给企业做网站推广好么?,wordpress下载付费,网站推广与搜索引擎优化,无成本搭建属于自己的网站[ 产业究竟需要怎样的大模型#xff1f;关于这个问题#xff0c;本文作者便提出了他的看法#xff0c;并总结了产业大模型目前阶段的三点落地挑战。一起来看看#xff0c;或许可以帮助你更好地理解大模型与行业、与产业的融合。 写下这篇的起因#xff0c;是前不久的一件事…[ 产业究竟需要怎样的大模型关于这个问题本文作者便提出了他的看法并总结了产业大模型目前阶段的三点落地挑战。一起来看看或许可以帮助你更好地理解大模型与行业、与产业的融合。 写下这篇的起因是前不久的一件事。
我们参与了一个大模型与行业结合的主题论坛。活动结束之后来自行业主办方的一位代表跟我们交流时却说“你们一直在说大模型。到底什么是大模型多大才算大为什么不能用小模型”
这一系列问题又一次让我们意识到智能化的供需双方很多时候根本处在两套话语体系。你这边Transfomer、Agent的说了半天那边可能还在好奇大模型这三个字到底是怎么来的。
这种隔膜在AI时代尤为严重。因为AI技术涉及的链条更长做算法的、做云的、做硬件的、做IT解决方案的以及最后买单的大家可能在各说各的谁也没打算真正理解谁。
今天各家都在说产业大模型、行业大模型。确实从技术逻辑上看很容易发现大模型能够给很多行业带来巨大的生产力释放而从技术路线上看中国企业对智能化的接受度更高、需求更强烈。大模型走向产业实现数实融合是中国AI最具特色的一条脉络在数字中国的大背景下具有极强的宏观战略意义。
做了8年产品经理后我是这么看产品经理的我个人是从非常初级的产品经理做起再到负责一个大产品的项目管理现在有幸跳出了日常基础的工作更多的去看产品的PMFproduct strategy…查看详情
但在实践中这条路却充满了挑战与误解。
毕竟AI算法公司做toB十家有九家做不成。在大模型toB的新机会窗口前我们首先要确定产业究竟需要怎样的大模型
一、产业大模型就不是一种模型
AI公司做大模型结合行业最大的误区在于搞不清供需关系。
诚然目前行业对大模型的认可与接纳程度已经比较好但智能化项目依旧是一个绝对的买方市场。技术供应商需要去适配最终用户的需求、能力、背景甚至沟通话术和商业习惯。
但由于做AI大模型的公司涌入了大量互联网领域的人才和资金。互联网的供需逻辑是单点供应对大量需求我有一招鲜天下涌进来。而大模型在很多行业的适配又是很容易就能想到的。比如工厂需求配料分析银行需要投资分析那我的大模型不是都能分析吗
于是在这样的“风口思维”下很多AI公司陷入了一个巨大的误区他们认为我有大模型各行业的客户都应该来找我。我推出两三个行业的案例其他行业都应该认可。我的这个大模型哪里都能用所以它就叫产业大模型。
无论这些AI从业者是真的相信大模型等于产业万金油还是仅仅是故意吹成这样。在产业客户看来这一幕就等于胡说八道。他们会觉得金融业用的技术关我煤矿什么事如果有一种食品说是猫能吃牛能吃人也能吃你敢吃吗
产业需要大模型做的第一件事就是不要笼统的天差地别的各个行业归纳为“产业”两个字就结束了。即使在某个行业内大模型都仅仅能解决行业的一个或几个问题更不可能有一种模型能够“包治百业”。
做IT的都知道有产品更要有服务懂技术更要懂行业。但做AI的企业尤其是拿着热钱涌入大模型赛场的企业普遍对产业需求的差异性缺乏了解和尊重。
当然不同行业对大模型的需求也有共通之处。比如对基础的对话、CV、多模态能力。但更多的情况下每个行业的只能用意愿、基础数字能力乃至安全需求、时延需求、运维需求都不相同。在今天的阶段一种大模型能够在具体行业内复制推广已经非常不容易更别想一口吃下几个甚至几十个行业。
