作者 | 葛覃

編輯 | 阿文

2024年，大模型從理論研究的殿堂，邁向廣闊的現(xiàn)實世界，AI技術(shù)的落地正掀起一場影響深遠的變革浪潮。

9月19日，華為AI用戶峰會在滬舉辦，眾多大咖嘉賓聚而論道，圍繞大模型如何與行業(yè)深度融合，關(guān)于技術(shù)和非技術(shù)的實踐難題，企業(yè)的共性需求和個性要求如何滿足等議題，探討大模型落地的解決之道。

去年海內(nèi)外巨頭與獨角獸不斷刷屏，爭相推出自家大模型的“史詩級更新”，大模型也被寄予厚望，仿佛任何業(yè)務(wù)領(lǐng)域和應(yīng)用場景都能摻上兩腳，F(xiàn)OMO（“Fear of Missing Out”）的情緒從大模型廠商，傳遞到每一家有想法和資源的企業(yè)身上，狂熱與不理智達到了頂峰。

今年“大模型泡沫論”甚囂塵上，以高盛6月份發(fā)布的《生成式AI：投入過多，收益過少？》報告為例，其中提到，未來幾年科技巨頭、企業(yè)和公共部門將在生成式AI上投入約一萬億美元的資金，但目前來看，這些投資似乎并沒有帶來預(yù)期的回報。

期間的反差來自于一個目前無法證實的擔(dān)憂——AI會不會陷入新的低谷？

當然這種擔(dān)憂并不多余。自從1956年的達特茅斯會議之后，人工智能技術(shù)和產(chǎn)業(yè)經(jīng)歷了三起三落，少有一類技術(shù)能夠跨越如此之長的周期，既不歸于沉寂也尚未實現(xiàn)規(guī)模爆發(fā)。

曼哈頓研究所高級研究Mark P. Mills認為，正如汽車、無線電、互聯(lián)網(wǎng)等革命性技術(shù)，新技術(shù)在改變世界之前，都會經(jīng)歷漫長的蟄伏期，繞不過發(fā)明創(chuàng)造、商業(yè)可行、大規(guī)模推向市場三個階段。

“顛覆性創(chuàng)新”通常每個階段持續(xù)20年左右。例如在汽車發(fā)明（1886年）之后多年，T 型車設(shè)計才出現(xiàn)（1908 年），到了1920年代末，美國汽車滲透率上升到20%。

有時創(chuàng)新發(fā)生得也會快一點，從“分組交換”的想法到創(chuàng)建互聯(lián)網(wǎng)不到十年，萬維網(wǎng)公開商業(yè)化花了 20 年時間，但只用了 10 年時間就看到了顯著的市場滲透。

AI技術(shù)為時代創(chuàng)造了一個極限彎道賽段，彎道超車還是被狠狠甩下，甚至跌落崖底……一切都是未知，在探索未知的過程中，隱藏在背后的迷霧和暗礁若隱若現(xiàn)。僅就目前來看，企業(yè)落地大模型的共性難題，包括場景、數(shù)據(jù)、成本、IT架構(gòu)、實踐等方面，相互交織又相互聯(lián)系。

場景之困境：如何找到大模型落地場景

人工智能和機器學(xué)習(xí)領(lǐng)域的知名學(xué)者吳恩達認為，大模型在眾多場景中具有巨大的潛力，但也需要與領(lǐng)域知識相結(jié)合。

目前學(xué)術(shù)界與產(chǎn)業(yè)界已經(jīng)達成共識，大模型不是“萬能藥”，只有把大模型任置于具體的場景中，才能兌現(xiàn)技術(shù)價值，避免陷入“拿著錘子找釘子”的窠臼。

此前大模型廠商“內(nèi)卷”參數(shù)和數(shù)量，千億參數(shù)、萬億參數(shù)的大模型，代表了大模型廠商的硬實力，但在很多業(yè)務(wù)場景中，百億級別參數(shù)大模型已經(jīng)足夠，十億級參數(shù)大模型也應(yīng)用頗多。

