華爾街見(jiàn)聞·見(jiàn)智研究特邀瀾碼科技創(chuàng)始人&CEO【周健】來(lái)為大家?guī)?lái)最核心的解讀：AI浪潮的下一個(gè)重要賽道，如何突破企業(yè)應(yīng)用，找到盈利秘籍？?

【資料圖】

核心觀點(diǎn)

1、大模型應(yīng)用側(cè)關(guān)注重點(diǎn)有所不同：ToC端的用戶更關(guān)注情感訴求，而ToB端的用戶更關(guān)注效率需求。

2、企業(yè)如何結(jié)合自身業(yè)務(wù)應(yīng)用大模型，存在應(yīng)用的預(yù)期差：企業(yè)在應(yīng)用大模型上面臨很多困難，當(dāng)前可選大模型很多評(píng)估標(biāo)準(zhǔn)多樣化，找到適合企業(yè)自身業(yè)務(wù)的模型不容易，會(huì)存在應(yīng)用的預(yù)期差。

3、通用大模型的劣勢(shì)：不足以滿足各行各業(yè)的對(duì)口業(yè)務(wù)，無(wú)法解決特定領(lǐng)域的專(zhuān)業(yè)問(wèn)題。

4. 私域數(shù)據(jù)價(jià)值高：企業(yè)私有化AI部署需求潛力巨大，特別是有保護(hù)敏感數(shù)據(jù)需求的企業(yè)，比如金融、通信、政務(wù)等領(lǐng)域。

5、大模型應(yīng)用將改變軟件行業(yè)的范式：開(kāi)放式的接口的服務(wù)能夠加速企業(yè)AI應(yīng)用的開(kāi)發(fā)進(jìn)度，AI軟件中臺(tái)的出現(xiàn)能夠幫助垂類(lèi)企業(yè)避免重復(fù)開(kāi)發(fā)和重復(fù)造輪子，從而節(jié)省開(kāi)發(fā)時(shí)間和成本。

正文

見(jiàn)智研究：國(guó)內(nèi)大模型市場(chǎng)格局情況如何？

周?。?/strong>

從去年11月30號(hào)開(kāi)始，大語(yǔ)言模型被視為重要的基礎(chǔ)設(shè)施。目前市場(chǎng)上主要有三類(lèi)玩家。

一類(lèi)是原來(lái)就在這個(gè)賽道的，例如智譜AI和MiniMax，他們?cè)谘邪l(fā)方面已經(jīng)有了兩到三年或更長(zhǎng)的時(shí)間。GPT 3從2020年就出來(lái)，所以他們有足夠的時(shí)間沉淀數(shù)據(jù)，準(zhǔn)備算力，現(xiàn)在可能略微領(lǐng)先。

第二類(lèi)是大廠，如百度、阿里、騰訊、字節(jié)跳動(dòng)，他們資源多，可能只需要在原有研發(fā)方向上稍微調(diào)整一下，他們還有大量的應(yīng)用場(chǎng)景，所以他們是另一類(lèi)重要的玩家。

第三類(lèi)是新生代，如王慧文的光年之外、王小川的百川智能，他們因?yàn)楸旧碜詭Ч猸h(huán)，也非常值得期待。如最近王小川的公司新發(fā)布了一個(gè)baichuan-7B模型。

這三類(lèi)玩家，他們的資源、當(dāng)前狀況和適用場(chǎng)景各不相同，都非常有趣。

見(jiàn)智研究：?大模型對(duì)?ToB和?ToC 端的用戶所關(guān)注的重點(diǎn)有何不同？

周健：

首先，大語(yǔ)言模型帶來(lái)的變化是，過(guò)去是圖形界面，現(xiàn)在可能會(huì)用自然語(yǔ)言作為界面，從另一個(gè)角度來(lái)說(shuō)，很多應(yīng)用可能會(huì)被合并，未來(lái)我們可能不再需要有100個(gè)應(yīng)用。

但在ToB和ToC這兩個(gè)方向上，關(guān)注點(diǎn)其實(shí)很不一樣。ToB這邊，由于往往涉及專(zhuān)業(yè)場(chǎng)景和多人協(xié)同工作，所以他們可能更關(guān)注協(xié)同辦公場(chǎng)景和數(shù)據(jù)的私有性。而ToC端，由于涉及多種設(shè)備和場(chǎng)景，比如電視、手機(jī)、筆記本電腦，甚至家中的物聯(lián)網(wǎng)設(shè)備等，他們的需求更加分散，可能需要更具體的場(chǎng)景設(shè)計(jì)。

