AI行业大模型行业应用进展与评估

最新推荐文章于 2024-11-03 22:14:01 发布

网安猫叔

最新推荐文章于 2024-11-03 22:14:01 发布

阅读量862

点赞数 28

文章标签：人工智能大数据机器学习语言模型 AIGC

本文链接：https://blog.csdn.net/lvaolan/article/details/140618613

版权

不同行业大模型技术落地进度各异，这种差异主要由大模型技术的成熟度、行业数字化水平、投入产出比、行业对专业性和准确性的要求以及安全可控等因素决定。

应用阶段划分

行业大模型

AI行业

参考埃弗雷特·罗杰斯《创新的扩散》一书对创新阶段的界定，本文从技术发展和市场渗透两个维度构建视图，结合一线调研数据，综合评估、定位各行业在2024年年初的位置，以便对不同行业采纳大模型的进程做比较。结果显示，目前行业在大模型技术的采用上主要集中在两个阶段，即探索孵化期与试验加速期。部分行业已经步入采纳成长期，尚未有行业达到落地成熟期。

阶段一为探索孵化期，以农业和能源等行业为代表。行业中尝试采用大模型的机构数量较少，但仍有一些头部或创新意识强的机构积极探索。机构推进市场应用的关键在于证明技术的可行性和实用性，并能解决行业特有挑战，面临较高风险和不确定性，同时有机会引领市场。

阶段二为试验加速期，以教育、金融、游戏与出行为代表。行业普遍具备相对良好的数据基础，探索应用大模型的机构数量快速增长，开始在特定应用场景产生经济价值。机构关注技术如何解决实际问题，如金融量化策略的胜率、游戏设计的降本增效等。成功案例是此阶段的风向标，实用效益能够吸引更多参与者加入。

阶段三为采纳成长期，以广告与软件行业为代表。行业中的主流机构已普遍采纳并使用大模型。由于与大模型基础能力高度匹配，目前在广告以及软件行业（包括各类互联网应用），文案生成、文生图、代码生成与数据分析等能力，已经在不少机构被大量使用。继续扩大市场的关键在于进一步优化技术应用，提升用户体验和效率，同时降低成本。

阶段四为落地成熟期，目前还没有行业达成。此阶段意味着大模型技术应用基本成熟，绝大多数机构已在主要生产运营场景中使用，并与供应商之间建立了稳定的商业合作关系。目前大模型技术还远未到成熟阶段，行业应用的成熟需要更长时间。大模型的稳定性、可解释性、插件调用的可靠性等，都是行业应用步入成熟期的必要前提。

应用场景分析

行业大模型

AI行业

调研发现，多个行业都已经开始探索大模型技术在各生产环节的应用落地，具体涉及研发/设计、生产/制造、市场/销售、客户服务、经营管理等环节。

各行业横向对比，本文从大模型应用进展快慢的角度进一步阐述具体应用场景。数字原生行业是大模型应用的先行者。互联网、游戏等数字原生行业，由于数字化程度高、数据积累丰富、技术接受能力强，成为大模型落地较快的行业。这些行业的大模型应用场景广泛，覆盖了营销、客服、内容生成等诸多环节，目前已积累了相对丰富和成熟的实践。生产性服务业成为传统行业结合大模型的示范区。金融、广告、软件等生产性服务业，因其产品和业务的非实物属性，在客户服务和数据处理等方面有强需求，比较适配当前大模型技术能力，推进较快。

深入行业纵向环节看，当前大模型技术渗透呈现出类似产业微笑曲线的特征，即在产业链高附加价值的两端（研发/设计和营销/服务），大模型应用落地较快，而在低附加价值中部（生产、组装等），大模型应用进程较慢。究其原因，大模型技术所带来的智力即服务的范式变化，特别适配微笑曲线两端、知识密集型和服务密集型领域，对人的能力提升乃至部分替代效果显著，可以认为掀起了脑力劳动大规模工业化、自动化的新篇章。

研发/设计环节结合最深，高质量专业数据集决定进程。在产业链上游的设计研发环节，大模型对海量知识的高效学习、推理和生成能力，不仅能够大幅提升文案、影像、代码等内容创意的生成效率，还适用于生物、环境、材料等涉及海量科研数据处理的科学计算领域。是否具备高质量的专业数据集，决定了不同行业、领域在这个环节进程的快慢。文案、影像、代码等拥有大量基于互联网的开放、开源数据集，因此这些领域进展最快；有高质量、大规模开放数据集的科研领域进展也较快，如DeepMind开发的AlphaFold，能够仅凭氨基酸预测蛋白质3D结构，大幅提升了蛋白质研究进程，其成功背后有赖于采用了开放数据集进行预训练；工业研发/设计方面，芯片、汽车等领域也已出现用大模型辅助设计生成的应用，但这些领域多涉及强商业竞争，高质量的开放数据集很难获取，需要更多投入，实用进展相对慢。

