從技術(shù)出發(fā)or從場景出發(fā)：大模型開始“路線分化”？

　　文 | 智能相對論

　　作者 | 葉遠(yuǎn)風(fēng)

　　大模型時代，廠商們狂奔突襲，技術(shù)創(chuàng)新一浪高過一浪。

　　在這個過程中，先趕上風(fēng)口做出一個大模型產(chǎn)品，宣傳一波、站穩(wěn)腳跟，再慢慢談場景應(yīng)用、價值落地，是很多廠商的做法——從技術(shù)出發(fā)再往場景切入，成為業(yè)界普遍的“路線圖”。

　　但是，隨著場景落地變得越來越重要，越來越成為業(yè)界尤其是政企客戶的普遍關(guān)切，一種新的路線正在出現(xiàn)。

　　2023世界人工智能大會期間，大數(shù)據(jù)基礎(chǔ)設(shè)施提供商愛數(shù)在“大模型時代的領(lǐng)域認(rèn)知智能”分論壇上宣布全面升級AnyShare智能內(nèi)容管理平臺，推出AnyShare認(rèn)知助手和AnyShare大模型一體機，并發(fā)布領(lǐng)域認(rèn)知中臺方案，正式布局大模型。

　　在直觀上，愛數(shù)的這次發(fā)布，并沒有像很多大廠那樣推出一個有名字的大模型產(chǎn)品，而是強調(diào)“助力行業(yè)客戶解決數(shù)據(jù)治理、數(shù)據(jù)運營、內(nèi)容管理難題，加速業(yè)務(wù)智能化”。

　　換言之，大模型“產(chǎn)品”不是愛數(shù)的布局重點，把大模型“能力”嵌入已有的數(shù)據(jù)服務(wù)業(yè)務(wù)才是關(guān)鍵。

　　在這里，從場景需求出發(fā)再思考技術(shù)的融合，成為大模型一種新的發(fā)展路線。

　　聚焦落地后，大模型的路線分化是必然結(jié)果

　　每個明星大模型產(chǎn)品的發(fā)布，往往都是先展示一套面向C端的“聊天能力”，然后再公布其發(fā)展的“宏偉藍(lán)圖”——拉攏合作伙伴往各大場景布局落地。

　　數(shù)字化、智能化過去已經(jīng)玩過的全場景構(gòu)想，在大模型這里又來了一遍。

　　在千行百業(yè)都將被大模型占領(lǐng)的預(yù)期下，創(chuàng)造一個能夠?qū)崿F(xiàn)這樣的市場機會的大模型，就成為從大廠到中小創(chuàng)業(yè)者的普遍理想。

　　而這，就是一種典型的“跟風(fēng)”，先做出來畫個大餅再說，管它后邊如何。

　　實際上，既然大模型是注定要走向千行百業(yè)的，那么從千行百業(yè)原生出契合各自場景需求的大模型，某種程度上才應(yīng)該是最恰當(dāng)?shù)姆绞街�一�?/p>

　　這正是愛數(shù)在做的。

　　從2021年起，愛數(shù)就在推出數(shù)據(jù)智能產(chǎn)品，并與德國漢堡大學(xué)、復(fù)旦大學(xué)、天津大學(xué)等建立聯(lián)合實驗室。領(lǐng)域認(rèn)知智能是愛數(shù)幫助客戶實現(xiàn)數(shù)智化轉(zhuǎn)型的重要著力方向，已經(jīng)持續(xù)耕耘多時。

　　現(xiàn)在，當(dāng)大模型東風(fēng)吹起來，除了火熱的、更容易被大眾直接感知的AIGC，實際上最根本帶動的是AGI(通用人工智能)的發(fā)展，而這與愛數(shù)實現(xiàn)領(lǐng)域認(rèn)知智能的方向是一致的。

　　對愛數(shù)這樣已經(jīng)從事數(shù)據(jù)服務(wù)、認(rèn)知智能的廠商來說，積極擁抱大模型，將全域數(shù)據(jù)能力及領(lǐng)域認(rèn)知智能積累的優(yōu)勢與大模型技術(shù)深度結(jié)合，就成為一種自然而然的選擇。

