企业AI应用行动指南2024

易观分析2024年5月 Confidential and Protected by Copyright Laws本产品保密并受到版权法保护 前言 随着人工智能技术的快速发展，社会和经济正逐步迈入万物AI时代，企业积极探索AI在业务中的应用，以提升效率和创造价值。 《企业AI行动指南》旨在为企业提供全面的AI大模型部署指导，涵盖AI大模型的发展概述、战略决策和部署步骤、方法及选型建议。该指南还指出部署过程中的常见误区，并提供策略自检工具。 《企业AI行动指南》由易观AI咨询顾问团队根据实战经验编制，随着客户需求的不断变化，我们将持续更新报告，帮助企业梳理决策流程、提高效率、规避风险，并抓住AI带来的机遇。 指南中包含“AI场景选择三度模型”、“行业AI应用成熟度曲线”、“大模型选型评估矩阵”等实用工具，帮助企业选择合适的AI应用场景和模型。如需详细解读，可通过二维码联系易观分析获取专业指导。 2024/5/31 2023年，大模型元年，这一次真正撼动了人类01 中国大模型的发展呈现出蓬勃生机，形成了多元共进、创新竞发的活跃态势 LLM开启的生成式人工智能到底可以解决什么问题，与之前相比，进化在哪儿？ AGI1.0 •交互革命•人机交互方式：GUIDUI/HUI•Prompt工程价值凸显 •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 •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 AGI2.0 AGI0.1 企业由数字化阶段迈入智能化阶段，AI能力成为企业核心能力 易观分析认为： •智能化是互联网化、数字化的延伸而不是颠覆，演进过程中，技术的价值从过程逐步向结果转移；•未来企业，组织形态将会被重构，组织边界模糊，组织结构灵活机动，以AI为核心重新定义；•企业的AI能力（含“AI”量）成为核心能力。 智能化 “数据+算力+算法”定义世界逻辑，将智能决策与资源优化配置相结合，进一步提高决策科学性与实时性，并加速进入产业数字化深水区 数字化 围绕着AI原生产品，企业重构组织形态和能力 互联网化 数字技术向实体经济与企业经营环节渗透，依托网络进行信息高效传递，从而解决资源调配问题 互联网快速扩张，跑马圈地，培养用户习惯，经典消费互联网运转逻辑 AI+：基于企业现有流程和服务，使用AI技术赋能与增强能力 大模型所加速的生成式人工智能已经渗透到多个场景 大模型能力与AIGC相结合向企业经营关键环节渗透 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 金融行业 娱乐/游戏行业 电商/零售行业 •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 •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 •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 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•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 •“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 易观AI大模型产业全场景图谱 AI策略的选择与决策02 AI部署五步法 Step1：场景选择的主要考虑问题 AI应用成熟度 •技术成熟度（可以参考Gartner的hypercycle）•企业AI通用应用成熟度（可以参考易观企业应用AMC曲线）以及企业AI应用最佳实践•行业AI应用成熟度（可以参考易观行业AMC曲线）以及行业AI应用最佳实践•本企业的场景成熟度评估（需要考虑业务本身的健康度、标准化程度、AI化意愿等） 企业资源就绪度 •组织能力与团队（包括战略与文化、组织与团队、技能与培训等）•预算•数据•AI工具和基础设施•其他 企业部署价值度 •AI投入成本分析•AI的收益分析•AI风险评估 示例：各个行业应用专有场景的成熟度 示例：各个行业通用场景AI化的成熟度 Step2：目标制定 AI策略的目标，要有业务负责人把控而不是单纯的技术负责人。 Step3：路径选择 企业部署AI大模型路径一：端到端自主训练大语言模型 -易观分析认为，端到端自主训练大语言模型已经成为国内科技巨头布局的重点之一，这不仅是基于商业考量，更是基于技术、战略和生态系统建设的全方位考量。 端到端自主训练大语言模型成为国内科技巨头布局重点 端到端自主训练大语言部署关键考量要素 端到端自主训练大语言模型更适用于有一定IT投入与研发能力的企业，有较为完善的云服务及数据生态。关键考量要素包括：投入算力资源的能力、AI工程化建设团队能力以及数据资源投入能力。 拥有自主研发和掌握的大语言模型将为科技巨头带来技术领先的优势，通过自主训练，科技巨头可以针对本土语言和文化特点进行优化，提供更贴近用户需求的智能服务。此外，大语言模型已经显现出在各行各业都有广泛的商业应用潜力，科技巨头同时对外输出模型服务。 