关于AI，最前沿最真实的33条产业洞察……

原文来源：I黑马

图片来源：由无界 AI生成

A：坦率来说，我们公司虽然 All in AI，已经要求每个人都去用大模型，我们整个业务流程也考虑用大模型来优化。但实事求是地说，现在确实还没看到杀手级应用，大模型并不能马上取代过去的一些东西。

B：我不认为大模型是一个简单的降本增效的问题，它是个资产属性的东西，咱们国家在推数据的资产化，模型本身就是一个数据资产。

前两天，智谱办了一场活动——技术开放日。

全天的AI活动，上午场和下午场，分别向外释放出两个信息：

第一点：智谱很牛， GLM升级了，夸张地形容，国产的的大模型可以比肩OpenAI的GPT-4了；

第二点：关于AI的未来，大家其实都很懵，这时候需要大模型厂商继续探索技术，需要企业真正落地到产业中去实践，需要科学家等超级大脑指引AGI路径。

很遗憾，看了几篇科技商业文章，只提到上面第一点。

中国科学院院士张钹，就有提到：“生成式人工智能，仍有不可预测和不可控性。为了人工智能产业的健康发展，必须将科学研究、技术创新和产业发展（市场）结合起来。”

如此看来，下午场的3个圆桌讨论，《如何回答大模型这道必答题》、《大模型产业化》、《2024-AGI元年？》，更值得大家关注。

一共3个圆桌，全程4个多小时，17位嘉宾，超20万字的文档实录……

先跟各位分享33条笔记吧。

或许，这篇文章的33条内容，就是2024年最前沿最真实的产业洞察。

其实可以将“或许”去掉。为什么？一般真正前沿的分享不多，真实的就更少之又少。这33条内容观点来自，真正的AI和产业的先行者们：智谱AI、德勤中国、君联资本、百图生科、360集团、马蜂窝、分众传媒、蒙牛集团、金山办公……

中国的大模型,和世界顶尖水平的差距还有多大？

1、要问我这个差距有多大，我还真说不太出来。我自己感觉，差距没有进一步的拉大。

2、我想从这方面来说，两个国家，两个不同的环境，各自大模型就像两个孩子，基础能力的角度上差别并不大，但需要拉长了来看。更多的，还要看生态的问题，落地场景的问题。而在生态和落地场景角度上来说，这个差距和差别还是比较大的。

3、有一些方面，一些垂直落地的这些领域，国内的大模型甚至比国外更加先进。一些垂类，很多情况下被通用AI领域的这些工程师，或者整个业界所忽略。垂类也是有许多的机会去提升通用人工智能的能力，提升这种预训练模型能力，以及加速它带来产业级的影响和落地。

4、差 6 个月还是差1年，我们各个维度看不太一样。从打榜来看，国内很多都超过GPT4.0了。我也是关心整个的生态以及垂类，最终中美情况不太一样，可能不能直接用通用大模型来做对比。举个例子，之前云计算在美国，公有云的比例远远大过私有云的比例，但在国内，主要还是跑在私有云。大模型也一样，最终可能还会走不同的路吧。

大模型应用这件事，短期内就会爆发？还是说一年内不会有什么进展？

5、坦率来说，我们公司虽然 All in AI，已经要求每个人都去用大模型，我们整个业务流程也考虑用大模型来优化。但实事求是地说，现在确实还没看到杀手级应用，大模型并不能马上取代过去的一些东西。所以，我们经常谈“小切口大纵深”，这么多的初创公司，这么多的专家都在琢磨，期待产生翻天覆地的变化吧。

6、我觉得需要通用人工智能以及垂类的这些大模型一起齐头并进，才能够形成一个覆盖更多行业、更多领域的这么一个变革。可能要超过一年的时间去达成。

7、今天大模型一出现，就必须多快好省，既能够降本增效，又能够带来很多实实在在的非常非常多的好处，这个是不现实的。就如同蒸汽车刚出来，也跑不过马车，对吧？这个事情是需要一段时间的磨合和准备的。我觉得，还需要三年的时间。