　　不需要跟風(fēng)，不需要刻意，場景的價值基礎(chǔ)一開始就具備，大模型帶來的是直接落地的強化能力。

　　過去，愛數(shù)雖然著力推動客戶實現(xiàn)業(yè)務(wù)智能化，但仍然面臨一些挑戰(zhàn)，例如在業(yè)務(wù)運營、決策方面缺乏高質(zhì)量數(shù)據(jù);由于業(yè)務(wù)不標(biāo)準(zhǔn)、執(zhí)行不規(guī)范導(dǎo)致數(shù)據(jù)難治理;以及信息、知識的共享還需要人力繁瑣的操作積累原始的數(shù)據(jù)，等等。

　　在業(yè)界，這種先需要大量的人力投入然后再創(chuàng)造智能化價值的過程，被稱為“有多少人工就有多少智能”。大模型的介入，讓愛數(shù)得以解決過去企業(yè)智能化轉(zhuǎn)型在業(yè)務(wù)、知識、數(shù)據(jù)等層面大量需要人力工作的問題，全過程都不再需要太多人力的介入，而實現(xiàn)“有多少數(shù)據(jù)就有多少智能”。

　　如此，愛數(shù)的數(shù)據(jù)資產(chǎn)化、數(shù)據(jù)知識化、數(shù)據(jù)服務(wù)化和數(shù)據(jù)要素化努力就將事半功倍，幫助客戶更好地實現(xiàn)業(yè)務(wù)智能化。

　　例如，在城市招商的過程中，愛數(shù)原本就能幫助政務(wù)客戶實現(xiàn)領(lǐng)域認(rèn)知智能，自動化整理各種產(chǎn)業(yè)鏈對象的知識，根據(jù)城市園區(qū)建設(shè)需求匹配對應(yīng)的潛在合作對象。

　　大模型的加入，讓這些知識的獲取也不再需要繁瑣的、長周期的大量人力投入，而是可以通過AGI能力大大加速，并在資源匹配上變得更加精準(zhǔn)。

　　可以看到，愛數(shù)的大模型完全起源于場景業(yè)務(wù)的需求，是對創(chuàng)新技術(shù)的充分利用，推動原有數(shù)字化、智能化服務(wù)的效率和質(zhì)量提升，而這，正好也符合廣大政企客戶對大模型的價值期待。

　　一窩蜂式的搞概念，帶來的只有看客，而不是真正的接納。

　　新的路線選擇，“附帶”解決了大模型落地三大場景痛點

　　當(dāng)大模型開始從場景出發(fā)而不是從技術(shù)出發(fā)，大模型過去在落地層面所面臨的三大痛點問題也在得到解決。

　　1、解決數(shù)據(jù)安全的核心關(guān)切

　　任何的大模型要走向應(yīng)用，在龐大的公域數(shù)據(jù)預(yù)訓(xùn)練后，都必須要有一個根據(jù)政企業(yè)務(wù)需求進(jìn)行再訓(xùn)練的過程。這其中就存在數(shù)據(jù)泄露等安全隱患，成為很多政企客戶在選擇大模型時的首要關(guān)注因素。

　　而如果長期耕耘場景，知道政企客戶的痛點所在，大模型能力就能以恰當(dāng)?shù)姆绞?ldquo;植入”。

　　愛數(shù)聯(lián)合行業(yè)生態(tài)伙伴共創(chuàng)的大模型一體就是如此。

　　此次大會上，愛數(shù)推出了AnyShare領(lǐng)域大模型一體機AS19000，該設(shè)備獨立部署于政企客戶的私有云環(huán)境下，領(lǐng)域大模型訓(xùn)練和推理實現(xiàn)了分離(即一體機本身自帶有已經(jīng)訓(xùn)練好的大模型，接入即可投入使用)。

