基于大模型的应用的价值到底在哪里？

最新推荐文章于 2024-10-04 22:36:54 发布

沈页

最新推荐文章于 2024-10-04 22:36:54 发布

阅读量750

点赞数 17

文章标签：人工智能 AI大模型 ai 大模型 LLM 大模型应用学习

本文链接：https://blog.csdn.net/Androiddddd/article/details/142703936

版权

摘要：在人工智能的浪潮中，大模型技术以其强大的学习能力和推理能力，正在逐渐改变我们的工作和生活方式。那么，大模型究竟是什么？它能做什么？不能做什么？其应用的边界在哪里？背后的原理又是什么？它的商业化如何？ ‍

一、基于大模型的智能体是什么？

基于大模型研发的智能体（Agent）通常是指利用大型语言模型（如GPT、BERT等）作为核心组件，构建的能够执行特定任务、与环境交互并做出决策的人工智能系统。这些智能体通常具备以下特点：

1、自主性： 智能体能够在没有人类直接干预的情况下执行任务。
2、交互性： 智能体能够与用户、其他系统或环境进行交互。
3、适应性： 智能体能够根据交互过程中获得的反馈和经验进行学习和适应。
4、推理能力： 智能体能够理解和处理复杂的逻辑关系，进行推理和决策。
5、多模态处理： 智能体可能具备处理多种类型数据的能力，如文本、图像、声音等。
6、上下文理解： 智能体能够理解上下文信息，以更准确地响应用户的需求。
7、个性化服务： 智能体能够根据用户的历史行为和偏好提供个性化的服务。

智能体的核心价值在于其能够模拟人类的认知和决策过程，提供更加自然、高效和个性化的交互体验。

而大模型是什么了？大模型通常指的是具有大量参数的深度学习模型，它们通过在海量数据上进行训练，学习语言、图像、声音等的复杂模式。这些模型能够执行多种任务，如自然语言处理、图像识别、语音合成等。

以下是一些大模型开发的应用助手：

1. 客服机器人：京东利用大模型开发了智能客服机器人“京小智”，提升了用户满意度，降低了人力成本，并提高了处理咨询的速度。
2. 内容创作： 腾讯新闻使用大模型“Dreamwriter”自动化新闻写作，提高了发稿速度，模仿专业记者的写作风格，并扩大了应用范围。
3. 智能推荐系统： 抖音利用大模型构建推荐引擎，增强了用户粘性，提高了平台收入，并促进了创作者兴起。
4. 销售助手： 阿里云智能外呼系统“天池”通过自然语言处理技术与客户进行自然对话交流，提高了成交几率，减少了客户投诉。‍
5. 运营优化： AI助手可以帮助运营团队完成数据监控，及时发现并解决问题。
6. 数据分析： AI助手能够对数据进行深度挖掘，为企业提供决策支持。
7. 教育领域： AI助手提供个性化学习体验，辅助教师教学和学生学习。
8. 编程助手： 如GitHub Copilot和豆包MarsCode，提供代码生成、注释、错误修正等功能，提高编程效率。
9. 音乐创作： Suno AI音乐创作工具可以根据文本提示生成完整的歌曲，包括歌词、人声和伴奏。
10. 文本分析： Kimi等AI助手在长文本处理能力上表现出色，能够快速总结文档内容。
11. 搜索和广告： AI助手在搜索引擎和广告营销中的应用，提供更个性化的服务。
12. 电商购物： AI助手在电商平台中提供导购工具，帮助用户快速找到所需商品。
13. 生活办事： AI助手在生活服务中的应用，如支付宝小程序中的AI应用插件，服务用户日常生活。
14. 地图导航： AI助手在地图导航中的应用，提供语音交互，提升用户体验。
15. 理财投资： AI助手在金融理财中的应用，提供专业的金融投资建议。

那么大模型的AI助手的核心价值在于提高效率、降低成本、增强用户体验，并为企业和个人提供决策支持。随着技术的发展，AI助手的应用场景将更加广泛，其价值将进一步得到体现。

例如说：智能电商AI 客服助手的价值：

1. 体验提升： 商家可以享受到 7*24 小时的在线服务。
2. 效率提高： 商家不再需要学习使用各种工具和专业知识，只需用他们最熟悉的经营语言与Master Agent 沟通，即可直接享受系统提供的各种服务。
3. 决策质量提升： 由于有大量的备选方案可供选择，商家的决策效率和质量自然会提高。
4. 成本节约： 商家可以减少人力和时间的投入，平台也可以减少不必要的运营开支，让我们的业务人员从繁琐的问答中解放出来。

