供需錯位的大模型丨企服戰(zhàn)事

　　大模型的價值釋放有多大想象力，大模型賽道的玩家對落地就有多焦慮。

　　征途是星辰大海，投入是無底洞窟，如果落地的產(chǎn)出缺了或是慢了，風口過后的可持續(xù)發(fā)展和迭代都是空談。

　　細數(shù)一下比較成功的落地案例：前有妙鴨相機靠9.9一組寫真點燃朋友圈，可寫真這個需求太小、不太可持續(xù);后有360半年報披露其大模型業(yè)務創(chuàng)收2000萬元，盡管與15.6億元的研發(fā)投入相比只是滄海一粟，但好歹見到了現(xiàn)金流，算得上是一個積極信號。

　　一個清晰的事實是，目前大模型的落地途徑比較單一，比較可靠的商業(yè)模式只有to B方向的大模型部署以及模型使用、訓練的算力需求兩種，其價值釋放的緩慢可想而知。

　　即使是這兩種花了大半年時間摸清楚的邏輯，在智能化這樣的買方市場中，還有不少需要技術(shù)服務商突破的隔閡，例如怎么打開中小企業(yè)市場、減少定制化導致的高人力成本等。

　　進一步說，各行各業(yè)迫切需要看到可靠的落地案例與方向，打消他們的顧慮，一起掏錢幫助大模型賽道的玩家們走上可持續(xù)的正軌。

　　我們對話了多家行業(yè)企業(yè)，試圖管中窺豹，為大模型的價值釋放“摸底”。我們了解到的情況是，服務商“鞭長莫及”的中小企業(yè)市場中，相當一部分以調(diào)用開源模型來先吃螃蟹的企業(yè)已經(jīng)收獲了不小的效率躍升。而目前服務商們一致發(fā)力的，以制造業(yè)為主的KA市場卻對大模型相當不感冒。

　　這對國內(nèi)大模型玩家而言不算是個好消息。

　　最大挑戰(zhàn)：幻覺

　　美國社會學家Marc Prensky曾于2001年提出“數(shù)字原住民”的概念，泛指在21世紀的數(shù)字時代中成長起來的年輕人。而在大模型的沖擊下，2023年進入社會的年輕人或許將成為首批“AI原住民”。

　　就像7月初入職某家SaaS企業(yè)銷售崗的小張，因如今互聯(lián)網(wǎng)語境中充斥著的“萬辭王”、“不打800個電話不能走”等段子而忐忑不安時，大模型幫助他在人生第一份工作中穩(wěn)定下來。

　　小張入職第一天，他預想中“一位老銷售帶人熟悉業(yè)務”的流程并未出現(xiàn)，而是領導簡單介紹了一下工作強度、時間安排等情況后，就扔給他一個網(wǎng)址和一個文檔，讓他“看文檔熟悉業(yè)務，有不懂的在網(wǎng)址里提問”。

　　小張的第一份工作就這么開始了。據(jù)他所說，除了入職的頭兩天去了公司坐班，往后將近兩個月時間都在外跑業(yè)務，只有團隊開會的時候會回公司述職。而工作中遇到的疑問如HR SaaS的客戶案例、銷售話術(shù)、市場價格比對等，他都可以在網(wǎng)址中提問從而獲取答案。

　　“我找陽哥(領導)的次數(shù)估計連我提問次數(shù)的一半都不到”，小張說，所謂網(wǎng)址便是大模型的交互頁面，該公司將大模型能力應用在了新人銷售的培訓和業(yè)務展開上。

　　據(jù)了解，該公司采用的第三方AI服務商的產(chǎn)品，模型能力來源于ChatGPT。他們將此前已成文檔的市場價格走向、公司業(yè)務流程、常見客戶QA等信息交由大模型整合為數(shù)據(jù)集，并提供快速檢索能力。據(jù)公司領導林陽介紹，大模型目前已經(jīng)做到為新人銷售培訓平均節(jié)約5天時間，這還是在尚未計入老銷售的時間成本的前提下。

　　此外，大模型還進入他們多個崗位的工作流，如研發(fā)部門的初級代碼編寫、人力部門的JD編寫以及運營部門的客戶報告等。

　　只是林陽還告訴光子星球，大模型能力只在銷售環(huán)節(jié)“效果拔群”，其余部門在使用上卻不盡如人意，主要起輔助作用。比如代碼生成大多局限于前端，而且生成內(nèi)容必須經(jīng)由人工校對。