例如，電視是一個(gè)被動(dòng)性的場(chǎng)景，用戶可能在觀看時(shí)并不會(huì)主動(dòng)做太多操作；而手機(jī)是一個(gè)個(gè)人的場(chǎng)景，用戶可能會(huì)主動(dòng)進(jìn)行各種操作。這種區(qū)別會(huì)影響到最后哪些應(yīng)用會(huì)被合并，以及底層的大語(yǔ)言模型是否需要進(jìn)行不同的設(shè)計(jì)。

另外，從需求上來(lái)看，ToC端的用戶可能更關(guān)注情感訴求，而ToB端的用戶可能更關(guān)注效率需求。所以從原始點(diǎn)開(kāi)始，ToB和ToC的需求就已經(jīng)存在很大的區(qū)別。這就是我認(rèn)為T(mén)oB和ToC在大模型關(guān)注重心上的主要差異。

見(jiàn)智研究：企業(yè)如何將大模型與自身業(yè)務(wù)相結(jié)合，會(huì)遇到哪些問(wèn)題？

周?。?/strong>

當(dāng)前企業(yè)在將大模型與自身業(yè)務(wù)結(jié)合時(shí)，首要問(wèn)題是如何選擇模型。在國(guó)外，大部分企業(yè)可能會(huì)直接選擇OpenAI，但在國(guó)內(nèi)，選擇更為豐富。然而，目前學(xué)術(shù)界對(duì)于如何評(píng)估通用大語(yǔ)言模型還沒(méi)有達(dá)成共識(shí)，企業(yè)在這個(gè)問(wèn)題上尤其困難，因?yàn)樗麄兺狈σ粋€(gè)基本的數(shù)據(jù)集來(lái)決定在其特定場(chǎng)景下應(yīng)選擇哪種大模型。

另外一個(gè)問(wèn)題來(lái)自AI的實(shí)際應(yīng)用，有時(shí)候?qū)嶋H的落地效果與期望有很大的差距。例如，在AI 1.0時(shí)代，我們通常會(huì)以人臉識(shí)別為例，但其實(shí)際應(yīng)用過(guò)程中，會(huì)存在很大的差異。

當(dāng)前的大語(yǔ)言模型在客戶端的直接體驗(yàn)上有一定的優(yōu)勢(shì)，但在穩(wěn)定性、質(zhì)量和安全性方面，還存在很大的差距。我們可以預(yù)期未來(lái)大語(yǔ)言模型的水平會(huì)逐步提高，但這個(gè)提升速度在企業(yè)內(nèi)部是不一致的。因此，如何評(píng)估在哪里先進(jìn)行落地，哪里可能是最難落地的，這是一個(gè)需要考慮的問(wèn)題。

此外，企業(yè)還需要考慮自身的基礎(chǔ)設(shè)施建設(shè)。大語(yǔ)言模型只是一個(gè)通用基礎(chǔ)設(shè)施，其訓(xùn)練語(yǔ)料主要是通用的公開(kāi)數(shù)據(jù)。然而，企業(yè)內(nèi)部一定會(huì)有自己的私有數(shù)據(jù)，這些數(shù)據(jù)的規(guī)整性也非常關(guān)鍵，因?yàn)锳I，包括大語(yǔ)言模型，都需要大量規(guī)整的數(shù)據(jù)進(jìn)行訓(xùn)練。

我們是AI原生的企業(yè)，因此對(duì)于垂直企業(yè)內(nèi)部專(zhuān)有模型的構(gòu)建和fine-tuning有著高要求，特別是在企業(yè)內(nèi)部數(shù)據(jù)基礎(chǔ)設(shè)施的條件下。

在與許多客戶會(huì)面時(shí)，我們注意到他們都感到焦慮，因?yàn)楹茈y確定從何處開(kāi)始。試驗(yàn)是他們的一種選擇，但往往只能得出戰(zhàn)術(shù)層面的結(jié)果。對(duì)于大型語(yǔ)言模型的能力，他們可能無(wú)法得出結(jié)論，可能很快就會(huì)因?yàn)樵谂笥讶Πl(fā)的文章而被質(zhì)疑。