产业智能化优先级永远是产业大于智能化。
二、不提硬件和工程化约等于瞎耽误功夫
很多做数字化、智能化的企业在看了客户环境之后会奇怪这么一件事客户花了大钱买回来的东西其实就是很简单的软件封在一个盒子里然后按照行业要求做了点按钮、UI之类的东西。甚至这些软件很多都是国外很古早的开源软件进行再封装技术上早就落后了。这时他们会感叹行业客户的钱可真好骗啊。
可是问题来了如果我们换个角度思考这个问题要是没有这层封装企业要怎么用呢难道一家工厂、一座矿山、一片林场要招来和培养一大堆云计算、AI算法层面的人才而且要让这些数字化人才指导整个企业的生产、运营和销售这显然是不靠谱的。
所以一个有点反常识的事实是相比于天花乱坠的先进技术行业用户往往更在乎那层“壳”。那层壳就说硬件化和工程化是将技术能力按照最终的使用需求进行封装、管理和维护。虽然最后组装出来的东西可能很难用可能不先进但对于行业用户来说有的用员工能学会才是智能化的最重要条件。
在讨论行业大模型时今天也经常会陷入这个误区。从业者往往过分关注算法层的领先性、国际性跟参数规模和测试纪录较劲把目光聚焦在软件上。但行业需要大模型做的是跟此前的数字系统较劲跟使用成本较劲跟操作门槛较劲。这就需要大模型考虑硬件环境、网络环境、存算资源、操作系统甚至考虑部署环境的电力供应、湿度、温度。
产业大模型要做的第二件事是必须兼顾硬件适配和工程化问题。
大模型能否落地都在说要找准场景。但什么是场景最后能起作用的那个地方才叫场景。
绝大部分企业都不是IT为导向。甚至大部分企业根本无法派专人去仔细了解什么是大模型。这个事情在漫长的时间里都无法改变。
山不会过来看你所以你要去看山。
很多人把大模型比作一座金矿那么训练大模型仅仅是挖到金矿通过工程化方法讲大模型融入到行业已有的数字化基础设施才是把金矿运出山。
三、专家下工厂终究要不得
很多AI厂商无论是在给客户讲故事还是面向公众做传播总是会提起这么一段你们不要担心我们有专家有博士后扎根行业。下工厂下农田一驻守就是几个月。
如果你是大模型的潜在行业用户那么这个故事听听就算了。专家驻厂确实是真的但那个厂极大概率不是你的厂。
事实上AI专家亲临产业一线是缩短行业需求与大模型供给之间的有效路径。这也是一个产业智能化必经的发展过程。
但这个过程必然也只能是暂时性的不可能长久。试想一下如今大模型正在风口浪尖专家们都是什么身价一个专家组入驻现场就这个薪资成本哪家实体企业能撑得住
AI企业所宣称的专家驻厂其实是在做案例、做测试。一般都是和行业内的头部客户合作厂商愿意以亏损为代价把模型跑通观察有哪些具体问题。
**专家可以下厂但专家肯定不能经年累月驻守一家又一家工厂。**这是AI厂商进入某行业时的标准动作但往往会有意无意被理解为一个常规动作可真要只能依赖专家下厂来推广大模型那么AI永远也无法落地因为这个成本谁也承受不起。
产业大模型要做的第三件事是技术具有行业内的低门槛可复制性不能大量依赖人工进行订制化合作。
尤其需要注意的是目前阶段大中型企业在智能化上的投资愈发谨慎试错成本不能过高。实验性与不确定性太强的大模型落地方案在目前阶段已经很难得到大客户认同更遑论成千上万的中小客户更是不可能依赖重人工投入的方式来推动。
总结一下产业大模型目前阶段的落地挑战有三点
AI厂商总把大模型想象为万金油但行业需要的是理解和专注。AI厂商总是关注算法创新但行业需要的是工程化和可操作。AI厂商大量宣传依靠人才能力跑通的个案但行业需要的是低成本和可复制。
大模型落地产业正是旭日东升时但也要有意识去清扫一些积雪而回到用户界面往往就能找到更多问题的答案。
