實上，大模型的底層邏輯是將行業(yè)數(shù)據(jù)標注出來進行深度學習，訓練出專注于某一行業(yè)的垂直模型。這也意味著，企業(yè)的數(shù)據(jù)要集成到通用大模型的數(shù)據(jù)池中。

　　然而，政企的數(shù)據(jù)大多涉及商業(yè)機密、個人隱私等問題，對數(shù)據(jù)安全要求甚高。

　　所以，數(shù)據(jù)不出域，成為關鍵。而私有大模型無疑是政企的必選項。

　　不過，私有化意味著需要政企客戶自己收集數(shù)據(jù)進行訓練。一般情況下，AI決策的及時性和準確性，取決于數(shù)據(jù)質量、數(shù)量以及算力。這意味著輸入預訓練模型的數(shù)據(jù)維度、數(shù)量越多，質量越高，才能真正發(fā)揮大模型真正價值。

　　一個有爭議的點是，專業(yè)廠商打造的私有模型，比起通用大模型的能力，能否滿足政企需求。

　　3月30日，彭博社創(chuàng)始人布隆伯格發(fā)布了一片論文，即BloombergGPT: A Large Language Modelfor Finance。

　　在論文中，介紹了其以模3630億token的金融領域數(shù)據(jù)集以及3450億token的通用數(shù)據(jù)集訓練出來的金融大語言模型。并進行金融領域評估與通用領域評估。

　　結果顯示，在金融領域任務上，該模型綜合表現(xiàn)*;在通用任務上，該模型的綜合得分同樣優(yōu)于相同參數(shù)量級的其他模型，并且在某些任務上的得分要高于參數(shù)量更大的模型。

　　這意味著，基于專業(yè)領域語料訓練的大模型，在領域內的理解要超過通用大模型。

　　一個啟示是，在其他特定領域，也可以開發(fā)專用的大語言模型，并且效果可能比通用大模型更好。

　　然而，這個評估實驗的結論仍無法代表所有行業(yè)，有些問題仍需要被正視，例如中外金融數(shù)據(jù)維度、質量其實有著較大的差距，該金融模型作為*個行業(yè)模型，更換不同維度、質量的數(shù)據(jù)，能否保持其結論的準確性，還未得知。

　　另外，除政務系統(tǒng)、城市大腦以及金融等數(shù)據(jù)敏感的政企場景，其他終端場景，通用大模型的語料數(shù)據(jù)仍有很大優(yōu)勢。

　　所以，對于政企而言，其需要的AI服務是能在保證數(shù)據(jù)安全的同時，還可以能集成通用大模型作為能力補充。

　　03 政企大模型，亦需“群戰(zhàn)”

　　術業(yè)有專攻，大模型能力同樣如此。

　　在政務AI大模型應用方面，周鴻祎曾直言，預測未來中國不會只有一個大模型，每個城市、每個政府部門都會有自己的專有大模型。

　　信創(chuàng)化的浪潮下，全技術棧的國產(chǎn)化已經(jīng)成為服務政企客戶的準入門檻。所以對于政企而言，信創(chuàng)生態(tài)能力成為其選擇廠商的重要標準。

　　目前來看，能實現(xiàn)全技術棧國產(chǎn)化的AI大模型廠商屈指可數(shù)。能否吸引更多信創(chuàng)伙伴成為關鍵，取長補短，或將實現(xiàn)雙贏。

　　此外，在國產(chǎn)化的基礎上，不同的場景應用，也需要與不同的廠商合作，例如互聯(lián)網(wǎng)云廠商在終端軟件應用的優(yōu)勢;運營商的網(wǎng)絡優(yōu)勢;華為在芯片、系統(tǒng)上的優(yōu)勢。

　　除了基于客戶需求的合作，還有來自算力等資源稀缺所帶來的壓力。

　　AI新一輪熱潮襲來，服務器需要配備大量GPU/NPU/FPGA/ASIC等芯片以支持高算力，但就目前來看，算力不僅價格高昂且資源緊張。

　　目前，支撐包括ChatGPT大模型在內的95%用于機器學習的芯片都是英偉達的A100(或者國內使用的替代產(chǎn)品A800)，該芯片的單價超過1萬美元。此外，英偉達最新一代的H100芯片的性能也遠超A100，但價格也更高，約合25萬元人民幣。

　　而在取長補短的AI大模型產(chǎn)業(yè)生態(tài)下，將大幅度杜絕模型的重復搭建、實現(xiàn)數(shù)據(jù)的重復利用，大大節(jié)約算力資源利用率。同時還可以減少政企客戶的AI部署成本。

　　所以，對于布局政企大模型的廠商而言，在私有化的前提下，通過開源、API接口等形式，以通用大模型和客戶或自身集成的數(shù)據(jù)，幫助客戶調教模型，形成定制化的AI產(chǎn)品，或將推動政企大模型快速落地。

　　一些廠商也正在驗證了這種路徑的可行性。

　　例如中國電科面向黨政企，提供“通用智能模型大循環(huán) + 行業(yè)智能模型小循環(huán)”雙循環(huán)、“模型訓練 + 測試評估 + 場景精調 + 可信增強”四階段的行業(yè)應用新范式。

　　再比如，新華三面向政企發(fā)布的百業(yè)靈犀LinSeer既支持“私域大模型+新華三ICT基礎架構”的模式保障數(shù)據(jù)安全，也支持“客戶自選大模型+新華三ICT基礎架構”的模式滿足多種需求。

　　政企AI服務的走向逐漸清晰，即政企或許更需要“自助餐”式的服務模式�？蛻艨梢赃x擇適合自身需求的芯片、模型技術方、數(shù)據(jù)集成方、軟件廠商等。

　　經(jīng)歷過多次寒冬的AI，能否抓住這次時代的機遇，仍需時間來驗證。