在戰(zhàn)略層面上，變革組織是大家的共識(shí)，但最困難的是從哪里開(kāi)始，誰(shuí)應(yīng)該先來(lái)嘗試。這需要對(duì)事物的認(rèn)知，以幫助作出決策。在戰(zhàn)術(shù)層面上，他們不斷被打臉，而戰(zhàn)略層面上的問(wèn)題則無(wú)法解決。因此，這是一個(gè)混亂的過(guò)程。

對(duì)于他們來(lái)說(shuō)，這是當(dāng)前最大的難題，即使我們專(zhuān)注于這一領(lǐng)域，變化仍然是日新月異的，可能每天都有微小變化，每周都有重大變化，甚至每個(gè)月都可能面臨重大變革。對(duì)于那些核心業(yè)務(wù)不在這方面的企業(yè)來(lái)說(shuō)，這是一個(gè)巨大的困難。

見(jiàn)智研究：企業(yè)需要怎樣的模型？

周健:

定制企業(yè)的私有化大模型需要從以下幾個(gè)方面考慮。

從現(xiàn)有的技術(shù)手段來(lái)看，定制化的成本是很高的。其次，基本上只有在類(lèi)似于智能客服或者文本到SQL等確定性場(chǎng)景中進(jìn)行微調(diào)或定制模型才是劃算的。比如，像Bloomberg這樣擁有大量規(guī)整化金融數(shù)據(jù)的企業(yè)，定制模型的性價(jià)比較高。

其中客服領(lǐng)域沉淀了大量的人機(jī)對(duì)話數(shù)據(jù)，通用性模型不適合。定制企業(yè)私有化模型是最適合的選擇。然而，在其他領(lǐng)域選擇定制化還存在許多問(wèn)題。比如選擇開(kāi)源模型還是閉源模型進(jìn)行共建，采用多少參數(shù)的模型，選擇何種架構(gòu)等。

這些選擇都帶來(lái)了成本，微調(diào)的成本可能在百萬(wàn)級(jí)別，甚至可能要上升到千萬(wàn)級(jí)別，特別是在希望做出有壁壘的企業(yè)定制模型的情況下。

此外，在當(dāng)前階段，大家都在談?wù)撎崾竟こ處煹氖褂谩５?，很多現(xiàn)實(shí)情況下，還并沒(méi)有充分發(fā)揮提示工程師的潛力，而選擇了更昂貴的方式。

因此，只有在明確能產(chǎn)生價(jià)值的場(chǎng)景下，如智能客服和文本到SQL等，花費(fèi)高成本可能是劃算的。而其他領(lǐng)域可能只能讓研發(fā)獲得一些經(jīng)驗(yàn)，而企業(yè)其實(shí)是無(wú)法得到有價(jià)值的回報(bào)的。

見(jiàn)智研究：如何看待百萬(wàn)成本微調(diào)的垂直行業(yè)大模型和低成本建立企業(yè)專(zhuān)屬知識(shí)庫(kù)這兩種方案之間的差異性和真實(shí)有效性？

周?。?/strong>

在當(dāng)前的項(xiàng)目中，我們探索了如何基于大語(yǔ)言模型開(kāi)發(fā)新一代的軟件，以實(shí)現(xiàn)更智能的程序模式。舉個(gè)簡(jiǎn)單的例子，大語(yǔ)言模型只是對(duì)數(shù)據(jù)的壓縮，而fine-tuning則是在該模型上添加特定的數(shù)據(jù)集，并對(duì)某些層進(jìn)行參數(shù)修改。然而，它仍然無(wú)法擺脫對(duì)數(shù)據(jù)的壓縮，因此在某種程度上它是昂貴的。

從客戶和供應(yīng)商的角度來(lái)看，它可能能說(shuō)服客戶愿意為高價(jià)值的項(xiàng)目付費(fèi)。然而，從實(shí)際效果來(lái)看，比如對(duì)于法律場(chǎng)景，大語(yǔ)言模型無(wú)法處理大陸法系和英美法系的差異，因?yàn)樗鼈冇胁煌姆蛇壿嫼驼軐W(xué)基礎(chǔ)。

同樣的100個(gè)案例和10份法律文檔，在英美法系和大陸法系的視角下，得出的結(jié)論可能不同。因此，從這個(gè)角度來(lái)看，純粹使用大語(yǔ)言模型可能無(wú)法實(shí)現(xiàn)這一目標(biāo)。我們應(yīng)該在頂層由律師建立一個(gè)知識(shí)庫(kù)來(lái)回答這些問(wèn)題。

