大模型紮根產業：從“能力湧現”到“價值湧現”

原文來源：億邦動力

圖片來源：由無界AI‌ 生成

從2023年初吹響的人工智能AI“大樂章”，最近卻不再是那麼“悅耳”，而是夾雜著噪音和質疑。

**比如，流量之爭。 **

海外調研機構Similarweb的數據顯示，OpenAI一路高歌猛進後，從5月份開始，流量增長趨於平緩。 6月份ChatGPT的訪問量，甚至首次出現了環比下降，幅度為9.7%。有人根據這個數據說，AI又要涼涼了。

但也有輿論認為，調研的流量僅為C端數據，而AI目前的發力在B端。 B端的流量甚至超過了目前總流量的一半，而且攀升很快。只是調研機構沒有拿到完整數據。

流量到底是短期波動？還是長期下降？或者真的是側重不同？

**再比如，熱情之假。 **

經緯創投合夥人張穎，分享了兩個對比起來頗有意思的數據。一個是今年3月到5月，標普500指數的公司中，有110家公司的高管在業績交流會上提到了AI，這是過去十年同類型數據的3倍。

但另一組差異的數據是，國際投行摩根士丹利最近做了一個2000多人的調研，結果竟然有80%的人，沒有用過ChatGPT或是谷歌的Bard1。

這個數據對比起來，頗有“葉公好龍”的感覺。難道這些企業高管、科技大佬、分析師們的熱情是假的嗎？

**又或是，用戶之惑。 **

C端用戶的熱情很高也很真，但在使用之後，卻產生了疑惑：我們希望機器人幫人類掃地洗碗，是因為人類要去寫詩作畫。結果，現在是AI都去寫詩作畫去了，我們人類還在掃地洗碗。

難道人工智能的“湧現”，就不能照進現實世界嗎？

流量之爭、熱情之假、用戶之惑，這些爭議也直擊大模型發展的核心要素：**如何真正成為生產力？ **

解答思路的不同，會塑造不同的AI發展體系，也會成為企業未來發展的分水嶺。

01 從算法到產品

人工智能從誕生之日起，就不斷壯實“兩條腿”來走路：一條是技術，一條是應用。

AI技术提高的背后，是算力、数据、算法三大要素的共同支撑。比如算法方面，人工智能先后经历了规则、统计机器学习、深度学习、预训练等阶段，从而将数据量大幅扩大；而“开天辟地”的算法Transformer，通过注意力机制，让AI通过“做题”的方式快速训练，从而展现出了显著的突变性、更强的自主学习能力。

技術的每次跨越都會帶來驚喜，但如果回顧人工智能發展歷史，會發現，數次驚喜過後，都留下了落寞。

比如1956年興起的熱浪中，人工智能會下西洋棋、會抓積木，但在1973年時，學術界一份報告總結到：到目前為止，該領域的任何發現都沒有產生當初承諾的重大影響2。

1976年，基於AI的專家系統，開始參與醫療診斷諮詢。熱浪再起，各國政府加大投資。然而又十年之後，人們發現，機器專家也並沒有展現出什麼才華。醫生還是要親自上、不夠用。

2016年起，谷歌AlphaGO在圍棋界挑戰人類多位棋王，曾5天取得60連勝。哪怕李世石、柯潔也只能投子認輸。人們感嘆人工智能的強大，但此後5年，AI也並未再有驚嘆之舉。

起伏之間的轉折要素，正是**“產品”：有沒有好產品，讓技術走下高壇、走進社會，真正成為生產力、創造力**。

技術和產品互促關係的案例並不少。比如失敗案例有摩托羅拉的銥星計劃，提供全球衛星通信服務，技術領先但因為產品不接地氣，正式運營了4年就宣布破產了。成功案例有電動車，雖然電池、電驅動都是已有技術，但只有當科技感十足的產品出來後，市場才逐漸打開。

回到大模型領域，在這一輪AI大潮有一個有趣的點：OpenAI發布了全球爆火的ChatGPT，用的卻是谷歌的Transformer算法，進行不斷優化。這就說明，在這一輪大模型競賽中、人工智能浪潮中，僅有算法並不夠。只有算法，是單薄的；算法的單點競爭，終究要讓位於“產品之爭”。

