中国AI应用开发者生态调研报告：小荷才露尖尖角

易观智慧院2024年6月 本产品保密并受到版权法保护Confidential and Protected by Copyright Laws 研究背景：持续关注AI产业价值落地 聚焦当下：商业价值深化探索 未来已来：技术变革来临 企业经营与发展是当下的核心命题人工智能，尤其是LLM开启的人工智能，对于AI商业价值的探索与实践带来哪些变化，是本次研究的重点 大语言模型所呈现的“涌现”能力，正在推动人类社会向AGI的方向持续探索，这将贯穿科技公司与研究机构相当长周期的关注焦点 以业务驱动的方式拥抱AI 人工智能与AGI发展阶段划分 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 分析式人工智能一生成式人工智能 01 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：GUINDUI/HUI·Prompt工程价值凸显 降低AI开发门槛 。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 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 AGI 2.0 AGI 0.1 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 “智能涌现”，未来AI应用生态将发生哪些变化？ “智能涌现”，未来AI应用生态将发生哪些变化？ 01 AI应用开发者现状如何？ >AI应用正在进入产品生命周期良性发展通道>AI应用开发方向与路径选择：技术+场景驱动>AI应用分发方式：传统GTM策略仍然奏效>AI应用商业化：多元化探索，量入为出 AI应用开发者现状如何? 关键发现 AI应用正在进入产品生命周期良性发展通道 大模型及上下游工具链企业，尤其是工具链企业，重点在于把握开发者需求，进行产品定位与打磨 AI应用企业则更加速产品面向市场与用户，通过客户/用户增长与付费验证PMF，2C应用验证速度更快 LLM与多模态、生成式人工智能仍然是开发者最关注的技术方向，跨学科技术应用开始初步探索，尤其是与生物科技的结合 中国AI开发者在开发方向上，基础设施建设与AI应用探索并重 关键发现 AI基础建设仍然聚集大量开发者，AI平台和工具是AI开发者最关注的领域，反映了AI开发者们对于开发平台和工具的需求和重视程度，这些也是未来AI应用开发、部署和运营的重要基础 AI应用开始多元化探索表明AI开发者在追求技术进步的同时，也在积极探索如何将AI技术应用到不同行业和领域中 开发者在AI应用开发与产品方向选择上，更加理性与务实 关键发现 AI应用始终是技术驱动的应用类型，更大比例开发者基于自身的技术专长选择AI开发方向,也进一步明确了这一方向 在产品方向上，相当比例的开发者具备专注性但是AI能力的加强则成为应用体验和场景价值验证的重要催化剂 行业背景和资源不容忽视，这是开发者捕捉应用场景，获取客户/用户的重要基础 理性评估开发路径，借船出海快速面向市场进行验证最重要 关键发现 AI应用开发者们在初期可能更倾向于利用市场上已经成熟的模型来快速开发和部署AI应用，同时保持灵活性，以便在未来根据需要考虑是否开发专属模型 针对某些特定场景和应用，模型的定制化和私有化也是重要选项 始终，模型-应用一体化是大部分开发者的长期发展方向 数据管理与规划在AI开发路径规划方面重于模型能力的考量 关键发现 构建应用竞争壁垒的核心始终在于数据资产和数据飞轮闭环，这也是开发者进行AI开发路径规划时最重要的考量要素，相应地，模型-应用-体化的方向更为清晰 模型能否准确、有效地完成约定任务也是相对重要的考量要素，而开发者暂时使用市场成熟大模型进行应用开发也说明模型能力基本达到合格线 AI应用分发仍然延续此前应用分发通道，新入口火候不到 关键发现 大部分开发者进行AI应用分发，仍然需要采取"旧时代”的GTM方式,包括广告投放、市场-销售团队体系进行客户触达与转化等，这也是具备成熟工作流体系的应用暂时最重要的优势之 公司自用提升工作效率等也是目前开发者的重要工作 AI应用分发新入口开始尝试，是否奏效有待跟踪 AI应用开发者在变现方式上进行多元化探索 关键发现 AI应用变现最常见的方式仍然是广告，主要原因可能是广告是一种相对直接且易于变现的商业化方式 当前开发者仍然绕不开以技术服务谋取生存,为应用上线与创新商业模式争取空间 订阅服务与产品销售等占比不高，这有待于进一步验证产品价值或者市场渗透 收入验证AI产品价值是王道量入为出保障现金流 02 AI应用开发者如何看待/应用模型？ >中国AI应用开发者都在使用哪些模型？》开发者进行模型选择的主要考虑因素 中国AI应用开发者都在使用哪些模型？ 模型能力不再是大模型选型最重要的考量 关键发现 大模型生态健壮度至关重要，这是开发者能否快速上手的重要基础对于企业开发者而言，需要确保其应用符合法律法规和行业标准，相应地，非常重视安全合规与风险控制训练与推理成本伴随技术发展将持续下降，开发者从中受益服务体系与可持续发展能力是加分项 大模型选型，忌忽视产品与生态能力 应用层 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 03 AI应用开发者未来发展规划 》工具与数据生态是开发者当前面临的核心挑战>大模型工具链生态如何赋能开发者AI应用开发者未来发展规划：验证PMF+自我造血 工具与数据生态是开发者当前面临的核心挑战 关键发现 开发者仍然缺乏足够的工具和资源来支持他们的开发工作，这可能包括缺乏有效的开发环境测试工具或集成工具等 数据准备和数据处理以及数据资源不足等花费了开发者的时间和精力，也可能限制模型和应用能力的提升与体验 模型驾驭也是具备挑战性的环节，开发者需要不断调整来保障应用性能与体验 工具链生态如何赋能AI应用？ 关键发现 数据工程相关工具链是开发者在进行模型训练与应用开发的重要基础 模型训练、模型评估与测试工具的需求，相对较高，这是因为模型的训练与评估是AI应用开发的关键环节，需要相应的工具来提高效率和准确性 安全性和合规性固然重要，但是并非所有开发者直接关注的方面 缺人可能长期存在，资本不是当前最需要的资源 关键发现 高端人才始终缺乏 “拿着锤子找钉子”现象仍然存在，深度洞察客户/用户需求，找对行业和场景，进而验证PMF才是关键量入为出是常态，资金需求当然重要，但不是最迫切期待大模型企业真正成为PaaS平台 验证PMF，各个方向实现商业化自我造血 关键发现 企业开发者重点在于根据市场和用户反馈来改进产品，同时也在寻求加速商业化增长和探索不同的商业化路径。 此外，企业开发者也在考虑扩大国际市场、加强技术团队和寻求外部融资，以支持他们的长期发展。这些规划反映了企业开发者对于市场动态、技术发展和财务支持的全面考虑。 开源是AI生态发展的重要驱动力 04 关键角色：企业客户是否“真正”入局？ 企业客户是否“真正”入局？ 关键发现 最突出的问题是“没有合适的流程和场景"这表明很多企业缺乏将大型AI模型成功部署到实际业务流程和场景中的能力，这也可能是对于AIl的理解有待于提升。 其次是AI价值认知，这反映了企业在理解和评估AI技术价值方面存在挑战，仍然是意识问题 数据资源与技术能力不足都需要建立在Al认知提升的基础上予以解决 企业客户是否“真正”入局？至少尚未投入重金 关键发现 中小企业是这一波AI应用浪潮需要重点覆盖的企业类型，而百万以下的AI投资对于大量中小企业而言，产品ROI与体验是重要的关键点 少数企业乐于投入更大规模，联动头部企业进行场景共创，是AI价值落地的重要抓手 业务为纲，机制兜底，企业组织发展模式需要发生深刻变革 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。 02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化后的重要差异化 这就需求企业对于组织角色与员工发展进行整体规划，不同职能与角色人与人工智能的协同边界如何确定，组织中关键角色与员工的技能与“"A/商”升级如何系统化通过培训等手段推动，都是企业系统化提升组织能力与竞争力的关键举措 设定人工智能应用合规与风险管理防范机制 生成式人工智能仍然可能出现“幻觉”、数据泄露等各种风险；同时，关于人工智能与大模型应用方面的立法与规范仍然处于意见征集与调研的过程中，企业有必要主动制定人工智能应用合规与风险管控机制，包括AI开发、应用与审核规范，数据安全规范，员工应用权限规范等等，从而“安全合规”地应用人工智能提升企业竞争力 04 总结：中国AI应用生态尚处于早期阶段 易观分析解决方案：以行业基础研究为基石，形成个性化解决方案，赋能业务增长 面向业务 价值输出 商品消费