　　人工校對必要性的背后是大模型難以避免的幻覺現(xiàn)象，簡單來說就是“一本正經(jīng)地胡說八道”。其成因在于訓練數(shù)據(jù)存在偏差以及訓練方法NTP(預測文本)等。一個典型的例子是，我們讓某多模態(tài)模型生成一張“松鼠鱖魚”的圖片，生成結(jié)果與這道徽菜實際的樣子八竿子打不著。

　　顯而易見，幻覺是大模型落地嚴肅商業(yè)場景的最大挑戰(zhàn)之一，尤其是工業(yè)、金融等對精確度要求極致的場景。事實上，早在大模型之前，工業(yè)機器人與智能投研等AI應用就試圖在工業(yè)、金融領域找到戰(zhàn)場。在部分業(yè)內(nèi)人士看來，這些嘗試都免不了“形而上學”的意味。

　　老陳是南方頭部流體控制企業(yè)的高級工程師，浸淫流體控制設備十數(shù)年，甚至曾帶領團隊參與核級流體控制設備的生產(chǎn)。作為典型的工廠老人，他對AI在工業(yè)流程中的應用嗤之以鼻。

　　“工業(yè)生產(chǎn)第一要的是穩(wěn)定安全，只要‘幻覺’問題存在，對穩(wěn)定安全就是一種威脅”，老陳說，“我看到的所謂工業(yè)機器人，宣傳了也有小十年的，到現(xiàn)在還只能做一些焊接、碼垛之類的簡單活兒。”

　　老陳所言雖有些過激，卻不無道理，畢竟連創(chuàng)造GPT的OpenAI早在2021年便放棄了機器人業(yè)務。至于近來全球頂級公司開始關注的人形機器人賽道才剛剛開始，更別提應用了。

　　老陳所見所思的工業(yè)數(shù)智化，更多在于避免工人的重復勞動以提高效率。例如與供應鏈上下游共同采買的云端系統(tǒng)，讓產(chǎn)業(yè)鏈的各環(huán)節(jié)可以實時上傳生產(chǎn)進度、器胚良品率等數(shù)據(jù)，協(xié)調(diào)生產(chǎn)節(jié)奏與訂單交付時間，避免返工的情況。

　　老陳還向我們分享了一件趣事，曾經(jīng)他們公司接觸過一家主要提供CV領域產(chǎn)品檢驗服務的第三方AI服務提供商，他也受邀參加了服務體驗。“他們的模型需要大概20秒來判斷一個設備是否達到出廠需求，我們高級技工只需要目檢8秒，那我還不如花錢多雇點技工呢。”

　　更進一步說，大模型應用嚴肅場景，需要突破的關鍵一點還在于成本問題。

　　舉個例子，工業(yè)生產(chǎn)中最常見的儀器之一是讀取環(huán)境溫度、濕度等參數(shù)的傳感器，一旦傳感器讀數(shù)高于或低于某一閾值，便需要機器執(zhí)行不同指令，如減緩來料速度、加入冷卻液等。這不需要應用成本高昂的模型，只需要在傳感器所涉及的小系統(tǒng)內(nèi)設置一個既定的“規(guī)則”即可。

　　結(jié)合工業(yè)場景需求，我們不難理解工業(yè)界相對模型會更偏向于規(guī)則的做法。但不可否認的是，許多制造業(yè)公司早在大模型前便已引入機器學習模型迭代業(yè)務，尤其是在一些數(shù)據(jù)量巨大、人工設計規(guī)則難以窮舉的場景。

　　這或許也是工業(yè)方向大模型服務的發(fā)力點所在。而大模型目前展現(xiàn)的簡單內(nèi)容生成能力與高昂的部署成本完全是對工業(yè)場景的一種錯配。

　　“多快好省，越簡單越好”是老陳視角下，工業(yè)界對新興技術(shù)應用的需求。目前看來，大模型似乎與之并不沾邊，更多的應用會集中在非業(yè)務核心板塊上。

　　數(shù)據(jù)之海中掘金

　　AGI是終極命題，我們對大模型的期待自然不能止步于幻覺。以大模型為代表的AI能力也并非無法在所有嚴肅場景應用，而是需要準確認知大模型的能力邊界所在。

　　細想一下，上文提到的案例企業(yè)之所以會認為大模型的價值有限，主要是因為幻覺問題導致生成內(nèi)容的不可解釋、不可追溯。那么，我們能否跳出為ChatGPT所錨定的AIGC范式，以其他方式推動大模型釋放價值呢?