因此，通過(guò)使用這些領(lǐng)域的知識(shí)，我們可以通過(guò)代碼更快地回答這些專(zhuān)業(yè)問(wèn)題。如果我們使用fine-tuning的方法，即使將所有法律和審判判例放在一起，我們也無(wú)法預(yù)測(cè)ChatGPT這樣的智能體會(huì)如何回答。

因此，在解決企業(yè)應(yīng)用場(chǎng)景問(wèn)題時(shí)，我們不能僅僅依賴(lài)大語(yǔ)言模型，fine-tuning只是對(duì)大語(yǔ)言模型的一種改變，沒(méi)有從端到端的視角來(lái)看待問(wèn)題。

見(jiàn)智研究：什么類(lèi)型的企業(yè)需要私有化AI？如何看待這個(gè)領(lǐng)域的需求？

周?。?/strong>

企業(yè)需要定制化或私有化AI，因?yàn)樗鼈儞碛刑貏e敏感且價(jià)值高的數(shù)據(jù)。

例如，我們?cè)龅竭^(guò)一家從事工程報(bào)價(jià)軟件的公司，他們絕對(duì)不愿意將報(bào)價(jià)信息提供給公有的大模型。同樣的情況也適用于半導(dǎo)體等公司，以及涉及醫(yī)療領(lǐng)域中的隱私數(shù)據(jù)，如病例數(shù)據(jù)，以及整車(chē)廠擁有大量汽車(chē)零配件BOM數(shù)據(jù)。這些企業(yè)都不愿意將這些高價(jià)值的數(shù)據(jù)提供給公有的大型模型，因此它們需要建立企業(yè)私有的模型。

剛才提到的這些行業(yè)都是大型行業(yè)，市場(chǎng)潛力巨大，雖然難以準(zhǔn)確判斷市場(chǎng)規(guī)模是千億還是萬(wàn)億，但我認(rèn)為它是一個(gè)極大的市場(chǎng)。

在許多領(lǐng)域中，僅僅依賴(lài)通用大型模型可能無(wú)法實(shí)現(xiàn)落地推進(jìn)，特別是在企業(yè)的安全和金融、政務(wù)等方面。

見(jiàn)智研究：為什么寫(xiě)好?Prompt 很難？如何實(shí)現(xiàn)復(fù)雜問(wèn)題智能化解決？

周?。?/strong>

生成模型只是試圖預(yù)測(cè)下一個(gè)要說(shuō)的單詞，這是它的工作原理。從技術(shù)實(shí)現(xiàn)的角度來(lái)看，它也有類(lèi)似于人類(lèi)短時(shí)記憶的限制。我們知道人類(lèi)最多可以記住7個(gè)單詞，對(duì)于大型模型來(lái)說(shuō)存在成本問(wèn)題，所以它也有一些限制。

因此，如何與生成模型進(jìn)行對(duì)話變得非常重要。雖然今天已經(jīng)存在技術(shù)上的突破，但當(dāng)前的大語(yǔ)言模型還沒(méi)有達(dá)到具備數(shù)據(jù)庫(kù)那樣穩(wěn)定可靠的程度，人們還不知道如何正確使用它，才會(huì)出現(xiàn)prompt工程師這樣的職位。

比如，在微軟的評(píng)估中提到了這樣一個(gè)案例，即使是像GPT-4這樣強(qiáng)大的模型，如果你直接讓它計(jì)算150到250之間有多少個(gè)質(zhì)數(shù)，它可能會(huì)算錯(cuò)。但如果你讓它計(jì)算150到250之間的質(zhì)數(shù)，并逐個(gè)列出并統(tǒng)計(jì)它們的數(shù)量，它就能做對(duì)。

這相當(dāng)于人類(lèi)在面對(duì)問(wèn)題時(shí)會(huì)決定是心算還是拿筆寫(xiě)下來(lái)。因?yàn)樗拇竽X記憶能力是有限的，所以它可能還沒(méi)有學(xué)會(huì)如何處理這種情況，因?yàn)槟壳斑€沒(méi)有給它配備數(shù)據(jù)庫(kù)。未來(lái)大模型背后若有一個(gè)數(shù)據(jù)庫(kù)，可能會(huì)開(kāi)發(fā)出新的算法。

此外，今天也有很多人在討論，說(shuō)它在處理數(shù)學(xué)方面不太擅長(zhǎng)，所以包括OpenAI自己也在探索如何將一些簡(jiǎn)單的工具，如計(jì)算器功能整合進(jìn)去，以便更好地回答這類(lèi)問(wèn)題。