8、我们投了几百家的企业，各种SaaS公司、企业服务的公司、软件的公司，都是在用各种各样的大模型。我都问过了，没有任何一家告诉我说马上就觉得太好了，没有一家说可以直接裁员了，也没有说用完成本就大幅度下降，客户体验大幅度提升的。但是所有人都知道，这个时间点如果再不做，可能三年后你的位置就不知道在哪了。所以说，这一段时间不能够简单地用成本效率来考虑这个问题。

9、我们自己总结，大模型应用其实是三个阶段。第一步，提升产能，很多人结合这个技术提高自己的一个产能。第二步，怎么去找增长点？怎么结合这个技术让我的这个企业能够更好的去增长？最后一步，就是转变，怎么围绕这个技术去转变我整个的运营模式。我们的一个说法，大模型不是一个技术或技能，它可能是一个战术，帮很多企业带来新的思维。简单比喻，它不是教你一个新的投篮方式，而是教你新的进攻打法。

大模模型真正应用落地，更应该看重降本增效？还是产业升级？

10、我不认为它是一个简单的降本增效的问题。我觉得使用大模型或者说我们研发大模型，它是个资产，是一个资产形成的过程。它是不断地用各种参数，各种数据训练，最后端出来的东西本身是块资产，是个资产属性的东西。所以说，我们不应该用一个工具或买一个东西来用的这种概念。

11、咱们国家在推数据的资产化。大模型本身就是一个数据资产。实际上，要用一个投资性的概念，来看待大模型本身。在这个过程当中，中国必须有自己的标准。

12、降本增效这个词，我们觉得应该把它拆开去看。拿我们自己来看，增效其实是在C端，我们自己的员工端他们会增效，对个人的产能有提升。但对企业端，短期并不一定有降本的一个影响。

13、我们倾向于它是一个工业革命，或者说产业革命。是不是一个工作方式的变化？是不是一个产业价值链的变化？从这个角度来说，我们认为是。

从现在的“大模型时代”走到“AGI时代”，之间缺的是什么？

14、如果说终局是AGI 时代，现在我们站在模型时代，我们怎么能够穿越过去？只靠模型可以吗？OpenAI 给了我们一个非常好的范例，那就是通过价值验证来穿越这个鸿沟。相当于 ChatGPT的发布，极大地推动了GPT往前。应用层面的推动，也带来了整个生态的繁荣。

15、我们从模型到价值中间，是不是还是有一个巨大的鸿沟？这个鸿沟比我们预想的要大。我们去年3月份就开始做商业化，说实话当时我们是非常简陋的方式，我们甚至给客户交付是拿着硬盘跑到对方的机房去交付。

16、从技术层面看，我们希望能够得到一个不可能三角：模型效果足够好、价格足够低、易用性足够强。当这几个都满足了，我们觉得它就能帮助我们的企业去跨越这个鸿沟。

17、从业务层面看，如何来把控方向，帮助企业找到自己的最佳路径，去实现这样的一个穿越？我们还需要有一个业务上的理解，提供工具和一些方法论来帮助我们的企业更好地去应用模型。大模型厂商，要做企业的copilot，帮助大家打造专属的大模型战略。

企业在做产业落地应用的时候，有哪些洞察，遇到了哪些坑？

18、我曾经一直有一个疑惑，有个很焦虑的点，什么呢？就是通用大模型的能力是非常非常强大的，那这个通用大模型和垂类这个关系，到底会不会把垂类给完全吞噬掉？我目前的一个结论，通用大模型有所为有所不能为。或者说，我觉得通用大模型，能跑前面90公里，最后10公里，通用大模型可能是做不到的。我觉得必须有垂类的价值和应用，甚至有那个闭环的商业的场景才是最关键的。

19、第一个坑，研发成果或者说产品的可视化，或者说如何长久保持大家对AI产品的新鲜度，是我们最头疼的。偶尔玩玩还行，长时间的话，大家这个热情和新鲜度就淡了。我们尝试不断地引入数字分身，引入场景，让大家感受变化，这是早期遇到的第一个坑。第二个坑，也是众所周知的，API不稳定。第三个也比较麻烦，高并发领域的性能问题，我们采取技术解决方式，包括不断增加缓存或者同步已经生成好内容的发放方式，但是缺点也不能做到千人千面。第四个坑，如何解决它生成文章内容的合规性问题。

