2024开启AI智能化新纪元白皮书

引言 在人工智能的漫长征程中，大模型的出现无疑是一座闪耀的里程碑。2023年，在全球科技领域，大模型无疑成为了最炙手可热的话题，这股热潮由美国创业公司 OpenAI 率先掀起，中国科技公司紧随其后，纷纷投入到这场大模型的竞争中。如果说深度学习技术的突破让计算机拥有了“看”和“听”的能力，那么大模型则让计算机具备了“理解”和“创造”的潜能，重新定义公众对 AI 的认识，为各行各业的智能化转型开辟了一条新的道路。 开发“大一统”，让 AI 真正普惠与落地 在大模型出现之前，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。在过往企业对于 AI 的应用中， 较高的开发门槛、应用场景的复杂性与多样性，以及对大量标注数据的依赖，构成了 AI 大规模部署的难题。而预训练大模型则具有良好的通用性、泛化性，可以显著降低人工智能应用门槛，用户基于大模型通过零样本、小样本学习即可获得领先的效果；同时，“预训练+精调”等开发范式，让研发过程更加标准化，显著降低了人工智能应用门槛，成为 AI 走向工程化应用落地的重要手段。 走向产业落地，助力组织加速发展新质生产力 统一数据、统一算法、统一模型，解决所有问题，这将是和过去任何一次 AI风潮都完全不同的新时代，AI 将变成社会的基础生产要素。大模型的「海平面」正在逐渐没过人类能力的「山头」，过去被认为只有人类才能完成的事情开始逐步被大模型的洪水所淹没。而大模型作为新质生产力的代表，正在推动传统产业的转型升级和新兴产业的快速发展，为社会经济的高质量发展注入新的动力。 “时间永远分岔，通向无数的未来”，无需短期高估技术的影响，也不要长期低估技术的魅力。在企业智能革命的舞台上，我们一次又一次被大模型的能力惊艳，也必将看到越来越多的新场景、新应用随之产生，真正拥抱“AINative 的到来”。 CONTENTS 引言0101 0203大模型在组织数智化中的应用 大模型应用场景概述大模型行业应用分享GLM行业特色优势 0318大模型的部署与落地 大模型部署常见问题双维度看模型选择Prompt调优准备微调的判断与方案选择 0420智谱AI GLM 企业级解决方案 五个方向判断是否大模型 ready业务场景落地全生命周期服务更适合中国市场的多样化部署模式 0522十大 GLM 客户成功案例 0642打造新一代认知智能大模型 GLM-4，新一代基座大模型模型能力全面对齐世界先进水平 0744关于智谱AI 大模型 在组织数字化中的应用 从 2023 年初迄今，以 AIGC为主角的跨年度大戏高潮迭起：从ChatGPT引爆人工智能通用化的话题，到大模型形成百舸争流的局面。如果说，各大厂商纷纷推出大模型产品并形成“百模大战”的局势，是大模型这场“战役”的上半场，那么这场“战役”的下半场将聚焦在大模型的垂直化应用以及价值转化发展。 大模型应用场景概述 信息抽取 文本生成 信息检索 信息抽取是指将长段文字中的信息抽取出来并且以结构化的方式输出。相比起传统NLP的方式，大模型在泛化能力上有非常大的提升，并且开发成本要低 2 个数量级。 传统的信息检索系统只能以文字来匹配正文，并且只能以原文片段返回，或者对于垂直场景只能是结构性的卡片，而大模型则可以为你通读结果并根据你的查询生成针对性的回答，带来全新的搜索体验。 文 本 生 成 指 的 是 通 过 指 令（ P ro m p t ） 让 大 模 型 自 动 生 成 文字，包括电子邮件、短信、文章、新闻报道、社交媒体帖子等各种文本内容。相较传统以规则和模板的方式，大模型提供了完全不同的体验，这也是大模型最先跑通的商业模式。 指令代码生成 智能对话 其他 对话系统是指机器和用户进行对话的系统，通常用于客服和助手类的场景，但原有客服都基于问答对或者规则来进行对话，难以达到真人的水平，而大模型则能在上下文理解和回答生成上带来全新的体验。 自动生成代码，提高开发效率，减少人工编写代码的工作量。自动分析已有的代码并提供重构和优化的建议，减少人工编写测试代码的工作量。同时，大模型可根据用户提供的部署描述自动生成部署脚本，并监控应用程序的性能。 大模型行业应用分享大模型 + 智能汽车大模型 + 智能汽车 汽车行业一直在电动化、智能化领域持续不断地发力，截至 2023 年 9 月，新能源车国内零售渗透率已经达到了 36.9%。而从汽车研发到生产、制造，再到营销和服务的各个阶段，都能与 AI 技术有广泛的结合，大模型与汽车行业的结合可能作为支撑整个行业的基础设施，通过与现有的基础架构深度融合，从而催化对整个产业和行业的深层次变革。 