例如说：智能电商运营分析助手的价值：

1、体验提升：

实时交互：用户可以直接通过自然语言与智能助手进行交流，获取信息和分析结果，提升了用户体验。

个性化服务：智能助手能够根据用户的历史交互和偏好，提供个性化的数据展示和建议，使用户感受到更加贴心的服务。

2、效率提高：

快速响应：智能助手能够即时提供数据分析结果，相比传统BI系统，大大缩短了等待时间。另外，例如说总经理等管理人员步需要学习各种工具和专业知识也能获取到相关的服务。

自动化处理：减少了人工提取数据和生成报表的工作量，自动化的流程提高了数据处理的效率。

3、决策质量提升：

数据驱动的洞察：智能助手提供基于数据的深入分析和建议，帮助决策者做出更加精准的决策。

全面分析：通过多维度数据分析，智能助手能够揭示潜在的业务趋势和模式，增强决策的全面性和深度。

4、成本节约：

减少人力成本：智能助手减少了对数据分析师和运营人员的依赖，降低了人力成本。

降低时间成本：快速的数据分析和报告生成减少了等待时间，节约了宝贵的时间资源，提高了整体的运营效率。

上面回答了基于大模型的智能体应用以及价值，那么AI助手能做什么？它可以做一些有固定流程或者规则的复杂任务系列，而不能自主决策的事项。可以通过阅读文案和内容自主获取目标任务，并拆分成小任务去完成并将最后的结果输出。例如：

1. 自动化任务执行：AI助手可以自动执行日常任务，如设置提醒、发送邮件、管理日程等。
2. 信息检索：能够快速从大量数据中检索信息，帮助用户找到所需内容。
3. 语言翻译：提供实时的语言翻译服务，帮助跨语言沟通。
4. 内容创作：辅助用户进行写作、编辑和内容生成。
5. 编程辅助：为开发者提供代码建议、错误检测和修复。
6. 教育辅导：提供个性化的学习支持和教育内容。
7. 客户服务：在客户服务中提供快速响应和问题解答。
8. 数据分析：帮助分析和理解复杂的数据集，提供决策支持。
9. 音乐和艺术创作：辅助创作音乐、绘画和其他艺术作品。
10. 智能推荐：根据用户偏好提供个性化推荐。
11. 搜索优化：提高搜索引擎的效率和准确性。
12. 广告营销：在广告创作和营销策略中提供支持。

相反的，AI助手不能做什么，例如说像人类一样有感情或伦理以及相关决策的事项，以下是它的不能做的事项：

1. 情感理解：尽管AI可以模拟对话，但它无法真正理解人类的情感和同理心。
2. 物理交互：AI助手无法进行物理世界的直接交互，如搬运物体或实际操作设备。
3. 主观决策：AI无法进行基于主观判断的决策，它们只能提供基于数据和预设规则的建议。
4. 创新和创造力：AI助手在创新和突破性思维方面有限，它们更多是模式识别和现有知识的延伸。
5. 道德和伦理判断：AI无法进行复杂的道德和伦理判断，这些需要人类的价值观和判断力。
6. 自我意识：AI缺乏自我意识，无法像人类一样有自我认知和自我反省的能力。

总结一下，AI 的天花板取决于使用者的个人理解和业务认知。在你的指导之下去做工作的 AI，不可能做得比你还厉害，AI是助手，你才是 AI 的天花板。当我们都了解到这一点，就知道它的局限。

例如说，AI能够做到1秒钟阅读100页的内容，并给出总结的文案。而人不能快速的阅读这篇文章，但是可以对AI总结的内容判断它总结的对不对。再例如说AI能够1秒输出30篇文章。人可以从中挑选出质量好的文章，而人不能一秒中创作30篇文章。AI能够非常快速的精通各个领域的知识，并理解形成专业的客服，而人之能通过漫长的学习成为某一个领域的专业客服。但是人可以对AI作为客户回答的问题是否合适进行评判。因此，从这里可以说明了，AI可以提高效率，包括学习的速度，但是它不能替代人做决策，不能给出好坏的标准。

大模型助手的应用和普通SAAS的应用的区别是利用大语言模型的语言能力，去完成一个任务，这中间可能需要拆分成多个小任务，并行执行。大模型的工作原理基于深度学习，特别是神经网络。它们通过层次化的神经网络结构来学习数据中的复杂模式，并通过大量的训练数据来优化网络的权重。使用通俗易懂的案例来说明，例如说下棋，围棋有各种的下棋策略，每走一步，可以推演出后续10步棋的发展情况。那么如果让大模型学习所有的围棋策略，依赖计算机的超强计算能力，在1秒钟，计算出30种策略下的未来10步棋之后的情况，了解胜算情况，那么大模型就可以选择胜算最大的一种策略来。这个案例也可以简单的理解为它是一种更为强大的机器学习和计算能力。推演出后续的多种可能性，选出最优的几种策略。

在这里插入图片描述

二、它的商业化情况如何？

1、目前大部分的观点是“SaaS 挣不到的钱，会通过 Agent 挣到”。

当前普遍看法认为，“那些SaaS难以赚取的利润，可以通过AI助手来实现”。

与面向消费者（C端）相比，面向企业（B端）的市场被认为是更优的选择，因为在B端场景中更容易开发出有效的产品，这些产品能够处理确定的数据流并提升运营效率。企业级软件的核心目标是解决实际问题，因此，这类软件自然地积累了大量的问题和数据。在这样的环境中，构建的AI助手能够弥补传统SaaS和PC软件在开发流程、用户体验、产品形态和维护方面的不足。展望未来，SaaS的定制化服务和特定行业的需求可以通过更简单、成本更低的方法来满足。