20、我们有两个误区，第一个是觉得模型什么都能干。然后当我们在任何一个场景深入进去以后，又会发现它其实什么都不能干。早期我们花过去10%的精力就能得到一个60%的结果，团队都非常乐观。然后当我们对它的准确度有了一个工业级的要求的时候，又会发现从60%提高到80%才是一个可用的范围，这个过程又极其的艰难，这个中间整个团队就会陷入到一个从乐观到过于悲观的过程。

21、很多企业都经历过数字化转型的过程，有的企业转得快，有的企业转得慢。大模型在企业的应用，实际上它不是一个缓慢的过程，很多领域在企业内部是要被颠覆性的改造。这个时候要投入的战略目标和战略定力其实是完全不一样的。很多企业就在犹豫进不进，进了之后谁来进？怎么进？这个过程一直在摇摆。

22、很多中小型企业，他们也想跟着大模型这个浪潮起来，但是他们在数字化的基础并没有达到一个能够应用大模型的水平。所以这个时候，它其实还要去先经历一个信息化、数字化的过程，然后再把大模型用起来。

大模型对大家的公司战略、组织产生了什么变化？

23、我觉得从战略上来说，能走向未来的公司一定是有AI思维的公司。

24、对AI这个方向，分众是一个战略级的项目，我们要持续去做，为什么呢？我们一直在想，如何以技术为载体，把公司里人的知识承接起来，然后用模型知识触达以前服务不到的客户，这对我们的业务来说是一个增量。此外，存量角度，对既有客户的服务的能力，大模型也有一些帮助。

25、蒙牛集团整个AI战略一直比较清晰，针对AIGC，领导也提出了两个比较重要的战略。针对个人叫做超级个体，针对我们的业务场景，今年主推的是智能流程和智能决策。

26、金山也在 All in AI，这件事情贯穿了我们全年的所有的业务尝试。在这个过程中，我们发现经常左右互搏。一方面金山办公是一个生产力工具，在AI这个时代是最容易被挑战的，我们看AI是在革自己的命，我们更多地是把自己的东西打碎掉，重新去组织。我们将成为一个更智能的知识服务的提供商，这件事情可能是我们最终的方向。

回顾自家AI落地的路径，大家觉得什么是最佳实践？应该按什么样的步骤去落地？

27、要重视数据，就是数据质量，我觉得是整个决胜的基础内核。无论是AI应用，还是垂类的或者行业的大模型，都是非常非常关键，而且这个数据应该变成一个活数据，要不断地去迭代，不断地去维护。

28、这件事情对很多企业来说应该是个一把手工程。为什么是这样？因为现在社会上最大的共识，就是AI一定会颠覆我们所在的各个行业，以及各个行业对应的一些角色，这是一个很大的共识。但是也有一个不太有共识的地方，就是它什么时候落地，什么时候影响到我？

29、经验就一句话，研发视角，结硬寨打呆仗。建议大家集中优势兵力，先把核心功能全部做出来，演示功能做出来，然后基于此在做应用场景验证，这样速度反而更快一些。

30、应用场景应该怎么找？拿着锤子找钉子？怎么去找到那个好钉子？我们的经验，自上而下的找到AI落地的场景，可能比自下而上的性价比要高很多。一些场景，所有的员工、所有的职能岗位可能都会有各种各样的不同层级的需求。但当从CEO的角度去看这些问题的时候，去看整个的业务流程，有可能基层员工的问题都不是问题，甚至基层员工的岗位都不再必要了。

31、从组织角度，包括我们自己在做这件事情的时候，它一定是个一把手工程，一定你在组织结构中把它单独独立出来，所以我们现在孵化出一个小团体，它不是原来的信息化部门，也不是原来的某个业务部门。它是一个单独的、横向的，然后由一把手担任的独立小组，这个小组一定想清楚这件事情要长时间的投入。这个战略问题解决了之后，后续的事情会更简单一点。

32、另外，我们自己的感觉，我们需要一个真正懂业务的人去推动这件事情。而不是说我们去找一个多么懂这个大模型的人。真正懂业务的人，再去思考，怎么把这个东西用好？

33、总结一下，大家莫慌！2024年，AI才刚刚从去年的慌乱和兴奋，走向“沉淀”，走向“价值”。