大模型对企业数智化升级与业务经营的影响与应对

易观智慧院2023年6月 Confidential and Protected by Copyright Laws本产品保密并受到版权法保护 大语言模型开启AGI时代，人工智能进入生成式阶段什么是大模型？ 大语言模型/基础模型训练过程 大语言模型（LLM）是建立在大量数据集上预训练的巨大模型，包括如下关键要素： 1 •海量算力与数据支撑的大参数•“涌现”智能能力，拥有解决它从未或极少见过的问题的能力•预训练，仅需要少量数据的微调甚至无需微调，就能够解决多种通用型任务 模型预训练 指示学习 架构设计 AI对齐产品封装 基于海量数据进行模型训练，并形成一个有监督的策略，引入奖励模型和RLHF进行强化学习 在多类型下游任务上进行训练，提升其少样本/零样本能力 持续探索更有效率的方式实现模型与人类社会普世价值观的对齐，从而达到生产环境部署要求 基于Transformer架构，规划技术路线，①编码器路线；②编解码器路线；③解码器路线 人工智能与AGI发展阶段划分 大语言模型关键能力 知识能力 语言能力 分析式人工智能→生成式人工智能 包括事实性知识，也包括常识知识等 包括语义理解，语言生成，多轮对话，乃至快速形成文本摘要的能力 •思维革命•AI具备独立思考与逻辑判断的能力•进一步延展，具身智能连接物理世界，硅基生命与碳基生命共存 AGI1.0 •交互革命•人机交互方式：GUI🔜DUI/HUI•Prompt工程价值凸显 •知识革命•语言是知识的载体，未来模型人人可训、人人可用，即个人知识能力将得以复制和扩展 利用上下文学习与思维链能力，持续对大模型进行训练与微调，从而提升大模型的复杂问题推理能力 从以往单一模型解决对应问题，过渡到一个模型，解决多种通用任务 AGI0.1 AGI2.0 激发科技与创新活力 大语言模型推动企业从数字化向智能化升级大模型对企业带来的核心价值是什么？ 以业务驱动的方式拥抱AI 人工智能从未如ChatGPT这般普及，超过1亿用户主动体验的背后，是业务发展需求驱动AI应用场景探索与实践的重大转变 01 降低AI开发门槛 传统的AI开发模式需要针对不同的任务和场景进行定制化开发，大模型显著降低开发复杂度，提升部署与应用的便捷度 02 增强用户体验，碾平企业数智化洼地 大模型对于人机交互方式的变革显著增强客户/用户体验与员工体验，有利于中后台赋能升级，以及员工原生数智动能发展 03 大模型应用尚未跨越鸿沟，尝鲜者重心在于技术突破与场景探索企业应用大模型可能面临的挑战与风险有哪些？ 技术局限尚需突破方能释放更大价值 1•知识更新与自主学习能力，目前大语言模型仍然为静态数据驱动的学习范式，无法实现新知识的快速学习与迭代，尤其是涉及到时效数据与专有数据的场景下存在障碍，OpenAI正在通过Plugins生态来突破这一局限•垂直领域泛化能力，通用任务的卓越能力已经显现，但是进入垂直细分领域与知识体系下，大模型的性能与泛化能力仍然需要增强，行业大模型训练是当前挑战的破局之道之一•长期记忆能力，目前正在通过增大上下文容量、数据向量化，以及AIagent等多种方式探索突破 巨大的模型训练与推理算力等成本拉低效益比 2•训练与微调成本，该训练成本仅针对企业应用基础模型结合行业知识与数据集进行训练与微调的成本，并非基础大模型训练成本，与上述“垂直领域泛化能力”相对应，该成本仍然为行业知识壁垒显著的企业必须承担的成本，开源基础模型在一定程度上可以降低这一阶段的训练成本•推理成本，大模型在参数体量巨大的情况下，仍然存在较高的推理成本，这方面可以通过模型压缩与剪枝等技术的发展进一步降低•模型能力与业务场景的适应成本，这部分成本虽然由于人机交互方式的变化显著降低，但是前期仍然需要考虑提示工程在特定场景的磨合成本 安全合规可信应用底线尚需刚性保障 