典型实践 阿里通义千问大模型 腾讯混元大模型 百度文心大模型 通义千问是一款大型中文自然语言处理模型。在模型架构设计上更侧重于实现特定的应用场景或任务。当前，阿里通义千问已经应用于智能客服、文档自动化、内容生成、智能推荐等多个阿里生态场景，为用户提供更智能、更个性化的服务和体验。 腾讯混元大模型是一款结合了自注意力机制和卷积神经网络的混合层级架构模型，具有多粒度特征融合、跨模态支持、大规模参数等特点。混元支持多种语言模态的处理，包括了文本、图像、语音等，拓展了模型的应用场景和能力。 百度文心大模型师基于自主研发的端到端训练框架，使用大规模的中文语料进行训练，具有深度学习和自然语言处理技术的先进特性。 •企业需要明确定义自主训练大模型需要解决的问题或实现的目标；•收集和清洗相关的数据。 自建规划 •根据需求和可用数据，选择适合的大语言模型架构和训练算法； 模型训练 •训练自己的模型阶段，需要进行模型训练、调参和验证，以达到预期的性能指标。 此外，文心设计之初就考虑了与产业的深度融合，提供了全流程的支持工具和方法，以适应不同行业需求。 •部署到生产环境中，并与现有的系统和应用程序集成，需要考虑到安全性、性能和可扩展性等方面的问题。 部署集成 企业部署AI大模型路径二：利用开源模型或与LLM供应商进行联合研发与微调，训练专有模型 联合研发与微调部署路径成为行业头部企业首要选择 联合研发与微调部署大模型路径的关键考量要素 利用开源模型或者联合研发与微调部署大模型路径更适用于有较强行业专属场景业务需求，并需要实现技术驱动赋能的企业。 联合研发和微调部署路径为企业提供了一种灵活且高效的方式来推动企业AI大模型的部署，并且通过这种路径可以使企业能够更有效地利用现有大模型的技术成果和资源、快速提高自身创新能力，并更快地将AI应用赋能于自身业务优化上。 关键考量要素包括：一定的算力资源基础与投入、基础模型选型或LLM供应商选型、自有AI团队实现专有模型可持续运营与迭代、专有数据储备沉淀与持续运营能力。 典型实践 国家电网X百度文心 中国工商银行X昇腾AI大模型 BloombergGPT 国家电网与百度合作，共同研发了电力行业的专有大模型; BloombergGPT是一个包含500亿参数的语言模型，专门为金融领域设计和训练，以支持金融行业内的自然语言处理任务; 中国工商银行发布基于昇腾AI的金融行业大模型; 在通用文心大模型基础上，设计电力领域特定的预训练任务，结合电力行业的数据和知识进行训练，以提升模型在电力行业特定任务中的应用。 构建了从规划、开发到产业化的大模型全流程使能体系，这包括大模型开发使能平台和大模型部署套件，旨在简化大模型的开发和部署流程。 训练数据主要来自彭博社的金融数据,针对金融领域的专业术语和行业趋势。 企业部署AI大模型路径三：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 采购API部署路径成为中型企业借力AI升级服务的选择 采购API部署大模型路径的关键考量要素 采购或利用开源大模型API的企业AI部署路径适用于大多数企业，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。 采购API并将其部署是中型企业在借力AI能力升级服务水平与平衡AI投入成本后普遍采取的方式，API部署通常更快速，企业无需从头开始构建AI模型或基础设施。此外，API提供了灵活性和可扩展性，中型企业可以根据实际需求选择适合的API，避免过度投资和资源浪费，还可以根据业务增长的需要轻松扩展或调整API的使用。 关键考量要素包括：企业自身应用对于AI能力的抽象以及对模型的驾驭能力，专有行业领域数据以及企业业务数据沉淀以及向量化处理能力。 典型实践 企查查 多邻国 企查查通过使用向量数据库来增强其搜索引擎的功能，并在端侧部署模型，可以在多个层面上提升产品的AI功能和整体品质 多邻国采购GPT模型来改进其语言学习工具，使其能够更自然地生成语言示例和提供更准确的语言练习 可以在保持较低成本的同时，提供更加智能和高效的服务，满足用户对于高性能AI应用的需求 多邻国通过集成最新的AI技术，尝试教育领域的创新，以提高用户的学习体验和效率 企业部署AI大模型路径四：调整企业应用的选型策略，提升AI能力评价权重 联合研发与微调部署路径成为行业头部企业首要选择升级企业软件集成AI能力适用于大多数企业构建数智化场景 联合研发与微调部署大模型路径的关键考量要素提升AI能力评价权重的方式部署路径的关键考量要素 以调整企业应用的选型策略，通过提升AI能力评价权重的方式来部署AI的路径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。 通过这种路径可以有效提升企业业务效率、增强用户体验、开拓新业务机会、降低成本和风险，并符合数字化转型的趋势，有助于企业提升竞争力并实现持续发展。 关键考量要素包括：以业务经营为目标适配驱动AI部署，提示工程能力，更新企业软件选型标准与合作伙伴等。 典型实践 AI能力评估 企业首先需要对其现有的AI能力进行评估，涉及对现有AI技术、人才、数据和基础设施等方面进行调查和分析，以确定企业目前的AI成熟度和能力水平，在此基础上确定AI可以提供价值的领域和场景。 AI技