中国大模型落地肉搏：谁先「扎进 」行业，谁就先入「咸阳 」

• 2023-07-11 11:58:31 来源：微信公众号：雷峰网

“AGI 的梦想再绚烂，大模型的落地才是真功夫。”

(相关资料图)

大模型之路，已经进入一个新阶段。

从ChatGPT发布算起，国内公司“跑步进场”的大约半年里，大模型竞争的焦点集中在通用语言模型上。

然而到了7月，在上海的 WAIC 2023 上，雷峰网发现，讨论通用大模型的声量开始悄无声息地降低。

首先是用户对大模型的认知发生了改变：从6月初起，“ChatGPT变笨了”的话题一度在社交媒体上引发讨论。用户在写作、绘画等AIGC领域的新鲜劲开始退去，当他们试图用ChatGPT解决实际问题时，往往难以得到满意的答案；

另一方面，基于医疗、金融、教育等垂直行业的大模型开始出现。而已经发布通用大模型的公司，也在针对行业推出模型服务，发力行业模型，已经成为各家共识。

在 WAIC 2023 上，更多人开始关注能够真正扎进行业、给企业带来生产力跃升的大模型产品。

当大模型竞争的重点从通用大模型转向行业大模型，又将产生什么样的变化？

01

见自己：通用与行业，应该如何平衡？

ChatGPT带火了大模型产品的研发，然而在过去几个月中，这些涌现出来的大模型产品通常都偏向于“对话交互型”而非“知识增强型”，这意味着，大多数C端用户与AI的交互偏向于“闲聊”而非“启发/创造”。

如雷峰网此前在《》一文中所提及：在*个赛段即类ChatGPT的竞逐中，各个厂商比的不是“武功”，而是“想法”：由于C端用户的付费意愿偏低，到目前为止，只有ChatGPT这种产品形态在To C市场得到了验证；在过去几个月，国内大模型产品设计一味追随 ChatGPT，将问题的定义交给用户（俗称“AI 召唤师”），导致了严重的同质化现象。

同时，通用大模型只能在通用属性强的场景中应用，在B端，技术还未完备的情况下，通用的大模型由于缺乏专有领域的知识，很难实际落进行业场景，产生生产力。

通用大模型解决不了专业的问题，而那些相对简单的问题，用户也不见得非要使用大模型进行解决。

不能帮助用户解决实际的问题——这是大模型的商业链路中，一个急需解决的巨大 Bug。“大事答不了，小事不用答”，现时的通用大模型就处在这样一个不上不下的位置上。

如果没有能够发挥效用的“立身之本”，大模型就只能像一个气球，越吹越大，越飘越高。

感到路径出现误差，厂商们随即开始调转车头，把正在“飘向空中”的大模型“拽”回地面，落进场景，给客户带来实际的“降本增效”。如何在通用与行业两个方向平衡，则成为了大模型厂商关注的问题。

当中最为典型的案例，是今年3月推出的金融行业模型 BloomBergGPT。它在私有金融任务上的表现出了远高于当前的通用GPT模型的能力。

在相关论文中，作者认为，对模型效果提升促进*的三个因素依次为精心清洗的高质量数据集、合理的标记器（tokenizer）、合理的模型结构。

这也为大模型厂商们在AI 2.0 的赛道上指明了一条道路：如果垂直领域的任务足够复杂、数据足够独特且数据量足够大，自主研发垂直领域的大型模型，可能是一个至少在短期内让大模型落地、解决行业需求痛点的策略。

谁先占领行业，谁就更先占领To B 和ToC 先机；谁先让大模型产生实际的效用，谁就能先入“咸阳”。

但一个大模型，要完成面向行业的落地谈何容易？

对于一个大模型的提供方来说，必须得能够实打实地“扎”进场景，了解企业的痛点，并针对性地寻找大模型所独有的解决方案。

而在这一点上，在国内率先系统化公布行业大模型解决方案的腾讯，做了一次吃螃蟹的人。

“企业需要的，是在实际场景中真正解决了某个问题，而不是在100个场景中，解决了70-80%的问题。”腾讯高级执行副总裁、腾讯云与智慧产业事业群CEO汤道生在6月19日腾讯云行业大模型的发布会上如是说。