如今整個(gè)行業(yè)都在探索挖掘大模型的潛力，對(duì)于Prompt的理解可能需要更深入一些。像編程很多時(shí)候是復(fù)雜的，有架構(gòu)、面向?qū)ο蟆㈩?lèi)設(shè)計(jì)、函數(shù)設(shè)計(jì)等。未來(lái)，Prompt也可能如此。

舉個(gè)例子，在瀾碼科技的探索中，當(dāng)我們的軟件回答用戶問(wèn)題時(shí)，會(huì)將其分解成復(fù)雜的工作流程。一開(kāi)始可能是提示a，扮演產(chǎn)品經(jīng)理的角色，然后將用戶需求拆分成幾個(gè)部分。

在向大語(yǔ)言模型提問(wèn)后，根據(jù)其回答，我們決定是將其第一段作為提示b輸入，還是作為提示c的輸入，或者第二段作為提示d的輸入。

因此，就像30年前我們只有程序員，而現(xiàn)在有前端程序員、后端程序員、數(shù)據(jù)庫(kù)管理員等。未來(lái)，Prompt也可能細(xì)分為許多不同的工種，可能還會(huì)有?Prompt Architecture、?Prompt ?Designer。

見(jiàn)智研究：如何看待大模型對(duì)軟件行業(yè)帶來(lái)的影響？可能會(huì)出現(xiàn)哪些行業(yè)發(fā)展機(jī)會(huì)？

周健：

大型模型實(shí)際上代表了技術(shù)的平等，它讓自然語(yǔ)言處理的能力“平民化”。對(duì)于像瀾碼這樣的初創(chuàng)公司來(lái)說(shuō)，我們就可以像OpenAI一樣，將300人的自然語(yǔ)言處理團(tuán)隊(duì)視為公司內(nèi)部的資源，直接利用。它所帶來(lái)的一個(gè)變化是，在軟件的邊界上變得更加靈活，可以使用自然語(yǔ)言進(jìn)行交互。

舉個(gè)例子，我們內(nèi)部開(kāi)發(fā)了一個(gè)行程安排助手，以前，我的行程安排可能在微信、郵件上有往來(lái)。現(xiàn)在，我可以簡(jiǎn)單地要求我的軟件助手，分析我的郵件、微信聊天記錄，給出我下周的行程安排。

以前也可以做到這一點(diǎn)，但成本很高，可能需要花費(fèi)幾十萬(wàn)甚至上百萬(wàn)。而今天，我們只需要一些prompt，就可以實(shí)現(xiàn)這個(gè)功能，成本只是在每次軟件使用時(shí)支付給OpenAI 1000個(gè)token 0.2美分。以前你不會(huì)愿意把NLP工程師浪費(fèi)在這上面，而現(xiàn)在完全成為可能。

這是軟件范式上的一種改變，手機(jī)上原來(lái)有100個(gè)應(yīng)用，這100個(gè)應(yīng)用彼此之間無(wú)法互通的，為什么呢？因?yàn)檫@100個(gè)應(yīng)用原來(lái)只能通過(guò)API對(duì)接，不同的軟件不斷迭代。有100個(gè)軟件就得進(jìn)行1萬(wàn)次對(duì)接，一次升級(jí)就白接了，然后重新開(kāi)始。

其實(shí)今天所有的系統(tǒng)，它其實(shí)都是一個(gè)記錄系統(tǒng)，是為了負(fù)責(zé)去記錄整個(gè)物理世界的一些事情的。比如ERP、CRM，HR 系統(tǒng)，財(cái)務(wù)系統(tǒng)，它其實(shí)都是對(duì)于物理世界的一些事情的一些事件的記錄，然后現(xiàn)在突然新出來(lái)了一類(lèi)，叫做?system of model 就是大語(yǔ)言模型，他們其實(shí)負(fù)責(zé)思考。

我覺(jué)得還有第三類(lèi)系統(tǒng)叫做?system of action，?就是像瀾碼做的事情，好比是神經(jīng)中樞的功能。

這個(gè)過(guò)去是需要程序員負(fù)責(zé)去做，成本很高，但現(xiàn)在有了自然語(yǔ)言，這個(gè)就變得容易多了。這可能是今天一個(gè)很大的范式轉(zhuǎn)變。

