原文來源：產業家
圖片來源：由無界AI生成
距離ChatGPT爆發的那一天，已經過去8個月了。
8個月的時間，中國諸多模型拔地而起，以飛快的速度，不斷向各產業場景滲透。但就目前為止，並未出現真正被大模型顛覆的場景或產業。
統計顯示，在大模型落地應用中，45%的企業處於觀望階段、39%的企業處於探索可研階段、16%的企業處於試點應用階段，而全面應用的企業為零。
一個值得被看見的問題是，如今在中國的土壤裡，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麼缺陷」…在南方人工智慧創新平台上，透過語言交互，一項數據清晰的被展現在眼前。
在這個平台上，電力業工作人員可以向電力大模型發布指令，讓其自動產生資料處理結果，準確辨識缺陷情境的影像細節，幫助工作人員檢索處理電力巡檢過程中的資料。
目前，在南方電網客戶服務領域，60%的高頻問題都可透過電力大模型解決，在辨識客戶情緒波動方面，電力大模型的效果甚至優於人工。
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，還能同時辨識20類缺陷，辨識效率是傳統AI演算法的10倍。
而在電力調度領域，電力大模型能夠協助調度部門針對電網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縮影。
據了解，部分能源頭部廠商已經開啟了與科技公司在大模型應用方面的合作，尤其在電網與礦山領域，形成了一些初步試點示範，如電網調度、缺陷/故障查詢、煤礦作業監測等場景。
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產業。
在金融領域的落地之廣，從大模型的數量和企業動態也可見一斑。一組數據顯示，截止8月，國內參數在10億規模以上的大模型數量高達116個，其中金融業大模型約18個。
此外，在半年報中，工商銀行、農業銀行、中國銀行、交通銀行、招商銀行、中信銀行、興業銀行、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，一些密集的產業模型發布也反映出金融場景落地的火熱程度。
例如5月下旬，度小滿發布了千億級中文大模型「軒轅」；6月份，騰訊雲攜手神州資訊開展金融大模型的合作，中國農業銀行推出類ChatGPT的大模型應用ChatABC，中國工商銀行發布了基於昇騰AI的金融業通用模型。
7-8月，隨著《生成式人工智慧服務管理暫行辦法》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，螞蟻集團也正式發表了金融大模型，並開源生成式AI程式設計平台CodeFuse。
金融領域，無疑是大模型落地最多的場景之一。
無論是能源領域還是金融領域，之所以能夠實現大模型的領先落地，都源自於這兩個產業的一些共通點。
首先，能源和銀行業都是高度資料化的產業，具有較好的資料基礎和數位化環境，這為大模型的訓練和應用提供了有利條件。
其次，兩大產業都有大量的數據處理和決策需求，而大模型的機器學習和深度學習技術可以幫助產業解決這些難題，提高決策效率和準確度。
再有，能源和銀行業的商業模式相對較成熟，具有較高的商業價值，因此這些產業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，能源與銀行兩大產業在大模型落地進展中相對較快，主要是由於其數據基礎好、技術需求大、商業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
在金融業，行銷、風控、營運三個方向是許多銀行關注較多的大模型應用方向。
其中，智慧問答助理、智慧客服、行銷圖片自動產生、貸後報告撰寫是當下銀行等金融機構積極版面的細分場景。但就目前而言，生成類場景如智慧問答助理、智慧客服、行銷圖片自動產生等場景價值與預期相差無幾，但在如沉睡客戶喚醒、數位營業廳這類決策、原生類應用場景，大模型落地的預期和實際效果仍有差距。
例如在智慧客服場景，過去智能陪練題庫少，缺乏針對性。如今基於大模型生產個人化題庫，可以縮短培訓週期上；在行銷圖片自動生成場景，過去設計師在素材庫中選取並設計，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位營業廳場景價值預期中，前者利用大模型自動產生策略，可實現端到端的策略改善喚醒效果；後者大模型支援的數位人幫助客戶辦理業務、推薦產品完成交易，可實現獨立於APP之外的新通路。
然而，就目前來看，這兩個場景的實際應用價值尚未可知。
能源產業的大模型落地應用亦有相似之處。
在能源產業，設備運檢知識助理、智慧客服等生成類應用，場景價值與預期相差無幾。但在如檢修文件、設備故障維修、電力負載預測等場景，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，過去是基於NLP技術建構結構化知識庫，在大模型的加持下，可利用大模型建構運檢助手，改善效率；在智慧客服場景，過去是基於Bert模型的智慧客服，如今利用大模型改善智慧客服的使用者體驗，可實現意圖理解更準確、語言更擬人化，使用者體驗也得到改善。