而OpenAI也並非是“醉心技術”，在它的背後，也是微軟強大“產品體系”的支撐：搜索Bing、辦公全家桶、個人助理、以及廣告營銷等等面向企業的雲服務。

這就像創投圈裡有一條“金科玉律”：如果創始人是技術達人、極客，那給錢的同時，一定要再給一位懂市場的合夥人。從而避免技術叫好，但收入不叫座。

因此，重視技術的同時，也更關注應用引導、產品驅動。尤其對於大模型企業而言，與其告訴合作夥伴，我強大的AI能力有很多，你想怎麼用都行；也許，提供一些產品模塊，更貼近現實。那麼，好產品，如何做呢？

02 從通用到產業

哪怕諸葛亮上知天文下知地理、哪怕達芬奇又會畫畫還會解剖造飛機，但他們也只能局限於那個時代的知識。而人工智能則可以依靠大量的輸入，極大地擴充知識邊界。

但是，人工智能的智慧，也並不是完美的通用。從這幾個月的體驗來看，AI時不時地會“一本正經的胡說八道”。也許AI不是在故意撒謊，但肯定說明通用大模型依然不完善。

尤其当涉及到一些具体领域，比如金融、教育等等，通用大模型的局限性就会显著。毕竟，总有许多领域，姜还是老的辣，know-how很关键。

但，如果大模型無法進入產業，那價值量就會大打折扣。尤其對於我們具備龐大豐富產業鏈基礎的國內而言，各個垂直產業都應和新技術結合來降本提效、產生新價值。

那麼，在垂直領域，只需要做小模型就可以了呢？答案是否定的。行業小模型可以解決具體領域的問題，也可以做得還不錯，但會存在兩個問題。

一是泛化性不足，一旦更換了場景可能就要重新做一遍，這樣就會導致成本大幅上升。一人一道菜、道道不重樣，這樣開飯店肯定倒閉。所以，有限的智能，並不智能。

另一方面，在應用過程中，如果用戶突然提出一些跨領域的問題，小模型也會迷茫。顯然，產業交叉的趨勢越來越明顯，就像電動車，既是車也是電池還是半導體。一旦站在用戶的視角思考，即使是完全不相干的領域，也更希望得到一站式的服務。

所以，大模型需要走進垂直產業，垂直產業也需要大模型。該怎麼做？一個觀察樣本是京東。

2021年，京東就率先將領域知識注入大模型，從而可以將模型準確率從83%提高到96%。就在昨天，京東面向產業推出了千億級的言犀大模型。根據介紹，它的訓練數據中，70%是通用大數據，另外30%則是京東各個板塊經營過程中真實積累的行業know-how數據，包括零售、物流、健康、金融等行業。

果然是成年人不做選擇，而是既要還要。

實際上，這也是正確的做法。這一輪生成式AI很有吸引力，也是因為算法很強、數據很豐富、算力也夠強。而且大模型不是靜態的，是不斷學習的。因此，數據和算法就形成了“飛輪效應”，好數據越來越多、算法也會越來越先進；算法越有效果，使用者增加，數據反饋也會更多。

因而，儘早形成“數據-算法”的閉環，既是產品成功的路徑，也是企業競爭的關鍵。

另外，優質數據，也是稀缺的。在名為《Will we run out of data？ 》的報告中顯示，質量好的自然語言數據，最快可能在2026年就會被大語言模型耗盡。誰有好數據，誰就有更好的“彈藥”。而好的數據，尤其是產業領域，必然來自於真實的產業場景。

於是，“數據-算法”的閉環，演繹為了“場景-產品”的比拼。而只有走進場景，才能實現大模型從“能力湧現”走向“價值湧現”。

03 從原生走向賦能

實現產業價值湧現，一種方式是和產業互助，科技企業提供技術，產業提供know-how。而另一種方式也是最好的方式，那就是從產業而來。

自身擁有產業業務，就會有真實的、寶貴的“高質量數據”：吃過虧、踩過雷、打過仗、打勝仗、會打仗。這些數據，就像催化劑一樣，能高效驅動大模型開發，更貼近業務、更解決問題。

