就目前來看，大模型落地金融、能源行業(yè)先行，智能客服等生成類應用大于決策類應用，落地價值不及預期。然而隨著行業(yè)定制化、模型輕量級化和數(shù)據(jù)安全化等技術的發(fā)展，AI大模型的落地應用將迎來更加廣闊的發(fā)展空間。

　　作者|斗斗

　　出品|產(chǎn)業(yè)家

　　距離ChatGPT爆發(fā)的那一天，已經(jīng)過去8個月了。

　　8個月的時間，中國諸多大模型拔地而起，以飛快的速度，不斷向各個行業(yè)場景滲透。但就目前為止，并未出現(xiàn)真正被大模型顛覆的場景或行業(yè)。

　　統(tǒng)計數(shù)據(jù)顯示，在大模型落地應用中，45%的企業(yè)處于觀望階段、39%的企業(yè)處于探索可研階段、16%的企業(yè)處于試點應用階段，而全面應用的企業(yè)為零。

　　一個值得被看見的問題是，如今在中國的土壤里，大模型的落地進展究竟如何?

　　一、大模型落地，金融、能源先行

　　“請幫我查一下我今年8月份的用電量，以及哪天用電最多?”“幫我檢測一下這張圖片有什么缺陷”……在南方人工智能創(chuàng)新平臺上，通過語言交互，一項項數(shù)據(jù)清晰的被展現(xiàn)在眼前。

　　在這個平臺上，電力行業(yè)工作人員可以向電力大模型發(fā)布指令，讓其自動生成數(shù)據(jù)處理結果，準確識別缺陷場景的圖像細節(jié)，幫助工作人員檢索處理電力巡檢過程中的數(shù)據(jù)。

　　目前，在南方電網(wǎng)客戶服務領域，60%的高頻問題都可通過電力大模型解決，在識別客戶情緒波動方面，電力大模型的效果甚至優(yōu)于人工。

　　此外，在輸配電領域，電力大模型已具備每分鐘處理100張問題圖片的能力，還能同時識別20類缺陷，識別效率是傳統(tǒng)AI算法的10倍。

　　而在電力調度領域，電力大模型能夠協(xié)助調度部門針對電網(wǎng)異常情況快速自動化生成處置預案，及時響應電力市場調節(jié)要求，使預案更加安全、高效，成本更低。

　　這是大模型在能源領域落地的一個縮影。

　　據(jù)了解，部分能源頭部廠商已經(jīng)開啟了與科技公司在大模型應用方面的合作，尤其在電網(wǎng)與礦山領域，形成了一些初步試點示范，如電網(wǎng)調度、缺陷/故障查詢、煤礦作業(yè)監(jiān)測等場景。

　　除了能源領域，金融領域也是目前大模型最大落地場景之一。

　　一份來自愛分析的報告中，也將能源、銀行列為了大模型落地進展最快的兩大行業(yè)。

　　在金融領域的落地之廣，從大模型的數(shù)量和企業(yè)動態(tài)也可見一斑。一組數(shù)據(jù)顯示，截止8月，國內參數(shù)在10億規(guī)模以上的大模型數(shù)量高達116個，其中金融行業(yè)大模型約18個。

　　此外，在半年報中，工商銀行、農業(yè)銀行、中國銀行、交通銀行、招商銀行、中信銀行、興業(yè)銀行、華夏銀行、浙商銀行等9家銀行明確提出在探索大模型的應用。

　　在大模型廠商側，一些密集的行業(yè)模型發(fā)布也反映出金融場景落地的火熱程度。

　　例如5月下旬，度小滿發(fā)布了千億級中文大模型「軒轅」;6月份，騰訊云攜手神州信息開展金融大模型的合作，中國農業(yè)銀行推出類ChatGPT的大模型應用ChatABC，中國工商銀行發(fā)布了基于昇騰AI的金融行業(yè)通用模型。

　　7-8月，隨著《生成式人工智能服務管理暫行辦法》正式實施，包括騰訊、百度、科大訊飛、華為、字節(jié)跳動等多家公司，又相繼釋放了最新的大模型進展;9月，螞蟻集團也正式發(fā)布了金融大模型，并開源生成式AI編程平臺CodeFuse。

　　金融領域，無疑是大模型落地的最多場景之一。

　　無論是能源領域還是金融領域，之所以能夠實現(xiàn)大模型的領先落地，都源于這兩個行業(yè)的一些共性。

　　首先，能源和銀行業(yè)都是高度數(shù)據(jù)化的行業(yè)，具有較好的數(shù)據(jù)基礎和數(shù)字化環(huán)境，這為大模型的訓練和應用提供了有利條件。