生产/制造环节进展相对慢，对人的辅助增强是目前主要结合点。处于产业链中间的生产制造环节，往往涉及对机器等各类实体的操作，需要人与设备、工艺、系统的适配，环节多、流程复杂，对安全性、准确性和稳定性要求高。目前大模型的能力主要体现在自然语言和图像处理上，并不直接适用于生产制造环节复杂的数值计算、时序分析和实时决策等场景，往往需要针对性采集专业数据集进行专门的模型训练和开发，因此结合进展相对慢。从目前行业实践看，大模型在生产制造领域的应用侧重在对人的辅助增强，以Copilot（机器人助手）为主要形态，结合工业软件在工业仿真、生产监控、故障排查等环节辅助人提升处理能力。

虽然不同行业与大模型结合的进展和侧重点存在差异，但对大模型的优势和发展方向存在共识与需求，总体有三个方面。

一是内容生成与创意设计。主要运用大模型展现出的生成能力，包括文本生成、图像生成及代码、表格等泛文本生成能力，结合特定行业、场景数据，支持内容生成和创意设计。

二是信息提炼与专业辅助。主要运用大模型的摘要、规划等能力，针对特定行业、场景数据，辅助人进行专业知识的提炼、分析和加工。结合检索增强生成等技术，许多行业通过对话机器人实现此类助手型应用，覆盖研发设计、生产制造、营销服务等多环节。

三是任务调度与智能交互。行业对大模型的需求，更多还体现对其代理能力（Agent）的期待，希望大模型能与其他应用，甚至与现实世界的机器和设备等连通，在更广泛的范围协助进行任务调度和问题解决。这涉及实时数据处理、自动化控制、环境感知和决策支持等，对模型的响应速度、准确度和自适应性提出了更高要求，需要大模型插件生态、大模型与小模型的结合等顺利发展。

评估标准

行业大模型

AI行业

随着大模型的发展及在行业中应用的推进，越来越多行业机构开始关心行业大模型做成什么样才算成功。该问题也是当前业界普遍面临的挑战。大模型整体还处于发展早期阶段，一方面技术快速迭代蕴含了巨大创新价值，另一方面在规模定律驱动下算力等投入还呈现指数级增长态势。许多行业机构几乎不知道从何入手，更不用说有充分的应用经验来衡量成功，然而如果缺乏衡量标准和办法，又很难充分投入技术创新和应用，容易陷入决策困境。

基于对多方的实践调研，结合国际前沿相关探索，本文尝试总结构建出当前衡量行业大模型应用成功的2-3-1原则：避免两个误区，评估三类价值，构建一个模式。

避免两个误区：

一是将技术指标当作证明大模型成功的标准。一些机构会将注意力集中在技术性能上，通过呈现指标数值的增长反映大模型的成功，但这些指标无法直接反映大模型价值，我们应该关注业务指标，例如用户数、使用量、收入等，可将技术指标和业务指标建立联系，用业务发展牵引技术开发和优化。

二是过度看重投资收益中的短期产出部分而忽视长期投入。行业关注大模型实用性、强调投入产出比本身没有问题，但如果将大模型与成熟业务类似，要求明确的投入产出，甚至短期内实现正向盈利，并不利于大模型应用的发展。大模型还在快速迭代阶段，有大量不确定性，合理方式是将大模型作为研发或孵化项目，不强求短期财务指标绝对达成，转而关注业务、技术等指标的相对提升。

评估三类价值：

一是降本提效。核心在于大模型能够辅助增强人员能力，提升自动化水平进而简化流程。

二是业务创新。核心在于大模型的生成能力能够扩大内容供给，与应用场景的结合还可能创造新功能或业务。三是体验增强。随着向多模态、具身智能方向发展，大模型可为用户提供更加自然、丰富的自然语言交互体验。

构建一个模式。数据是大模型能够运行并创造价值的核心能源。对具体的行业机构而言，通过大模型生成和扩展价值的能力，核心取决于如何充分利用自己特有的数据。在数据问题上往往存在一个误区，即数据量越大越好。

实际上，相比规模，数据质量对于大模型的性能更为重要，尤其是对专业性和准确性要求高的行业大模型。行业大模型的构建，需要一开始就把高质量的数据环境纳入其中，通过体系化的数据治理设计，优先开发数据管道，让大模型能够与应用相关的机构自有数据源建立连接，以支持后续持续不断获得有效数据，形成数据飞轮。高质量的数据环境，不是将企业任意数据拿过来就可以，而是需要应用相关的、能够提供上下文理解的数据，重点投资于持续标记、组织和监控这些数据，比如行业专家的问答内容。数据架构本身还需要涵盖结构化和非结构化的数据源，支持多样化的数据处理。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：