大模型从概念到落地，到底有多快？

近期科技圈最引人注目的2023世界人工智能大会（WAIC 2023），给出了让所有人震惊的答案：半年！半年，对于任何一个科技赛道而言，都不算长，甚至有的赛道还只停留在“萌芽”阶段，但大模型赛道却在这么短时间内完成了从概念到落地的进程。

今年一季度行业还在讨论“要不要”的问题，到了第二季度，各个大厂扎堆入局做大模型的趋势，则是玩家们在回答“怎么做”了。

这个答案，实质上已由参加WAIC大会的30多家大模型的厂商们划了重点——首先解决技术问题，紧接着是场景落地，最后是商业与规模化。

“此前的人工智能落地难点更多在技术层面，如自动驾驶领域，其发展多年，但商业化落地仍让玩家们看不到曙光。”一位行业人士在参观WAIC大会后提到：“相对而言，大模型的落地难度相对要小一些。但需要注意的是，大模型的市场竞争会更加激烈。”

此次WAIC大会中，30多家企业集中“秀肌肉”，其中不乏百度、腾讯、阿里、华为、京东等巨头，同时也有商汤、网易等垂直领域的选手。

就在此时，我国首个大模型标准化专题组组长，由上海人工智能实验室与百度、华为、阿里等企业联合担任的消息传出，这些首批入围的企业也被业内赋予了“国家队”称号。种种迹象表明，一场由“国家队”引领的更高维度的大模型PK战，正式开打。

“大模型争夺战”激战正酣

按中国信通院测算，2022年我国人工智能核心产业规模达5080亿元，同比增长18%。未来，AI大模型势必将成为人工智能核心产业发展“新引擎”。

7月7日，记者在WAIC大会现场了解到，阿里云通义大模型新成员“通义万相”正式上线，通义万相基于阿里云“通义”大模型能力打造，用户可以在通义万相中输入提示词，以输出相应图像。除文生图以外，通义万相也推出了包括风格迁移、相似图生成等功能。据阿里云智能集团首席技术官周靖人透露，通义千问已有累计超30万的申请用户，超过100家深度共创企业，而通义听悟发布首月已有36万用户。

与此同时，腾讯云宣布升级MaaS平台，将行业大模型能力应用到金融风控、同传翻译、数智人客服等新场景中；其中，首次公布的金融风控大模型，相比传统风控有10倍效率提升。同时，腾讯公布AI for Science最近成果，将AI大模型技术应用到探星场景，首次通过AI从巡天观测数据中发现2颗快速射电暴。

大模型已然成为互联网巨头企业的必争之地，但行业还存在安全、隐私等诸多问题有待完善。

在本届WAIC期间，中国信通院、上海人工智能实验室、武汉大学、蚂蚁集团等多家单位共同发起《AIGC可信倡议》。该倡议得到数十家单位参与，围绕人工智能可能引发的经济、安全、隐私和数据治理等问题，提出构建AIGC可信发展的全球治理合作框架，采用安全可信的数据资源、技术框架、计算方法和软件平台等全面提升AIGC可信工程化能力，最大限度确保生成式AI安全、透明、可释。

蚂蚁集团认为，人工智能的深度应用，不仅对数据、算法、算力提出了更高要求，也对安全、隐私、伦理提出更多挑战。在确保数据安全和隐私保护、健全人工智能伦理与安全的前提下，才能让 AI 技术真正的释放应用价值。

落地才是关键

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、腾讯云智能与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”。

某国家首批股份制商业银行与腾讯合作，腾讯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”）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年最大的一波技术革命，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。”

大模型转化为生产力，难点在哪儿？

据市场调查机构Gartner分别在2020年和2022年的调查显示，AI模型被成功应用到了实际生产中的转化率仅刚过半，2020年为53%，2022年为54%，变化不大。

如今，以ChatGPT为代表的大模型产品展现出令人惊叹的内容“涌现”能力，但其暗藏的幻觉问题（Hallucination）也让行业用户对大模型的应用望而却步。

MLOps从工程化方法向平台产品和服务的沉淀，推动了行业大模型的普及研发和应用。在霍向琦看来，AI模型转化为生产力，应当充分利用MLOps，聚焦于数据要素、持续训练、应用场景这三大方面的落实，才能以端到端的能力优势满足行业需求。而实现这一目标，仍有很多现实问题亟待关注和改变。

从用户终端侧看，AI大模型处于IT应用的前沿，应用场景并不明晰且缺乏安全监管，而国内很多行业尚处于数字化转型的建设初期，其中最典型的问题，要属数据资源普遍以不同的行业标准和不同的文件格式分散在跨单位、跨部门的服务器或电脑端中，未能经过统筹治理形成标准统一的数据资产。“数据底座”即数据要素的缺失，难以为行业大模型的训练提供可靠、高质量的数据支撑。

从模型开发部署侧看，相比小模型针对特定应用场景的轻量化开发训练和部署应用，大模型将更偏向于建设一个系统级工程，基于MLOps理念和相关工具，必须做好数据工程和模型工程的基础，并需要完成与终端用户的业务系统的配套改造和对接，从而响应行业大模型持续训练和场景搭建封装等关键任务需求。

霍向琦提到，由于大模型的开发应用尚未有成熟的方法论，因而整个过程既需要技术人才下探场景理解需求，也离不开终端用户对大模型价值和应用场景的准确把握。

结语

纸上谈兵再好也没用，最终落地，带来经济效益才是关键，国内已发布的百款大模型，谁又会是最先进入行业的呢？