見(jiàn)智研究：瀾碼科技為什么看準(zhǔn)自動(dòng)化平臺(tái)、AI 應(yīng)用賽道？

周?。?/strong>

自動(dòng)化是一個(gè)古老的賽道，起源于工業(yè)自動(dòng)化的生產(chǎn)線。隨著信息系統(tǒng)和信息化的發(fā)展，物理世界的數(shù)據(jù)被記錄到虛擬世界中，信息化逐漸成熟。下一步的關(guān)鍵是如何在信息化中實(shí)現(xiàn)自動(dòng)化。在各行各業(yè)中，甚至包括餐飲業(yè)，信息化已經(jīng)成為現(xiàn)實(shí)，例如通過(guò)美團(tuán)等企業(yè)的信息化實(shí)踐。

自動(dòng)化的目標(biāo)是解放人們，使人們從重復(fù)性的勞動(dòng)中解放出來(lái)。它的本質(zhì)是提升人類(lèi)工作的層次，避免人們成為數(shù)據(jù)的搬運(yùn)工或系統(tǒng)的奴隸。人類(lèi)不應(yīng)該為機(jī)器服務(wù)，而是機(jī)器應(yīng)該為人類(lèi)服務(wù)。這是自動(dòng)化的初衷，讓人們能夠從繁瑣的工作中解放出來(lái)，擔(dān)負(fù)起更高級(jí)的工作任務(wù)，實(shí)現(xiàn)人機(jī)協(xié)作的最佳效果。

從現(xiàn)在的應(yīng)用場(chǎng)景上來(lái)看，今天有大量的煙囪式的系統(tǒng)在那邊，其實(shí)有大量的人被浪費(fèi)在了里邊，我們實(shí)際上是可以幫他解放出來(lái)。其實(shí)這里已經(jīng)有第一層的價(jià)值了。

第二層的價(jià)值是說(shuō)當(dāng)達(dá)到了部分自動(dòng)化之后，實(shí)際上有一個(gè)很大的附帶效應(yīng)，它把很多的專(zhuān)家的那些數(shù)據(jù)其實(shí)是拿到了。比如說(shuō)過(guò)去假設(shè)是一個(gè)高級(jí)的招聘專(zhuān)家，他可能對(duì)于很多簡(jiǎn)歷、很多東西的一些判斷，比如說(shuō)他整了一個(gè)表格，一個(gè)word 文檔，他可能發(fā)了一些郵件，然后他的經(jīng)驗(yàn)被沉淀下來(lái)了。

但是今天我們已有的BI軟件、數(shù)據(jù)倉(cāng)庫(kù)、?AI應(yīng)用能用到這些數(shù)據(jù)嗎？

用不到，因?yàn)檫@些數(shù)據(jù)可能分散在了各個(gè)應(yīng)用當(dāng)中，可能在微信、騰訊會(huì)議、視頻以及郵件里，但沒(méi)有被關(guān)聯(lián)起來(lái)。但是當(dāng)我們幫它做好智能化之后，會(huì)有一個(gè)大腦負(fù)責(zé)分配。

在這個(gè)過(guò)程當(dāng)中，其實(shí)是機(jī)器人去收集各種各樣的數(shù)據(jù)，最后把結(jié)果呈現(xiàn)在面前。

系統(tǒng)可以提供觀點(diǎn)和反饋信息，幫助人們完成任務(wù)，例如編寫(xiě)職位描述和審核簡(jiǎn)歷。智能化系統(tǒng)還能記錄專(zhuān)家的見(jiàn)解和洞察，并將其用于培訓(xùn)新手。此外，通過(guò)自動(dòng)化和推薦算法的結(jié)合，系統(tǒng)能夠提供前所未有的決策支持，例如告知在特定情境下專(zhuān)家通常采取的行動(dòng)。這些這些特點(diǎn)使得智能化系統(tǒng)具備巨大的潛力和價(jià)值。

見(jiàn)智研究：基于大語(yǔ)言模型的新一代自動(dòng)化平臺(tái)能夠幫助企業(yè)解決哪些核心問(wèn)題？?