汤道生提到，在许多产业场景中，用户对企业提供的专业服务有着“要求高，容错低”的需求。另一方面，训练数据越多，模型越大，训练与推理的成本也越高；除此之外，安全和合规也是企业需要考量的因素。

围绕产业客户的需求，腾讯云公布了全新的MaaS（模型即服务）全景图。有意思的是，他们也是国内首家没有单纯押注通用大模型，而是率先系统性公布行业大模型，选择基础研究和产业落地两条腿走路的大模型实践路径。

在这之后，金山、华为、字节，也都相继发布行业大模型相关解决方案，意在给行业带来实打实的新变化、新可能。

02

见天地：大模型应用，理解场景才是关键

要在实际场景能真正解决问题，大模型对场景的理解，才是真正的关键。

从某种意义上说，在大模型之战的*阶段，短短3个月内就有80多个大模型问世，更多的是属于“普及”，证明自己具有“对标ChatGPT”的能力，而6月之后的这一波行业大模型落地浪潮，才是真正“秀肌肉”的开始。

“930”变革后，汤道生曾将做To C业务的感受比作空军开飞机：当做产品时，不需要与每个用户直接交流，只需通过用户的使用体验就可以发现问题并解决问题。这就像在天空中飞行，进行几次飞行和轰炸后，炸弹就能覆盖一大片区域。

而To B业务则更像是陆军打仗，需要亲自下场，与每个客户面对面会谈了解需求，谈AI能够为他们做什么，以及需要提供哪些方面的能力。

正是因为 To B 经验不浅，腾讯云深知，说是“行业模型”，即使是同一个行业，不同的企业的需求也千差万别。一套模型方案，想要深入细致地理解企业的需求，就必须做详细的定制——而如果大模型采用定制化的项目制模式，又将不可避免地走向 AI 1.0 时代的老路。

大模型要“落地”，就必须要完成“适用化”的革命。

一个模型不够，就打造一个模型的“精选商店”——依托腾讯云的 TI 平台，腾讯云行业大模型给出的方案，是在平台上开放多个模型，企业在选用了更加适合的模型后，可以针对自己的具体需求，进行定制化的训练。

搭配完善的模型工具链，并有配套的方法指导和流程服务，让用户能够自主地在标品模式下，自己解决大模型的定制化需求。

而在这个模式下，大模型开发者的工作，就从定制产品，变成了标品制作+售后服务的“解决方案”提供方——这也是一种比较理想和健康的 MaaS 商业模式。

有“精选商店”解决算法问题，算力和数据侧，腾讯云的落地方案也相对比较务实。

算力侧，新一代的高性能计算集群（HCC），通过“众人拾柴火焰高”的规模效应，让单机算力形成1+1>2的效果。

以腾讯云配套的 HCC 为例，有自研的星星海服务器，与3.2T的超高互联带宽，优化了处理器、网络架构和存储性能，也让大集群的算力损耗能够*程度降低。

而数据侧，当下行业的关注点，更多放在数据的筛选、清洗和标注等基础工作上，却往往忽视了数据库建构的重要性。

在云业务有多年的经验积累，腾讯自研的向量数据库，也给了行业大模型不少支持。

在应用了自研的 AI 原生向量数据库 Tencent CloudVectorDB 之后，腾讯的行业大模型在预训练数据的分类、去重和清洗过程中，效率相比传统的解决方案能够产生10倍的提升；

如果将向量数据库作为外部知识库，来辅助大模型完成推理，成本则可以完成2-4个数量级的降低。

模型精选商店+高性能算力集群+AI 原生向量数据库，腾讯云的这套组合拳，给大模型厂商趟出了一条可能的路。

03

见众生：MaaS为 B 端客户带来了什么？

AI 的“功法”纵然重要，但大模型的“华山论剑”终究不是纸上谈兵，真正能够分出高下的，是在实际场景中实打实的“战绩”。

需要注意的一点是：目前看来，并非所有的场景都适合应用大模型技术。

对此，腾讯云副总裁、腾讯云智能负责人、优图实验室负责人吴运声感触颇多。

“我们一直在思考和探索，大模型和各行业结合背后最本质的逻辑是什么？”在WAIC 2023会场，吴运声曾提到腾讯对大模型与真实场景结合的思考。“其实只有两点：一是技术的根本出发点是解决实际问题，二是如果不能深入行业探索，便不能真正解决行业面临的问题。”