　　這種物理上的隔離，一方面解決了數(shù)據(jù)安全的問題，另一方面，基于強大的預(yù)訓(xùn)練過程+硬件高配置又具備強大的大模型能力，能為政企客戶帶來一體化的智能內(nèi)容管理體驗。

　　此外，一體機模式還解決了大模型推理所耗費算力成本高昂的問題，實現(xiàn)更經(jīng)濟性的部署。

　　2、解決大模型與業(yè)務(wù)割裂問題

　　幾乎所有數(shù)字化、智能化轉(zhuǎn)型，都會面臨外部服務(wù)商不了解內(nèi)部業(yè)務(wù)實際、技術(shù)與場景割裂的痛點問題。

　　大模型進(jìn)入行業(yè)和場景，在根本上也是一種轉(zhuǎn)型升級，也在面臨相同的問題，那些手舉所謂優(yōu)質(zhì)大模型的廠商雖然確實在技術(shù)創(chuàng)新上有所建樹，但真正要深入場景卻未必懂企業(yè)具體的業(yè)務(wù)和需求。

　　這時候，原本就深耕場景的廠商其優(yōu)勢就凸顯出來。

　　前文提到愛數(shù)通過大模型解決業(yè)務(wù)、數(shù)據(jù)治理、知識運營過程中耗費人工的問題，其主要方式，就是推出一套數(shù)據(jù)驅(qū)動業(yè)務(wù)的領(lǐng)域認(rèn)知中臺，以領(lǐng)域認(rèn)知智能賦能數(shù)據(jù)資產(chǎn)化，實現(xiàn)業(yè)務(wù)智能化。

　　領(lǐng)域認(rèn)知中臺的核心邏輯在于理解業(yè)務(wù)目標(biāo)、流程、標(biāo)準(zhǔn)、規(guī)則和指標(biāo)，建立一套統(tǒng)一的業(yè)務(wù)模型。具體而言，即在數(shù)據(jù)資源化的基礎(chǔ)上，基于領(lǐng)域知識網(wǎng)絡(luò)和領(lǐng)域大模型實現(xiàn)數(shù)據(jù)知識化，通過愛數(shù)領(lǐng)域認(rèn)知助手落地具體應(yīng)用場景，以AnyFabric智能運營中心和AnyShare知識中心為載體，實現(xiàn)業(yè)務(wù)智能化。

　　這個中臺不僅僅能夠覆蓋所有的業(yè)務(wù)，還能夠確保數(shù)據(jù)安全、訪問控制安全、安全運維及安全災(zāi)備，進(jìn)一步回應(yīng)政企客戶的安全關(guān)切。

　　如此，大模型能力、愛數(shù)的數(shù)據(jù)服務(wù)、政企業(yè)務(wù)場景實際實現(xiàn)了三位一體的融合。

　　典型如，愛數(shù)發(fā)布的“領(lǐng)域認(rèn)知助手”，提供創(chuàng)新的智能搜索、智能問答、輔助創(chuàng)作、輔助閱讀等認(rèn)知能力，將大模型能力具象化，直接貼合員工的日常工作，讓內(nèi)容生產(chǎn)實現(xiàn)真正的“智能化”。

　　3、解決大模型“黑箱”難題

　　在內(nèi)容輸出上瞎編亂湊已經(jīng)成為全球大模型的技術(shù)頑疾，無論GPT-4還是國內(nèi)一眾大模型產(chǎn)品，把信息張冠李戴的現(xiàn)象都十分嚴(yán)重，例如李白的詩句被說成是杜甫作的。

　　目前為止，包括OpenAI在內(nèi)的廠商都在“尋找最合適的解決辦法”，但在一些測試中，這種現(xiàn)象也只是得到部分緩解。

　　在根本上，這是因為通用大模型無法針對性識別某個具體領(lǐng)域的信息之間的邏輯聯(lián)系進(jìn)行針對性處理，要解決這個問題，可能需要很多針對性的知識進(jìn)行“校正”，其技術(shù)實現(xiàn)難度較大，或者說訓(xùn)練參數(shù)量需要更加龐大。