3•模型安全与可控制性问题，这是人工智能普遍面临的问题，大模型并不能幸免，包括模型攻防、数据注入等问题；同时，模型能力来自于“涌现”，需要进行模型能力，尤其是生成结果的可控制，方能进入到生产环境•对齐问题，既包括人工智能与人类社会价值观保持一致，也包括与不同国家价值观，不同类型企业经营以及商业法则相匹配等，前者最为关键，这也是目前最为关注的AI不受控制的风险之一，目前在通过RLHF与RLAIF不同方式来实现•隐私与数据安全问题，无论是大模型的训练推理，还是对话应用的过程中，都存在过多的隐私暴露与数据安全风险，这有赖于技术突破和监管合规的进一步建立 大模型所加速的生成式人工智能已经渗透到多个场景生成式人工智能，到底在生成什么，应用到哪些场景？ 大模型能力与AIGC相结合向企业经营关键环节渗透企业可以考虑从哪些环节应用大语言模型？ 行业应用全面铺开，实践案例示范价值在于效益比测算与优化大模型与AIGC在不同行业的应用场景分别如何？ 电商/零售行业 金融行业 娱乐/游戏行业 •前端对客的核心价值与场景主要为提升服务体验，包括智能营销、智能客服等方面，同时也在中后台运营管理方面，例如信贷审批、核保理赔等流程性任务层面提升工作效率 •包括影视视频、游戏等在内的娱乐行业是高度依赖于内容资产行业，包括图像、音视频、3D资产等，借助于大模型与AIGC能力首先提高内容生产效率是当务之急 •核心价值目前主要体现在面向用户运营侧的服务体验提升，以及营销运营过程中的内容生成与提效，主要应用场景包括智能客服、商品海报与文案生成等 •中期数字人赋能用户营销正在提速，长期来看将从前端向中后台乃至供应链与产品研发延伸 •无论是影视还是游戏，都在营造世界观与价值观的过程中需要故事线的引导与文本对话的链接，相对应地，短期看文本与对话生成等，中长期看智能NPC乃至游戏策略设计 •智能投研与投顾、智能财富管理与量化交易等金融特定任务方面则需要进行金融大模型的训练与微调，探索创新价值 实践案例：阿里通义大模型赋能商家，AIGC生成3D商品与店铺营销物料 工业/制造 教育行业 医药/医疗 •围绕受教育者与C端用户：覆盖K12、高等教育、职业教育等不同类型，主要侧重于提升交互体验以及个性化教学方面展开•围绕赋能教育机构与施教者/老师：覆盖备课、教学、考试评测与学生管理多个环节，在原有教育信息化的基础上进行智能化升级 •工业/制造行业是知识密集型行业，尤其是进入到工业细分行业，知识密度与信息壁垒，包括工艺、成分、流程等，都高度差异化，相应地，工业行业大模型的必要性甚高 •“AI+医疗”主要应用场景与价值在于电子病历生成与分析、AI辅助诊疗，包括AI影像识别与临床辅助决策等，赋能医生与医疗机构提高平均专业水平，提高工作质量与效率•新药研发利用语言模型等进行靶点发现、化合物筛选、临床实验研究等，尤其是在药物发现环节充分发挥探索性价值 •目前主要在AI辅助研发设计、工业质检（即质量检测与缺陷分析）、生产流程智能化等方面应用，未来则需要探索AI+机器人的智能化升级，用大模型链接物理世界 实践案例：华为基于PanguDrug Model提供AI辅助药物研发平台，覆盖新药研发全流程 企业拥抱大模型，从应用场景入手探索最佳实践再规划自建路线如何对大语言模型（LLM）进行部署与应用？ 自建MaaS能力，实现技术驱动 灵活应用AI能力，赋能业务经营 适用于大多数企业，IT能力建设并非重点，但是需要利用AI能力提效降本，赋能业务经营 适用于数智技术驱动的行业，同时，企业IT投入与研发能力相对比较强，能够将科技能力作为重要竞争力的行业与企业 利用开源模型，或者与LLM供应商进行联合研发与微调，训练专有模型 调整目前企业应用的选型策略，提升AI能力评价权重 采购或者利用开源大模型API，利用向量化方式，优化自身应用 端到端自主训练大语言模型 与方式②相比，算力资源投入相对较低，同时降低对于算法能力的要求 