　　只需簡單轉(zhuǎn)變思路，我們即使在以嚴謹著稱的金融行業(yè)，也能尋到了大模型釋放正向價值的案例。

　　據(jù)ESG數(shù)據(jù)服務商秩鼎CTO王彬介紹，秩鼎的大模型在調(diào)用商業(yè)模型API的情況下，極大提高了其數(shù)據(jù)處理相關業(yè)務的效率，而其中最大的突破在于做到了傳統(tǒng)金融體系之外的數(shù)據(jù)映射。

　　通常，傳統(tǒng)金融體系中的數(shù)據(jù)映射基本圍繞上市公司股票代碼做映射即可，而ESG領域中存在大量“另類數(shù)據(jù)”，如專利、行政處罰、新聞報道等，這些數(shù)據(jù)要素所關聯(lián)的主體的稱呼、層級各異，存在職員、工作室、部門、子公司等不同維度的數(shù)據(jù)信息，映射難度非常大，“就像就上百萬家公司一個一個做天眼查的查詢”。

　　而大模型的加入，讓秩鼎可以對同一上市公司主體延伸的子公司、業(yè)務、股權(quán)與工商信息等數(shù)據(jù)進行識別與提取，最終做到映射的效果。這項成果目前已在中信、華夏、易方達等頭部公募與銀行、保險等金融細分行業(yè)中落地，客戶反饋良好。

　　目前，秩鼎已將大模型能力嵌入其數(shù)據(jù)處理的多個環(huán)節(jié)，大模型既可以作為特定數(shù)據(jù)的“搜索引擎”，也可以作為文本分析的智能助手，如將微博、網(wǎng)頁新聞等輿情監(jiān)測系統(tǒng)抓取的海量低質(zhì)量數(shù)據(jù)做進一步提取;或是解析招股書、財報等復雜文本，以數(shù)據(jù)標準化的方式初步分析某一上司公司相關新聞的新聞情緒等。

　　作為嘗到大模型甜頭的少數(shù)企業(yè)之一，秩鼎對大模型價值釋放的前景卻格外審慎。王彬?qū)�to B應用簡單分為三層，從低到高分別是數(shù)據(jù)層、工具層與決策層。在他看來，而大模型的價值釋放主要集中在數(shù)據(jù)層，工具層的應用“基本上幫不上忙”，至于決策層則是大模型“可望不可即”的領域。

　　“打個比方，海量數(shù)據(jù)其實就是一個大金礦，工具是自然用以探金、掘金，大模型目前完全可以勝任前期的探索工作。可一旦深入數(shù)據(jù)的應用，就會卡在確定性、可靠性之前，更高層的決策就別提了”，王彬說。

　　限于金融視域，王彬?qū)Υ竽Ｐ偷膽�用場景可能略有局限，但我們仔細梳理當下大模型應用，不難發(fā)現(xiàn)其以數(shù)據(jù)為核心來釋放價值的底層邏輯。

　　例如上文所提到的企服企業(yè)，其嵌入大模型的代碼編寫、客戶報告、培訓資料等工作流環(huán)節(jié)雖是以內(nèi)容生成的方式呈現(xiàn)，但本質(zhì)上也不過是對粗放數(shù)據(jù)的初步處理，在一定程度上保障精確性的同時極大壓縮了信息密度，以提高職員的工作效率。

　　即使是最簡單的銷售話術(shù)，銷售小張也需要在大模型生成答案之后再經(jīng)過自己的一些加工美化方能發(fā)給客戶。這其實進一步佐證了大模型在工作流中的地位——局限于初步處理環(huán)節(jié)，而且大多無法脫離人的把關。

　　更進一步說，把關的必要性來自于模型無法根除的幻覺問題，那么在業(yè)務落地上，這一問題能否在未來尋到解法?

　　這個問題的答案可以自大模型風起前的深度學習方案中窺得一二。

　　實際上，早在大模型之前的機器學習就已經(jīng)遭遇了“幻覺”的前身——過擬合。即機器學習過程中會發(fā)生的“強行”總結(jié)共性和規(guī)律的情況。好比我國歷史上家喻戶曉的司馬遷、蔡倫與鄭和，他們的共同身份是太監(jiān)，而機器很可能會由此得出“太監(jiān)是成功的必要條件”這樣令人哭笑不得的結(jié)論。