檢修文件產生、設備故障維修、電力負載預測場景中，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；納入更多影響因素即時預測負荷，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尚未可知，仍需時間不斷探索。可以發現無論是金融業或能源業，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」：難轉化的生產力
就目前而言，大模型的落地仍處於試點應用階段，並非全面上線。
如上文所言，金融業的智慧問答、智慧客服、數位營業廳、貸後報告產生、沉睡客戶喚醒、金融產品推薦等AI大模型應用已逐漸落地；能源產業的智慧客服、設備運檢知識助理、檢修文件產生、電力系統模擬平台、電力負載預測等已經試辦應用。
然而，消費品零售、證劵、媒體仍處於探索階段，此外製造業、藥廠仍處於觀望階段。
由此可見，大模型落地雖廣度上較為Optimism，但深度上卻較為艱難。
大模型落地的深度取決於其能力、規模、運算資源、資料品質、領域知識等。然而，對於當下的國內大模型而言，處於發展初期，許多設施和能力仍在逐步改善。
受限於模型能力、應用效果等因素，目前落地應用以產生場景為主。
與決策大模型不同，生成式大模型主要應用於文本生成、對話系統、語言翻譯等領域，透過分析大量文本數據，學習文本的生成規律和內在語意關係，從而能夠產生高品質的文本輸出。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於推薦系統、強化學習等領域，需要處理的資料通常包含連續的數值變量，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。
相較於決策大模型，生成式大模型首先在在文本生成和對話系統中，數據可以透過大量的文本語料庫進行收集和整理，而在推薦系統和強化學習中，數據通常需要人工設計和構造，相對較為複雜。
其次文本生成和對話系統等領域的研究已經比較成熟，有許多現成的演算法和框架可以使用，而推薦系統和強化學習等領域則需要更多的探索和研究。
再有文字生成和對話系統等領域的應用場景非常廣泛，如搜尋引擎、聊天機器人、自動寫作等，而推薦系統和強化學習等領域則主要應用於電商、廣告、遊戲等領域。
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，或是企業，想要基於大模型能力來實現業務價值的提升，後者才是發力的方向。
四行業場景中，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位化能力和數位化基礎。
例如，在智慧客服領域，可以考慮將大模型應用於FAQ問答系統和聊天機器人等場景；在廣告推薦領域，可以將其應用於電商平台的個人化推薦等場景；在輿情監測領域，可以將其應用於新聞媒體的內容分類及情緒分析等場景。
其次要具備較高的模型能力、應用效果等。而從目前企業用戶落地大模型的主要路徑來看，集團企業重點是大模型能力建設，一般企業/部門重點是應用場景探索。大模型能力建構分成三個層面：基礎建設、大模型訓練和大模型應用，目前以基礎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效率；二是大模型與小模型級聯，小模型連結應用，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展與普及，模型級聯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，實現更複雜、更精準的語音辨識、影像辨識、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，充分發揮各自的優勢，提升模型的效能和泛化能力。
基於此，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，不同產業有不同的特定需求，未來大模型需要朝向更客製化的方向發展。透過對產業特定語料庫的訓練，大模型可以更好地適應不同產業的實際應用場景。
其次，為了更能滿足實際應用中的效率和資源需求，大模型需要朝著更輕量級的方向發展。透過模型壓縮和剪枝等技術，可以在確保模型效能的同時，降低模型的大小和計算資源消耗。
此外，隨著資料隱私保護問題的日益突出，大模型需要更加重視資料的安全性和隱私保護。
模型的客製化、輕量化、資料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慧客服、廣告推薦、輿情監測等領域取得了一系列的成果。然而，在落地過程中也面臨許多困局。未來，隨著產業客製化、模式輕量級化和資料安全化等技術的發展，AI大模型的落地應用將迎來更廣闊的發展空間。
資訊來源：由0x資訊編譯自8BTC。版權所有，未經許可，不得轉載