文 | 智能相對論

作者 | 葉遠風

大模型時代，廠商們狂奔突襲，技術創(chuàng)新一浪高過一浪。

在這個過程中，先趕上風口做出一個大模型產(chǎn)品，宣傳一波、站穩(wěn)腳跟，再慢慢談場景應用、價值落地，是很多廠商的做法——從技術出發(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)基礎設施提供商愛數(shù)在“大模型時代的領域認知智能”分論壇上宣布全面升級AnyShare智能內(nèi)容管理平臺，推出AnyShare認知助手和AnyShare大模型一體機，并發(fā)布領域認知中臺方案，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)服務業(yè)務才是關鍵。

在這里，從場景需求出發(fā)再思考技術的融合，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)都將被大模型占領的預期下，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”，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，某種程度上才應該是最恰當?shù)姆绞街弧?/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、復旦大學、天津大學等建立聯(lián)合實驗室。領域認知智能是愛數(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，當大模型東風吹起來，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)領域認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、認知智能的廠商來說，積極擁抱大模型，將全域數(shù)據(jù)能力及領域認知智能積累的優(yōu)勢與大模型技術深度結合，就成為一種自然而然的選擇。

不需要跟風，不需要刻意，場景的價值基礎一開始就具備，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)務智能化，但仍然面臨一些挑戰(zhàn)，例如在業(yè)務運營、決策方面缺乏高質(zhì)量數(shù)據(jù)；由于業(yè)務不標準、執(zhí)行不規(guī)范導致數(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、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)原本就能幫助政務客戶實現(xiàn)領域認知智能，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)建設需求匹配對應的潛在合作對象。

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。

可以看到，愛數(shù)的大模型完全起源于場景業(yè)務的需求，是對創(chuàng)新技術的充分利用，推動原有數(shù)字化、智能化服務的效率和質(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

當大模型開始從場景出發(fā)而不是從技術出發(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)安全的核心關切

任何的大模型要走向應用，在龐大的公域數(shù)據(jù)預訓練后，都必須要有一個根據(jù)政企業(yè)務需求進行再訓練的過程。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?shù)姆绞健爸踩搿薄?/p>

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領域大模型一體機AS19000，該設備獨立部署于政企客戶的私有云環(huán)境下，領域大模型訓練和推理實現(xiàn)了分離（即一體機本身自帶有已經(jīng)訓練好的大模型，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，基于強大的預訓練過程+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，都會面臨外部服務商不了解內(nèi)部業(yè)務實際、技術與場景割裂的痛點問題。

大模型進入行業(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、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)務的領域認知中臺，以領域認知智能賦能數(shù)據(jù)資產(chǎn)化，實現(xiàn)業(yè)務智能化。

領域認知中臺的核心邏輯在于理解業(yè)務目標、流程、標準、規(guī)則和指標，建立一套統(tǒng)一的業(yè)務模型。具體而言，即在數(shù)據(jù)資源化的基礎上，基于領域知識網(wǎng)絡和領域大模型實現(xiàn)數(shù)據(jù)知識化，通過愛數(shù)領域認知助手落地具體應用場景，以AnyFabric智能運營中心和AnyShare知識中心為載體，實現(xiàn)業(yè)務智能化。

這個中臺不僅僅能夠覆蓋所有的業(yè)務，還能夠確保數(shù)據(jù)安全、訪問控制安全、安全運維及安全災備，進一步回應政企客戶的安全關切。

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

典型如，愛數(shù)發(fā)布的“領域認知助手”，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域的信息之間的邏輯聯(lián)系進行針對性處理，要解決這個問題，可能需要很多針對性的知識進行“校正”，其技術實現(xiàn)難度較大，或者說訓練參數(shù)量需要更加龐大。

現(xiàn)在，當場景業(yè)務經(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)的領域知識網(wǎng)絡，作為其領域認知智能的重要智力來源。現(xiàn)在，這套領域知識網(wǎng)絡與大模型結合，用正確的場景知識邏輯作為“同步評審”，讓大模型可實現(xiàn)可控可干預可解釋，直接推動大模型輸出結果的精確化。

實際上，愛數(shù)領域知識網(wǎng)絡與大模型的結合，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)，大模型的結果輸出必須做到精準無誤，無法容忍重要的信息張冠李戴。而愛數(shù)的領域知識網(wǎng)絡中，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，形成了結構化、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，指導技術人員操作，降低成本、防范風險。

明星產(chǎn)品風光過后，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)字化服務商、高校、科研院所、基礎軟件、基礎硬件、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)垂直領域的大模型，以合作姿態(tài)推動大模型能力進化。

當這種普遍的氛圍形成，大模型風口下“贏家通吃”的野心將消散。

以場景落地為目標，將有不同的大模型在各自領域創(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)務積累的玩家，那些新晉創(chuàng)業(yè)者的大模型可以只服務一家公司，例如美團收購光年之外，后者的產(chǎn)品將直接面向美團，獲得“最好的歸宿”；大廠的大模型也可以只作為業(yè)務的強化，例如字節(jié)的大模型專注于服務好自身的內(nèi)容、電商業(yè)務，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。

*本文圖片均來源于網(wǎng)絡

#智能相對論 Focusing on智能新產(chǎn)業(yè)新服務，這是智能的服務NO.232深度解讀

此內(nèi)容為【智能相對論】原創(chuàng)，

僅代表個人觀點，未經(jīng)授權，任何人不得以任何方式使用，包括轉(zhuǎn)載、摘編、復制或建立鏡像。

部分圖片來自網(wǎng)絡，且未核實版權歸屬，不作為商業(yè)用途，如有侵犯，請作者與我們聯(lián)系。

?AI產(chǎn)業(yè)新媒體;

?澎湃新聞科技榜單月度top5;

?文章長期“霸占”鈦媒體熱門文章排行榜TOP10;

?著有《人工智能 十萬個為什么》

?【重點關注領域】智能家電（含白電、黑電、智能手機、無人機等AIoT設備）、智能駕駛、AI+醫(yī)療、機器人、物聯(lián)網(wǎng)、AI+金融、AI+教育、AR/VR、云計算、開發(fā)者以及背后的芯片、算法等。