　　這是由機器學習的方法所決定的，就像大模型的幻覺來源于Transformer框架，這意味著類似問題基本上沒有一勞永逸的解法。

　　如果說各行各業(yè)積累的大量數(shù)據(jù)是金礦，那么大模型就是我們試圖挖掘數(shù)據(jù)價值的探頭，它能幫助我們找到金礦中的金子，甚至進行初步的攫取，但要用來挖礦甚至判斷什么是金礦，那還是差了些意思。

　　釋放價值的正確姿勢

　　大模型釋放價值是一個比較大的命題，但我們將他拆解一下，實際上也就是大模型用來做什么，以及該怎么用。而大模型服務商們似乎過于追求參數(shù)、能力等硬核指標，反而在解決實際問題上顯得有些“畏首畏尾”，比較典型的是至今尚處于場景探索階段的金融大模型。

　　顯然，服務商們對大模型進入千行百業(yè)的暢想難免給人一種“好高騖遠”的印象。畢竟智能化的供需雙方很多時候根本處在兩套話語體系，互聯(lián)網(wǎng)外的行業(yè)采購代表很多都不知道大模型是什么，如果再不“約束”一下大模型的能力邊界，反而容易適得其反，進入各說各話的怪圈。

　　那么大模型的價值釋放會給我們什么感覺?

　　十數(shù)年前，上班打卡要么在小本本上親筆簽名，好點的則是伸出大拇指按一下指紋打卡機。當下，我們上班打卡只需要在靠近公司的時候掏出手機。這一前一后的變化，在于以在線OA為基礎的協(xié)同辦公應用的出現(xiàn)。作為企業(yè)級應用，協(xié)同辦公讓“打卡”這一環(huán)節(jié)愈發(fā)簡單、省時，讓使用者足以養(yǎng)成使用習慣。

　　更進一步，習慣的養(yǎng)成會模糊我們對事物的感覺，下意識認為“本應如此”，類似的場景還有站街邊揮手招車與當下在電梯里便會打開的網(wǎng)約車。這種“無感沉浸”的感覺既是消費市場的追求，也是企業(yè)市場的需求。大模型如果希望能在千行百業(yè)釋放價值，“無感”同樣是重要指標。

　　"大模型被我們集成進數(shù)據(jù)中臺了，相比以往，除了數(shù)據(jù)處理的效率提升外，幾乎沒什么感覺，也沒有對工作流程有什么其他的明顯影響"，王彬說。

　　在他看來，即使大模型成本再高、技術(shù)創(chuàng)新再多，只要大模型不是類似“圣杯”定位的萬金油方案，那么其價值釋放也只限于工作流中的某個或某些環(huán)節(jié)。

　　更值一提的是，王彬還特別強調(diào)了現(xiàn)階段的大模型應用還需其他技術(shù)做輔助，例如PDF識別這項數(shù)據(jù)處理業(yè)務。如果簡單將PDF丟給大模型的話，文字識別與文字整理將耗費大量算力與時間。而我們僅需在將PDF丟給大模型處理前，用低成本的OCR方案給出文字，那么大模型的處理效率將會成倍提升，成本降低自不必說。

　　工作流這一概念誕生于上世紀IT爆發(fā)所帶動的辦公自動化風潮，如果我們將IT概念從中抽離，工作流所包含的人與機器交互、標準化、高效率等邏輯實際上與福特發(fā)明的“流水線”有異曲同工之處。大模型好比是流水線中的高精刻刀，在該環(huán)節(jié)能帶來效率的顯著提升，但并非放之四海而皆準，而且需要精確的使用方法。

　　只不過，王彬與其團隊對大模型的應用建立在其對深度學習和數(shù)據(jù)中臺的認知基礎之上，作為應用經(jīng)驗，難以“推己及人”至更廣泛的非IT企業(yè)，我們不能要求每一個希望獲得大模型能力的企業(yè)都得自備一個帶有AI背景的工程師團隊。

　　因此在明確應用邊界與方向后，大模型進一步要做的是向協(xié)同辦公靠攏，提供低成本可復制的解決方案。而行業(yè)當下普遍展開的定制化合作與之背道而馳，這會讓客戶群體局限于資源更多的大客戶。依靠工程師力大飛磚跑出來的個案即使宣傳再多，也入不了中小企業(yè)的法眼。

　　山不來就我,我便去就山。大模型扎根行業(yè)需要的是用標準化、低成本的封裝，代替高度定制化的成本敘事，此外，還需要服務商將注意力從“煉丹”之上挪開少許，拿出做SaaS的精神。在一個買方市場中堅持用戶本位的思想，再正常不過了。