　　現(xiàn)在，當(dāng)場景業(yè)務(wù)經(jīng)驗積累在前，大模型的“黑箱”造成信息輸出偏差的問題得到了自然而然的解決。

　　愛數(shù)在過去就為不同行業(yè)、場景建立了一套系統(tǒng)的領(lǐng)域知識網(wǎng)絡(luò)，作為其領(lǐng)域認(rèn)知智能的重要智力來源�，F(xiàn)在，這套領(lǐng)域知識網(wǎng)絡(luò)與大模型結(jié)合，用正確的場景知識邏輯作為“同步評審”，讓大模型可實現(xiàn)可控可干預(yù)可解釋，直接推動大模型輸出結(jié)果的精確化。

　　實際上，愛數(shù)領(lǐng)域知識網(wǎng)絡(luò)與大模型的結(jié)合，也是大模型深入場景的一種必要。

　　例如，在化工等“容錯率”極低的行業(yè)，大模型的結(jié)果輸出必須做到精準(zhǔn)無誤，無法容忍重要的信息張冠李戴。而愛數(shù)的領(lǐng)域知識網(wǎng)絡(luò)中，任何一個材料的工藝都來自于大量實踐，屬于最省成本、最安全可控的流程方法，精確到了數(shù)量、比例、時間等每一個可度量的單位條件，形成了結(jié)構(gòu)化、規(guī)范化的數(shù)據(jù)，最終通過大模型實現(xiàn)用戶查詢、引用，指導(dǎo)技術(shù)人員操作，降低成本、防范風(fēng)險。

　　明星產(chǎn)品風(fēng)光過后，大模型落地呼喚產(chǎn)業(yè)生態(tài)

　　除了愛數(shù)，最近很多有關(guān)大模型的行業(yè)動作，都逐步脫離“快速打出明星產(chǎn)品”的做法。

　　例如，AI計算領(lǐng)域的昇騰全棧體系中，開源的昇思AI開發(fā)框架推出專門推動大模型開發(fā)的新版本，并邀請來自客戶企業(yè)、伙伴、高校的開發(fā)者一起做大模型，推動大模型生態(tài)的繁榮。

　　也即，昇思不再尋求自己做一個大模型產(chǎn)品，而是讓那些更接近場景的主體去做大模型——不只有愛數(shù)，整個行業(yè)都開始通過融合場景的方式推動大模型產(chǎn)業(yè)落地。

　　在這個過程中，大廠、創(chuàng)業(yè)者、數(shù)字化服務(wù)商、高校、科研院所、基礎(chǔ)軟件、基礎(chǔ)硬件、整機廠甚至政企客戶本身……大模型的生態(tài)會在場景需求導(dǎo)向下，變得越來越豐富，生態(tài)主體之間也在不斷相互協(xié)同。

　　例如，愛數(shù)就宣布要開放合作通用大模型，以及與客戶共創(chuàng)垂直領(lǐng)域的大模型，以合作姿態(tài)推動大模型能力進(jìn)化。

　　當(dāng)這種普遍的氛圍形成，大模型風(fēng)口下“贏家通吃”的野心將消散。

　　以場景落地為目標(biāo)，將有不同的大模型在各自領(lǐng)域創(chuàng)造屬于自己的價值，除了愛數(shù)這樣的已經(jīng)有深厚場景業(yè)務(wù)積累的玩家，那些新晉創(chuàng)業(yè)者的大模型可以只服務(wù)一家公司，例如美團(tuán)收購光年之外，后者的產(chǎn)品將直接面向美團(tuán)，獲得“最好的歸宿”;大廠的大模型也可以只作為業(yè)務(wù)的強化，例如字節(jié)的大模型專注于服務(wù)好自身的內(nèi)容、電商業(yè)務(wù)，等等。

　　只有從場景出發(fā)的百花齊放，才有大模型繁榮的未來，一個深刻改變世界的未來。