在传统的SaaS模式中，盈利往往较为困难，因为它需要满足大量的个性化和本地化需求。AI助手的应用提供了一种解决方案：它通过提供简洁的用户界面，能够理解各种需求，并通过行动系统与外部系统逻辑对接，从而将用户界面的定制化和流程重构的任务转移到后端的模型和AI助手上。这样，从用户交互到模型处理，再到数据持久化，整个流程得到了简化，从而降低了SaaS的维护成本。

2、如何在内卷的环境里赚到钱？

在大模型应用落地的过程中存在许多问题，例如价格战，技术不成熟，应用场景边界问题等诸多问题的不确定性的情况，如何盈利了，本文根据黎科峰博士在InfoQ 《大模型领航者》的探讨中可以获得一些相关的见解。

黎科峰博士，数势科技创始人兼 CEO，黎科峰博士在京东集团担任副总裁、京东技术委员会主席、京东零售中台负责人，是推动京东数字化成功转型的关键人物。2020年，在全球新冠疫情的背景下，他决定离开京东集团，创立数势科技，致力于推动传统企业的数字化转型。他的创业初衷是利用其在互联网行业的丰富经验和对数字化趋势的深刻洞察，帮助企业实现数字化升级。

“商业化是大企业员工不需要过多考虑的问题，但对于独立运营的企业来说，生存是首要考虑的。”黎科峰博士曾这样指出。尽管大模型的应用还在探索阶段，他已经通过大模型驱动的智能代理（Agent）实现了盈利。

“真正盈利的是上层应用，”黎科峰博士分析道。他认为，未来企业的运营将更多依赖于工具而非人力资源。那些拥有数据并能够利用工具提升效率的企业将成为最有价值的企业。

黎科峰博士创立数势科技时，公司的主要目标是构建数据资产层，通过创建企业指标平台和标签平台，将大量数据转化为有价值的数据资产。尽管这些产品的使用门槛相对较高，更适合数字化程度较高且拥有一定数据技术人才的企业。

随着大模型技术的出现，数势科技开始为企业用户提供数据分析智能代理，这些代理能够通过自然语言对话与用户交互，极大地降低了软件的使用门槛。这使得管理者和其他非技术背景的业务人员能够轻松、快速地进行数据查询和业务分析，从而提高决策能力。

“数势科技的优势在于利用软件和算法解决问题，而不是依赖人力，”黎科峰博士表示。“我们的团队效率高，因为我们使用技术解决了传统上需要大量人力的问题，这也是我们能够实现良好盈利的原因。”

黎科峰博士一直强调的“用户价值”在产品中的体现，可以通过一个例子来说明。在零售行业，一家茶饮连锁企业面临的挑战是如何让店长进行数据分析。鉴于店长的教育水平通常低于科技公司，他们很难快速有效地使用传统的BI工具进行数据分析。数势科技提供的对话式、低门槛的数据分析和决策产品，使得店长可以通过简单的语音输入获取所需数据，并理解数据变化背后的原因，从而更好地管理门店。这样，门店的运营就不再仅仅依赖于店长的个人能力和经验。

国内市场普遍存在的问题是，一旦资本市场状况良好，任何新概念的出现都会迅速吸引大量公司进入市场，导致甲方难以选择合适的供应商，最终只能依靠价格来决定。这导致市场变得越来越内卷，优秀的产品和公司不得不参与价格战，可能导致经营困难，出现“劣币驱逐良币”的现象。

在这种竞争环境中，To B企业如何脱颖而出？黎科峰博士认为关键在于两点：一是深入理解数据智能和AI，并积累丰富的经验，这是企业的基因；二是深入了解客户需求，掌握行业知识，讲述能够引起客户共鸣的故事。

在产品技术方面，企业需要明确智能代理与大模型之间的依赖关系，优化智能代理的产品设计，使其更高效地运作，减少与大模型的交互次数，只将必要的任务交给大模型处理，从而节约资源。

在业务需求方面，数势科技专注于自己擅长的领域，这基于黎科峰博士多年的大厂经验。“作为技术负责人，我的考核标准不仅仅是技术的先进性，更重要的是技术能否帮助企业赚钱、省钱，产品最重要的是为客户创造价值。”

黎科峰博士清楚地表示，尽管大模型技术具有巨大潜力，但它本质上仍然是一种工具，用来帮助企业实现业务目标和战略。对他来说，大模型是一种武器，而核心竞争力在于对业务和技术的深刻理解。

总结下来，利用大模型实现数字化转型，第一核心本质是或者核心竞争力还是需要企业自身对于业务和技术的深刻理解，同过去技术帮忙企业提升效率，降低成本是一样的逻辑。另外如果涉及到业务，那么就需要专注做自己擅长的领域，做到精，通过大量的案例，提高模型的准确性和精准性，另外也需要在技术方面进行精细的设计，降低与大模型交互的次数，降低成本。最终才能形成一个成本低，准确度高，又好用的，懂业务的智能工具，才能在拥挤的赛道中胜出。 ‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