适用于大多数企业拥抱数智化的场景，是企业软件AI能力的整体升级 关键考量： 关键考量： •具备高算力资源基础•高密度AI工程化团队•数据资源持续投入能力 关键考量： •业务经营目标驱动•提示工程（PromptEngineering）能力•更新企业软件选型标准与合作伙伴企业实践：钉钉接入通义千问全面升级协同办公智能化水平，变相提升企业智能协同与办公应用选型标准，包括HR、财务、客服等应用皆是如此 企业实践： 以头部科技企业为主，如百度、阿里、腾讯等，不仅自主训练大模型，同时对外输出模型服务；又如三星，出于自身应用需求和数据安全考量，进行大语言模型训练，尚未披露是否对外输出相应服务 领先头部企业自建私有大模型需综合考量，忌忽视产品与生态能力如何对基础大模型合作伙伴进行选型与评估？ 模型能力 需要关注基础大模型的关键能力，包括语言能力（简单理解、知识运用、推理能力、特殊生成等）、安全和价值观以及通用任务能力，可以参考FlagEval（天秤）语言大模型评测体系 产品能力 需要关注基础大模型的产品化封装与解决方案能力，包括大模型能力抽象与API化易用性、大模型训练与微调环节支撑与服务保障能力、任务场景实践能力，以及运营维护保障能力等 生态能力 侧重大模型生态发展策略以及布局情况，包括中间层生态是否完整丰富以便于模型的精调与持续运营，关键环节国产供应链布局与适配度，行业伙伴以及最佳实践案例，开源策略与协议等 可持续发展能力 基础大模型非一蹴而就需要持续投入与迭代，需要关注大模型企业战略路线与资源投入程度和专注度、人才梯队建设与核心人才情况等 选型企业应用标准被升级，AI能力权重上升大模型能力蔓延，对于企业应用选型有何影响？ 应用层 企业类型B：中小型企业灵活应用AI能力，赋能业务经营 调整目前企业应用的选型策略，提升AI能力评价权重，关键考量标准： •认知沉淀/行业Know-how→专有数据•技术应用能力→理解模型能力，并能够灵活驾驭模型的能力•交互协作体验→workflow整合能力 企业类型A：大型企业自建MaaS能力，实现技术驱动 规划企业自身AI策略与MaaS能力的过程中，将基础模型与应用的能力边界竞合融合纳入考量范围：①部分应用能力壁垒被大模型击穿，纳入MaaS能力范畴沉淀为中台能力②其他应用持续增强AI赋能，提升解决特定场景与任务的能力，不定期扫描 业务为纲，机制兜底，企业组织发展模式将发生深刻变革如何规划未来3-5年大语言模型与AIGC在企业中的应用？ 01业务为纲规划人工智能上线与推广计划 未来组织能力围绕人工智能发展，既包括创造人工智能，也包括应用人工智能，前者是少数，主要在于提升人工智能专业与高级人才密度，并通过组织协同设计，系统化地提升人工智能科研与工程化水平。 “所有行业都值得用大模型重新做一遍”，前提是围绕用户与客户价值的体验升级与业务发展，相应地，人工智能与企业数智化转型一致，业务驱动是核心原则，围绕业务发展扫描数智化洼地，规划人工智能应用用例，获取业务价值，并形成迭代优化扩大AI应用范围的闭环 后者是多数，也就是大部分人工智能企业更需要考虑的是，人工智能应用，尤其是生成式人工智能全面铺开的过程中，对于组织架构、组织中关键角色与职能、以及对于员工的潜在影响等。 专有数据资产沉淀与管理，应对模型训练与应用 对于个体而言，普遍关注“人工智能会/不会替代什么职业”，甚至引发了对于某些职业发展方向的焦虑，一方面，积极的员工与个体正在迅速拥抱人工智能，在工作的过程中应用生成式人工智能提升工作效率，可能正在出现人工智能赋能于员工优先于组织的情况；另一方面，大众员工可能出现观望、等待甚至无所适从，“无用”内卷的状况，。 无论是自主训练大语言模型，还是围绕自身行业与业务场景进行模型精调，都需要依赖于企业过往积累的专业领域知识沉淀，进行专有数据语料的准备，从而能够让基础模型的“通才”能力发展成为具备行业属性的“专才”，专有数据是未来模型能力平民