一個過往案例就是雲服務在國內的發展。無論國內還是海外，雲的初始都是從企業自身的需求開始，隨後面向市場。在雲服務之初，每一家的“產品”似乎也都一樣，你有的我也有。然而，隨著技術和業務結合的不同，每家也開始各有特色。

以京東為例。京東從“營銷、交易、倉儲、配送、售後”等業務為起點，但伴隨著實體供應鍊網絡一步步完善、內部供應鏈數字化的層層推進，以及京東自身在零售、金融、物流、健康、工業等領域的深紮根發展，京東也逐漸完成了從由“甘蔗的後五節”向“前五節”的拓展：有平台、有場景、有AI、有經驗。

隨後，京東將供應鏈的經驗，依托京東雲的技術，提煉為“數智供應鏈”產品和服務，向社會輸出。從而形成了數字基礎設施提效、產業協同提效、城市智能化管理等能力。

如今，京東數智供應鏈上有超千萬的自營商品SKU，服務超800萬家活躍企業客戶，其中90%以上是在華世界500強企業和全國近70%的專精特新中小企業，也和全國超過2000個產業帶達成深度合作。

這種長鏈路、複雜協同、更多動態數據回流的京東場景，就是大模型的最好練兵場，也是產業優勢的最好體現。

從內部雲到外部雲的經驗，也正被應用到大模型的發展上。京東也提出了大模型的“三步走”：

圖片來源：京東雲

首先，今年7月，言犀大模型上線，具備基礎層、模型層、MaaS、SaaS四層體系。其次，在內部各業務領域“磨煉”半年，也適度和外部合作夥伴進行標杆性合作，經歷“出錯、改良、總結”等多次循環，實現產品融合。最後，在2024年上半年，對產業輸出，以更優的姿態、更開放的生態，服務產業，提效產業。

內部應用，也已經頗有效果。比如在金融營銷領域，這也是京東的“老根據地”。京東金融數十年的業務發展，積累了豐富的知識，和AI結合，可以在關鍵性任務、動態適應性、用戶體驗等方面高效優化。

比如，降低運營人員的學習成本與操作成本，實現方案生產效率上百倍提高；將過去涉及產品/研發/算法/設計/分析師等5類以上職能才能完成的流程，壓縮至1人；同時，一個入口的全新交互模式，讓人機交互次數從2000次降低至少於50次，將操作效率提升了超過40倍。

數字大幅度的提升，也說明，雖然從節奏上看，這個三步走，似乎是有點慢的。但考慮到大模型的投入成本、對產業的重大影響，採用步步為營，也才能轉變為“步步為盈”，讓技術產生效益。

或者說，其實也並不慢，因為真正實現產業突破，本身就是不容易的事情。但正如京東集團CEO許冉的信心，從產業端切入大模型，如同從北坡攀爬技術珠峰，道路雖然更加艱難，卻有更波瀾壯闊的風景，有巨大的探索價值。把實體和數字化的供應鏈做透，才能把大模型賦能實業做實。

正如Gartner曲線所總結的經驗，事物的發展都會經歷“技術萌芽-期望膨脹-破裂谷底-爬升復甦-生產成熟”等階段。而用另一句話來總結就是：不要把節奏問題當結構問題。

技術的發展是必然趨勢，人工智能在“數據、算法、算力”三要素的推動下，也必然會不斷發展；只是，這期間必然會有一些波折。需要的是，企業在技術研發、應用上的科學節奏，以及看到趨勢、願意堅守的長期主義。

京東在供應鏈上的堅持和突破，就是長期主義勝利的一個縮影。而今，在大模型競賽中，在人工智能浪潮中，需要的也是如此。

可以堅信的是，技術落地雖有節奏，但只要紮根產業，就必然會誕生巨大的價值。正如京東集團CEO許冉所言，當產業效率和產業的邊界拓展，得到質的提升後，大模型才有了更重要的實際價值和意義，將不亞於又一次工業革命。

而人工智能的公式也演繹為了“場景、產品、算力群、產業厚度”，這就是推動大模型從“能力湧現”到“價值湧現”的關鍵。

[1] 經緯張穎：AI的遠與近，混沌學園，2023；

[2] 《萊特希爾報告》（LighthillReport），ScienceResearch Council of Great Britain，1973