　　其次，兩大行業(yè)均有大量的數(shù)據(jù)處理和決策需求，而大模型的機器學習和深度學習技術可以幫助行業(yè)解決這些難題，提高決策效率和準確度。

　　再有，能源和銀行業(yè)的業(yè)務模式相對比較成熟，具有較高的商業(yè)價值，因此這些行業(yè)對大模型技術的需求也比較大，從而推動了大模型的落地應用。

　　可見，能源和銀行兩大行業(yè)在大模型落地進展中相對較快，主要是由于其數(shù)據(jù)基礎好、技術需求大、商業(yè)價值高等多方面因素的綜合作用。

　　值得注意的是，即使在金融、能源這兩個落地場景中，大模型仍有一些目前難以跨越的難題。

　　二、達不到預期的場景價值

　　在金融行業(yè)，營銷、風控、運營三個方向是諸多銀行關注較多的大模型應用方向。

　　其中，智能問答助手、智能客服、營銷圖片自動生成、貸后報告撰寫是當下銀行等金融機構積極布局的細分場景。但就目前而言，生成類場景如智能問答助手、智能客服、營銷圖片自動生成等場景價值與預期相差無幾，但在如沉睡客戶喚醒、數(shù)字營業(yè)廳這類決策、原生類應用場景，大模型落地的預期和實際效果仍有差距。

　　例如在智能客服場景，過去智能陪練題庫少，缺少針對性。如今基于大模型生產(chǎn)個性化題庫，可以縮短培訓周期上;在營銷圖片自動生成場景，過去設計師在素材庫中選取并設計，如今可以利用Midjourney自動生成，可以降低版權成本和人力成本。

　　而在沉睡客戶喚醒和數(shù)字營業(yè)廳場景價值預期中，前者利用大模型自動生成策略，可實現(xiàn)端到端的策略改善喚醒效果;后者大模型支持的數(shù)字人幫助客戶辦理業(yè)務、推薦產(chǎn)品完成交易，可實現(xiàn)獨立于APP之外的新渠道。

　　然而，就目前來看，這兩個場景的實際應用價值都尚未可知。

　　能源行業(yè)的大模型落地應用亦相似之處。

　　在能源行業(yè)，設備運檢知識助手、智能客服等生成類應用，場景價值與預期相差無幾。但在如檢修文檔、設備故障維修、電力負荷預測等場景，場景實際價值仍未可知。

　　具體來看，在設備運檢知識助手場景，過去是基于NLP技術構建結構化知識庫，在大模型的加持下，可利用大模型構建運檢助手，改善效率;在智能客服場景，過去是基于Bert模型的智能客服，如今利用大模型改善智能客服的用戶體驗，可實現(xiàn)意圖理解更準確、語言更擬人化，用戶體驗得到改善。

　　檢修文檔生成、設備故障維修、電力負荷預測場景中，大模型落地可帶來的價值分別是，快速自動生成文檔實現(xiàn)效率提升;大模型快速定位故障原因，提供檢修建議和方案;納入更多影響因素實時預測負荷，提高預測準確率。

　　然而，就目前來看，這些場景中大模型帶來的價值都尚未可知，仍需時間不斷探索。可以發(fā)現(xiàn)無論是金融行業(yè)還是能源行業(yè)，生成類場景落地速度快，應用較多，決策類場景落地速度較慢且難度較大，應用較少。

　　三、“生成場景>決策場景”：難轉化的生產(chǎn)力

　　就目前而言，大模型的落地仍處于試點應用階段，并非全面上線。

　　正如上文所言，金融行業(yè)的智能問答、智能客服、數(shù)字營業(yè)廳、貸后報告生成、沉睡客戶喚醒、金融產(chǎn)品推薦等AI大模型應用已經(jīng)逐漸落地;能源行業(yè)的智能客服、設備運檢知識助手、檢修文檔生成、電力系統(tǒng)仿真平臺、電力負荷預測等已經(jīng)試點應用。

　　然而，消費品零售、證劵、媒體還處于探索階段，此外制造業(yè)、藥企還處于觀望階段。

　　由此可見，大模型落地雖廣度上較為樂觀，但深度上卻較為艱難。

　　大模型落地的深度取決于其能力、規(guī)模、計算資源、數(shù)據(jù)質量、領域知識等。然而，對于當下的國內大模型而言，處于發(fā)展初期，很多設施和能力還在逐步完善。