如果說以前企業(yè)更多看到了炫目的大模型，那么現(xiàn)在更關(guān)注的是，如何將已有的模型應(yīng)用到實際場景中，解決自己的具體問題，并且持續(xù)評估某個具體場景的前景。如此，企業(yè)也從前期探索大模型時的試驗性質(zhì)，轉(zhuǎn)而關(guān)注實實在在的指標，可以是降本、增效、以及新體驗。

識別大模型落地場景大致可以分為三大方向，商業(yè)價值決定了是否值得做，場景成熟度決定是否能做，持續(xù)運營空間決定了是否可進化。

數(shù)據(jù)之難題：如何為大模型做好數(shù)據(jù)治理

大模型有多依賴數(shù)據(jù)？中國科學(xué)院院士梅宏一言以蔽之：現(xiàn)階段AI的成功源于深度學(xué)習(xí)，這只是AI研究的一個子領(lǐng)域，其本質(zhì)是數(shù)據(jù)驅(qū)動的智能、計算實現(xiàn)的智能，即“數(shù)據(jù)為體、智能為用”，猶如燃料與火焰的關(guān)系，燃料越多，火焰越大，燃料越純，火焰越漂亮。

在深度學(xué)習(xí)算法沒有出現(xiàn)原理變革的前提下，大模型對數(shù)據(jù)的依賴越來越嚴重，對算力的消耗也越來越巨大。在這種情況下，數(shù)據(jù)規(guī)模和質(zhì)量就成為影響大模型落地的關(guān)鍵因素。

值得一提的是，大模型需要的數(shù)據(jù)，是全場景、全流程、全方位的知識數(shù)據(jù)。對于企業(yè)而言，企業(yè)原有數(shù)據(jù)庫和大數(shù)據(jù)平臺中的數(shù)據(jù)，并不能直接為大模型使用，需要將數(shù)據(jù)加工為大模型能使用的知識?，F(xiàn)實是企業(yè)往往不具備相應(yīng)的數(shù)據(jù)治理能力，部分企業(yè)積累了數(shù)據(jù)卻沒做面向AI的數(shù)據(jù)治理，部分企業(yè)只是簡單儲存了數(shù)據(jù)，還有更多的企業(yè)缺少足夠的數(shù)據(jù)。

企業(yè)數(shù)據(jù)可能存在缺失值、噪聲數(shù)據(jù)、重復(fù)數(shù)據(jù)等質(zhì)量問題，需要進行數(shù)據(jù)清洗。數(shù)據(jù)加工也是常見的需求，這可能涉及到數(shù)據(jù)的轉(zhuǎn)換、編碼、特征提取等操作。例如將文本數(shù)據(jù)轉(zhuǎn)換為向量表示，以便大模型能夠進行處理和學(xué)習(xí)。

成本之考量：如何在有限成本下探索大模型

成本，貫穿大模型從研發(fā)到落地再到持續(xù)運營的全過程，早期的算力供給就是一個典型問題，大模型的訓(xùn)練和推理需要大量的算力支持，這就意味著企業(yè)需要投入巨額資金來建設(shè)和維護強大的算力基礎(chǔ)設(shè)施。

構(gòu)建一個大型語言模型可能需要耗費數(shù)百萬美元甚至更多的資金用于購買高性能的 GPU 和 NPU 等計算芯片，以及支付高昂的電力費用和數(shù)據(jù)中心運營成本。即便企業(yè)采取云服務(wù)的方式，也需要考量成本。數(shù)據(jù)的收集、清洗和標注也需要投入大量的時間和金錢，構(gòu)建一個高質(zhì)量的數(shù)據(jù)集可能需要數(shù)千小時的人工工作。

企業(yè)應(yīng)用大模型不僅需要評估啟動成本，更要考慮運營成本。研究公司 Gartner 表示，將 AI 直接部署到公司的系統(tǒng)中，成本可在 500 萬至 2000 萬美元之間，預(yù)計到 2025 年底，30% 的生成式 AI 項目將因為這些高昂的費用而被放棄。

IT之變革：什么樣的企業(yè)IT架構(gòu)才能更好支撐AI

智能化的基礎(chǔ)是數(shù)字化，業(yè)務(wù)數(shù)字化的程度，決定了 AI 能不能落地。以往信息化、數(shù)字化做得好的企業(yè)，在探索大模型時更得心應(yīng)手。而企業(yè)越是探索大模型，就越發(fā)現(xiàn)需要補足其他數(shù)字化能力，進而倒逼自己新一輪的 IT 變革。