周?。?/strong>

雖然人們對(duì)于人工智能可能替代白領(lǐng)工作感到焦慮，但實(shí)際上這種替代可能是有先后順序的。目前大語(yǔ)言模型主要應(yīng)用于純文本類(lèi)的工作，解決一些基礎(chǔ)任務(wù)和重復(fù)性工作，比如簡(jiǎn)歷審核、法務(wù)合同比對(duì)等。這些工作本身并不受歡迎，但它們的關(guān)鍵信息是可以通過(guò)算法進(jìn)行提取和處理的。

對(duì)企業(yè)來(lái)說(shuō)，可以帶來(lái)兩個(gè)方面的變化。首先，在企業(yè)內(nèi)部的組織結(jié)構(gòu)上，可能從金字塔型變?yōu)殂@石型，即減少低端員工的數(shù)量。其次，可以提高工作質(zhì)量，例如在簡(jiǎn)歷審核中，可以根據(jù)設(shè)定的屬性和規(guī)則進(jìn)行篩選，加速招聘流程。類(lèi)似地，在財(cái)務(wù)報(bào)表整理方面，可以減少錯(cuò)誤和漏洞，并揭示隱藏的問(wèn)題。

因此，基于大語(yǔ)言模型的新一代自動(dòng)化不僅僅是簡(jiǎn)單替代低端工作，它可以通過(guò)增加計(jì)算力來(lái)免費(fèi)提高頻率和工作量。對(duì)于企業(yè)來(lái)說(shuō)，這意味著可以用不同的視角來(lái)管理團(tuán)隊(duì)和控制質(zhì)量，從而帶來(lái)全新的機(jī)會(huì)和挑戰(zhàn)。

見(jiàn)智研究：海內(nèi)外這部分市場(chǎng)空間是否還處于空白時(shí)期？?

周?。?/strong>

在硅谷，有一些公司在人工智能領(lǐng)域具有領(lǐng)先優(yōu)勢(shì)。例如，Adapt.ai是由OpenAI的前工程副總裁和Google Transformer論文的第一作者和第三作者共同創(chuàng)立的一家公司。他們開(kāi)發(fā)了獨(dú)特的基準(zhǔn)模型，并創(chuàng)建了一個(gè)瀏覽器插件，用于收集Salesforce用戶的自然語(yǔ)言需求，例如訂機(jī)票和訂酒店。他們還將鍵盤(pán)和鼠標(biāo)的輸入信息作為多模態(tài)輸入進(jìn)行訓(xùn)練，挑戰(zhàn)傳統(tǒng)多模態(tài)的概念，以圖超越OpenAI。

另一個(gè)公司是Fixie.ai，由哈佛大學(xué)的計(jì)算機(jī)系教授創(chuàng)建，他們?cè)诠雀韬吞O(píng)果擔(dān)任過(guò)高級(jí)研發(fā)職位。他們正在建立一個(gè)基于大型語(yǔ)言模型的企業(yè)平臺(tái)，可以構(gòu)建基于人工智能的代理（Agent）系統(tǒng)。

在國(guó)內(nèi)，SOFA已經(jīng)是一個(gè)開(kāi)源項(xiàng)目，并且已有約6000個(gè)用戶在使用。然而，硅谷在人工智能領(lǐng)域具有細(xì)分工的優(yōu)勢(shì)，他們專(zhuān)門(mén)開(kāi)發(fā)了中間層的空間，用于構(gòu)建原生的人工智能應(yīng)用。國(guó)內(nèi)的目標(biāo)是構(gòu)建一個(gè)類(lèi)似的中間平臺(tái)，但需要找到適合的場(chǎng)景并確保能夠落地實(shí)施。

再有就是瀾碼科技。瀾碼是數(shù)據(jù)飛輪公司，基于底層的大語(yǔ)言模型，通過(guò)提供自動(dòng)化平臺(tái)，在效率場(chǎng)景下學(xué)習(xí)人們?cè)赑C/手機(jī)/會(huì)議等場(chǎng)景下的技能，從而建構(gòu)出自己獨(dú)特的多模態(tài)基礎(chǔ)大模型。

見(jiàn)智研究：如何看待?AI 智能助手未來(lái)市場(chǎng)的空間和競(jìng)爭(zhēng)格局？公司在這方面做了哪些準(zhǔn)備？

周?。?/strong>

在智能助手領(lǐng)域，眾多企業(yè)都希望搶占這一入口，如蘋(píng)果的Siri。

從2008年開(kāi)始，人們就一直在思考智能助手的問(wèn)題。在企業(yè)端，像釘釘、飛書(shū)和企業(yè)微信等已經(jīng)具備了大量用戶，因此它們開(kāi)發(fā)企業(yè)協(xié)同助手是非常自然的事情。在消費(fèi)者端，微信無(wú)疑是一個(gè)很好的入口。