而据雷峰网此前调研，大模型在企业落地也存在两个难以落地的盲区：一是数据安全，二是成本可控。

先前提到腾讯云扎进行业场景，金融行业就是一个典型的例子。

以金融业务中常见的银行单据处理场景为例，单据处理场景涉及到大量银行回单、交易发票、跨境汇款申请书、业务往来邮件、传真等非标数据，需要整理、录入系统，是不少业者难以逃离的“噩梦”。

某首批股份制商业银行与腾讯云合作，基于TI-OCR大模型，可以在 Prompt 的调优的基础上，不经过额外训练直接支持常规下游任务，零样本学习泛化召回率可以达到93%、小样本学习泛化召回率则能达到95%。

从样本收集、模型训练到部署上线，实现全流程零人工参与，建模时间也从2周减少到仅需2天。

另一个传统机器学习得以广泛应用的场景金融风控，在实际业务中，很多时候受限于积累的样本有限，或者是新品刚刚上线，面临“零样本”搭建风控体系，制定策略非常困难。基于腾讯云风控大模型丰富的场景样本快速搭建能力，可以帮助客户跳过“冷启动”过程。

除了上述需要判别式AI能力的场景，大模型的生成能力还将为金融行业带来更大的惊喜。

如上述银行客户提出，在他们此前智能客服场景的实践存在几个痛点：知识维护量大；冷启动知识配置成本高，且需要持续投入运营；由于知识边界受限，不在知识库的问题无法回复或者答非所问，等等。

而通过行业大模型快速接入多个知识来源，同时直接对接银行API进行任务式对话问答，腾讯帮助客户打造了专属AI助手，提供智能咨询、辅助分析、决策等服务，助力客户多个核心业务智能化、健康发展。

另一个案例中，腾讯云 TI 平台通过训练工坊和模型服务功能，帮助上海金融期货信息技术有限公司（简称“中金所技术”）解决了算法服务运维成本高、资源分配不合理、算法框架重复构建、依赖版本冲突等问题，降低了算法框架搭建成本和人力投入。

通过提供 restful 服务，以服务化的方式将算法通过平台提供给其他部门使用，腾讯云 TI 平台已成功支持中金所及技术公司内部的智慧屏和三大平台系统，每日调用峰值高达1亿次，整体调用成功率超过了99%。

眼见众生，心在天地。大模型不仅要面向客户的需求，提供生产力的跃升，作为近10年*的一波技术革命，AI 也给产业的自我更新带来了新的可能和广阔的想象空间。

在 WAIC 2023 上，腾讯云还展示了不少行业大模型落地的案例，从金融、文旅、政务、传媒、教育等10大行业中，孵化出了超过50个针对性的解决方案，行业覆盖力惊人。

“AI大模型技术发展和产业探索，离不开产业链协同和生态共建，这也是腾讯云在AI发展方面一直坚持的态度。”在 WAIC 2023 上，吴运声如此总结道，“我们愿与行业伙伴携手，去探索无限的可能性。”

04

结语

AGI 的梦想再绚烂，大模型的落地才是真功夫。

十年前的 AI 1.0 时代，雷峰网早已见识过 AI 赛道的炙手可热。

“必须扎到行业，必须创造价值，一家 AI 服务的提供商才能活下去。”悟出这个道理，不少人工智能公司花了整整十年的时间。

顶层的设计往往充满着不确定性，而市场的判断却是朴素而直接的：谁能给我带来收益，谁就是于我有用的；谁能给我带来更多的价值，我就用脚为他“投票”。

大模型竞逐的第二个赛段，势必围绕市场和业界展开，对于技术和产品齐备的玩家来说，当下的“必争之地”，就是在市场上获得认可，并通过端到端的模式，形成一套能够越转越快的数据飞轮，积累更多的大模型 Know how，最终在万事俱备的情况下，做更好的通用大模型。

谁先在行业站稳*只脚，谁就能更早迎接 AI 的下一个飞速发展期。

标签：