以數(shù)據(jù)為例，數(shù)據(jù)治理和數(shù)據(jù)能力建設(shè)，往往代表企業(yè)有良好的數(shù)字化能力，企業(yè)內(nèi)部有沒有統(tǒng)一的數(shù)據(jù)標準，有咩有明確數(shù)據(jù)的主權(quán)和責(zé)任人，有沒有區(qū)隔不同的數(shù)據(jù)空間。諸如此類的數(shù)字化能力，都是支撐企業(yè)探索大模型的必經(jīng)之路。

如果一個場景連信息化都沒有做到，不可能期盼大模型一下子將其智能化，而這也往往代表該場景有難以克服的問題，不適合被數(shù)字化和智能化。

在一個具體大模型應(yīng)用中，大模型可能只占據(jù)30%的比重，而剩下的70%都依賴于原有的IT和業(yè)務(wù)，如果沒有數(shù)字化的業(yè)務(wù)能力，那就意味著大模型只落地了一個“大腦”，缺少“四肢”和“五感”，AI 運營的成本也會大大增加。

因此，大模型一定要與企業(yè)的流程、組織、技術(shù)相結(jié)合，同時企業(yè)的數(shù)據(jù)也要與業(yè)務(wù)場景做深度結(jié)合，才能將人工智能融入企業(yè)，真正把人工智能變成一個企業(yè)可用、能為企業(yè)帶來價值增長的工具。

路徑之探索：企業(yè)如何尋找大模型落地最佳實踐

大模型的落地是一場系統(tǒng)性變革，不僅涉及到技術(shù)，也需要流程、組織和認知等相應(yīng)的能力支撐，場景、數(shù)據(jù)、IT等，都是大模型落地的突出問題，而如何將這些關(guān)鍵動作梳理清晰，形成一套可執(zhí)行的連貫動作，企業(yè)都在期盼這樣的“最佳實踐”。

行業(yè)內(nèi)常說，數(shù)字化是一把手工程，實際上大模型也是，它不僅能夠確保項目的戰(zhàn)略一致性和資源的有效配置，還能夠提高決策效率，促進跨部門協(xié)作，控制風(fēng)險，并塑造積極的企業(yè)文化。

進入到具體的實操階段后，企業(yè)需要識別業(yè)務(wù)痛點，明確業(yè)務(wù)目標，并通過現(xiàn)狀診斷、能力建設(shè)、應(yīng)用部署和運營管理等步驟，逐步推進大模型的應(yīng)用。這包括了對數(shù)據(jù)的治理、模型的訓(xùn)練、服務(wù)的融入以及持續(xù)運營的規(guī)劃和配套。

此外，大模型的落地還需要考慮數(shù)據(jù)安全和隱私保護的問題，安全合規(guī)始終是企業(yè)開展業(yè)務(wù)的前提。企業(yè)在確保數(shù)據(jù)安全和合規(guī)性的同時，還需要建立相應(yīng)機制，遵守各個國家和地區(qū)的法律法規(guī)，避免大模型“水土不服”。

在推動大模型落地的過程中，企業(yè)還需要關(guān)注人才培養(yǎng)和組織變革，例如沿著大模型的邊界構(gòu)建跨部門協(xié)作機制，以便更好地利用大模型技術(shù)進行數(shù)據(jù)分析和決策支持。同時建立一個能夠快速響應(yīng)市場變化和客戶需求，減少層級和冗余的敏捷組織結(jié)構(gòu)，對于早期的大模型探索，速度決定生死。

大模型的誕生，來自于非共識。OpenAI信奉“大力出奇跡”工程化的方式，將數(shù)據(jù)、算法、算力等要素資源再融合創(chuàng)造，才有了AI時代新的開端。

而大模型要實現(xiàn)規(guī)模落地，仰仗于形成新共識。當所有企業(yè)都在尋找新時代的取勝之匙，大模型落地才有業(yè)務(wù)價值。

是時候拿著新地圖去開啟AI大航海時代了。