此外，不同設(shè)備上也存在智能助手的應(yīng)用場(chǎng)景，比如電視，例如百度的小度和科大訊飛的不同設(shè)備。這些公司都會(huì)利用自己的優(yōu)勢(shì)去開(kāi)發(fā)智能助手。

在技術(shù)方面，大語(yǔ)言模型仍在不斷演進(jìn)，尚未達(dá)到技術(shù)天花板。因此，在當(dāng)前的互聯(lián)網(wǎng)環(huán)境下，仍然以流量為王的思路可能并不適用。在移動(dòng)互聯(lián)網(wǎng)發(fā)展的早期階段，開(kāi)發(fā)一個(gè)手機(jī)相冊(cè)應(yīng)用就能輕松獲得上千萬(wàn)的流量，可以同時(shí)開(kāi)發(fā)100個(gè)應(yīng)用，然后通過(guò)數(shù)據(jù)分析決定哪個(gè)應(yīng)用更成功。但現(xiàn)在情況已經(jīng)有所改變，盡管在兩三年內(nèi)仍可能存在這種情況。

然而，從5到10年的時(shí)間尺度來(lái)看，大語(yǔ)言模型甚至可能改變ToB（企業(yè)對(duì)企業(yè)）和ToC（企業(yè)對(duì)消費(fèi)者）的邊界。它可能變成與人交互和與人工智能交互的兩個(gè)端口，即與人接近或與人工智能接近。接近人意味著可以獲得人的數(shù)據(jù)，就像習(xí)慣使用個(gè)人秘書(shū)一樣，人們肯定不愿意隨意更換。因此，智能助手的智能程度是非常重要的。

從這個(gè)角度來(lái)看，在技術(shù)尚未成熟的情況下，即使在消費(fèi)者端搶占了市場(chǎng)，做出了現(xiàn)象級(jí)產(chǎn)品，如果沒(méi)有深度技術(shù)支持，很容易被大公司通過(guò)運(yùn)營(yíng)手段超越。

因此，我認(rèn)為在 ToB領(lǐng)域更為合適。另外，OpenAI的CEO也提到過(guò)未來(lái)人工智能的應(yīng)用分為三種：大語(yǔ)言模型、數(shù)據(jù)循環(huán)和人工智能應(yīng)用。

對(duì)于消費(fèi)者端來(lái)說(shuō)很難說(shuō)，之前提到的設(shè)備可能具有一定的數(shù)據(jù)意義。而對(duì)于企業(yè)端來(lái)說(shuō)，核心有價(jià)值的數(shù)據(jù)是非常重要的，比如人、財(cái)務(wù)和物流等。如果我能搶占到一個(gè)人，例如獲得全中國(guó)所有白領(lǐng)的簡(jiǎn)歷數(shù)據(jù)以及其薪資和績(jī)效數(shù)據(jù)，甚至更重要的是共享的數(shù)據(jù)，即招聘專(zhuān)員在使用我的助手時(shí)的數(shù)據(jù)，這些數(shù)據(jù)具有價(jià)值。

這些數(shù)據(jù)可以幫助我們進(jìn)一步錘煉技術(shù)能力。當(dāng)技術(shù)能力達(dá)到更高水平時(shí)，例如通過(guò)與智能助手聊天生成的代碼行數(shù)作為衡量智能程度的指標(biāo)，比其他公司高一個(gè)量級(jí)或兩個(gè)量級(jí)，那么就能輕易奪取市場(chǎng)份額。

因此，在戰(zhàn)略上，我會(huì)選擇首先在專(zhuān)業(yè)場(chǎng)景下開(kāi)發(fā)助手，然后等待技術(shù)的進(jìn)一步發(fā)展。當(dāng)技術(shù)達(dá)到明顯的天花板效應(yīng)時(shí)，可能會(huì)出現(xiàn)新的范式。無(wú)法預(yù)測(cè)未來(lái)是否會(huì)變得更加快速，像AlphaGo到現(xiàn)在只相隔7年，再過(guò)3年可能會(huì)出現(xiàn)一個(gè)新的范式，讓大家都驚訝。但假設(shè)不會(huì)發(fā)生這種情況，那么在那個(gè)時(shí)間點(diǎn)上，重新?tīng)?zhēng)奪市場(chǎng)是有機(jī)會(huì)的。