　　受限于模型能力、應用效果等因素，當前落地應用以生成場景為主。

　　與決策大模型不同，生成式大模型主要應用于文本生成、對話系統(tǒng)、語言翻譯等領域，通過分析大量文本數(shù)據(jù)，學習文本的生成規(guī)律和內在語義關系，從而能夠生成高質量的文本輸出。生成式大模型的代表模型包括OpenAI的GPT系列和百度文心一言等。

　　而決策大模型主要應用于推薦系統(tǒng)、強化學習等領域，需要處理的數(shù)據(jù)通常包含連續(xù)的數(shù)值變量，而且需要做出決策或預測未來的行為。決策大模型的代表模型包括DeepMind的AlphaZero系列和OpenAI的Dota2 AI等。

　　相比決策大模型，生成式大模型首先在在文本生成和對話系統(tǒng)中，數(shù)據(jù)可以通過大量的文本語料庫進行收集和整理，而在推薦系統(tǒng)和強化學習中，數(shù)據(jù)通常需要人工設計和構造，相對較為復雜。

　　其次文本生成和對話系統(tǒng)等領域的研究已經(jīng)比較成熟，有許多現(xiàn)成的算法和框架可以使用，而推薦系統(tǒng)和強化學習等領域則需要更多的探索和研究。

　　再有文本生成和對話系統(tǒng)等領域的應用場景非常廣泛，如搜索引擎、聊天機器人、自動寫作等，而推薦系統(tǒng)和強化學習等領域則主要應用于電商、廣告、游戲等領域。

　　一個事實是，雖然生成類場景應用較廣，但預測類決策場景是未來高價值場景。無論是大模型供應商，還是企業(yè)，想要基于大模型能力實現(xiàn)業(yè)務價值的提升，后者才是發(fā)力的方向。

　　四、行業(yè)場景中，再看AI大模型

　　大模型落地首先需要選擇合適的領域和場景。該領域場景有著較強的數(shù)字化能力和數(shù)字化基礎。

　　例如，在智能客服領域，可以考慮將大模型應用于FAQ問答系統(tǒng)和聊天機器人等場景;在廣告推薦領域，可以將其應用于電商平臺的個性化推薦等場景;在輿情監(jiān)測領域，可以將其應用于新聞媒體的內容分類和情感分析等場景。

　　其次要具備較高的模型能力、應用效果等。而從當前企業(yè)用戶落地大模型的主要路徑來看，集團企業(yè)重點是大模型能力建設，一般企業(yè)/部門重點是應用場景探索。大模型能力建設分成三個層面：基礎設施建設、大模型訓練和大模型應用，當前以基礎設施建設和大模型訓練為主，大模型應用較少。

　　值得注意的是，目前大模型應用方向主要分為兩種，一是小模型為主，大模型提升小模型的開發(fā)效率;二是大模型與小模型級聯(lián)，小模型連接應用，大模型增強小模型能力。

　　而這種落地路徑使得模型能力受限。

　　想要推動大模型落地深度，大模型供應商、企業(yè)需要在能力、合作模式上不斷探索。

　　一些深化大模型落地的路徑逐漸清晰。

　　未來，隨著大模型技術的不斷發(fā)展和普及，模型級聯(lián)的應用將會越來越廣泛。

　　例如，可以將多個大模型進行組合和級聯(lián)，實現(xiàn)更復雜、更精準的語音識別、圖像識別、自然語言處理等應用場景。同時，也可以將大模型和小模型進行級聯(lián)，充分發(fā)揮各自的優(yōu)勢，提高模型的性能和泛化能力。

　　基于此，擴展大模型落地的應用深度，加速各領域決策類場景應用落地。

　　其次，不同行業(yè)有著不同的特定需求，未來大模型需要朝著更加定制化的方向發(fā)展。通過對行業(yè)特定語料庫的訓練，大模型可以更好地適應不同行業(yè)的實際應用場景。

　　其次，為了更好地滿足實際應用中的效率和資源需求，大模型需要朝著更加輕量級化的方向發(fā)展。通過模型壓縮和剪枝等技術，可以在保證模型性能的同時，降低模型的大小和計算資源消耗。

　　此外，隨著數(shù)據(jù)隱私保護問題的日益突出，大模型需要更加注重數(shù)據(jù)的安全性和隱私保護。

　　模型的定制化、輕量化、數(shù)據(jù)安全化成為其落地的重要因素。

　　中國AI大模型的落地應用在智能客服、廣告推薦、輿情監(jiān)測等領域取得了一系列的成果。然而，在落地過程中也面臨著諸多困局。未來，隨著行業(yè)定制化、模型輕量級化和數(shù)據(jù)安全化等技術的發(fā)展，AI大模型的落地應用將迎來更加廣闊的發(fā)展空間。