智能座舱 市场营销 典型场景分享 大模型赋能复杂车控：拓展服务边界，提升用户体验 随着智能汽车的发展，汽车座舱已逐步演变为人们的第三生活空间，集舒适、娱乐、工作于一体，实现人车生活的深度交融。大模型的加入，则可以进一步加速人与车交互方式的转变，例如从单一的任务方式逐步转变成基于多任务的应用场景，从现有的单一语音交互向多模态的交互方式进行转变，为车主带来更为便捷、实用的驾驶体验。 传统车控方案的现状和痛点 大模型的业务价值 更聪明：指令理解更精准，单句多意图无遗漏更好玩：交互趣味性更强，改善用户体验更简单：人工维护工作量更低更有用：帮助处理简单任务，提供更有帮助的知识 语义泛化能力弱，意图识别准确率低依赖大量人工标注，维护成本高不支持单句多意图，用户体验差 工具属性 体验属性 销售话术质检：高转化率、精细管理、持续改进的营销闭环 随着客户量的增加、沟通轮次和渠道的增多、汽车产品复杂度的提高，车企销售面临的挑战越来越多，难度越来越高；而对于管理者来说，也难以实现对销售过程的全方位管控和精细化管理、找到能提升转化率的症结。车企通过将大模型应用到销售话术场景，通过大模型自动分析对话中的关键信息点，实时抓取并分析销售人员与客户之间的对话记录，从专业性、合规性、服务态度等多个维度进行评估。对于汽车性能介绍是否准确详尽、是否严格按照官方信息及行业规范进行解说、是否存在过度承诺或误导消费者的情况，大模型都能做到精准识别；同时，还能对销售人员的情感表达、沟通技巧等方面进行质检，确保其服务质量达到高标准。不仅有助于提升汽车销售团队的整体业务素质，保障消费者的合法权益，也能为企业优化销售策略、提高客户满意度提供有力的数据支持，进而推动整个汽车行业的服务质量和品牌形象的持续升级。 对话内容 大模型 + 大消费大模型 + 大消费 大消费产业的复杂营销和销售环节为大模型提供了广阔的应用空间，如何把大模型应用在品牌营销、用户运营过程中，也是众多消费科技企业正在不断思考的话题。企业希望通过大模型，率先将商业经验转化为行业的专有数据并进行有效管理，从而构建起企业的竞争优势；同时，通过大模型更智能的交互能力，在消费者旅程日益碎片化的今天，能帮助企业找到与品牌和消费者习惯相符合的交互点，不断构建品牌专业性保持高速增长。 典型场景分享 智能导购机器人：重构用户交互、购买决策模式 如今，各大购物App的商品推荐已成为引导消费者购买的重要渠道之一，而大模型的加入将重构与消费者交互的方式，使得更多样化、更自然、更精准的导购推荐模式成为可能，即基于消费者的历史购物记录、浏览行为和搜索关键词等数据，并通过与消费者进行智能互动，分析消费者的购物习惯、喜好和需求，解答其关于商品的疑问，提供专业的购买建议。 多条件筛选产品(快捷购物) 舆情分析：实时聆听消费者之声，为企业战略决策提供有力支持 零售行业面临激烈的市场竞争，实时准确地了解客户之声对于树立良好的品牌形象和声誉至关重要。企业通过大模型实时抓取和解析海量网络文本数据（如社交媒体、电商评价、新闻报道等），能够全面而深入地汇总分析消费者情感倾向、需求变化、产品反馈等信息，迅速把握市场趋势，精准预测消费热点，并用以适时调整产品策略与营销方案，有效预防和应对负面舆情，保障品牌形象，助力企业在竞争激烈的市场环境中实现智慧化运营与精细化管理。 研判准 更实时 信息准 无 需 设 置 监 测 关 键词，输入系统用户关注的信息即可进行舆情监测，实现内容智能化 100%理解检测到的负面内容，让自动化推送达到专家级别的研判水平 自动形成热点聚类，总结每日舆情要点 大模型 + 智能制造大模型 + 智能制造 过去几年，国内工业制造领域经历了智能制造与 AI 1.0 阶段的洗礼，不少企业已对AI应用有了相当程度的认知，并完成了部分场景的智能化升级。而 AI 大模型的出现，将会融入工业企业的研发设计、生产工艺、质量管理、运营控制、营销服务、组织协同和经营管理等方方面面，极大加速各领域的智能化升级进程。 典型场景分享 知识检索：更有效地将经验数据转化为可用的知识资产 专业性是工业制造的关键要求之一，而中国的工业知识和工业数据在很多企业都面临着因人才流转而遗失，难以转化为企业知识资产的难点和痛点，而大模型的出现可以更有效地解决这一问题，并通过企业知识库的训练微调，最大化提高准确率、避免幻觉问题。 设备维修SOP生成：提升故障处理的效率和准确性 制造业设备故障检测对于处理时效性、人员经验性有着极高的要求。而大模型可以通过对行业知识、企业知识的理解，并结合设备的历史数据、运行参数以及周围环境信息进行综合分析等，建立起一套完整的设备健康管理体系。以便工作人员能够迅速分析故障数据，精确识别问题根源，高效制定修复策略，提升故障处理的效率和准确性。 结合行业知识、企业知识等，工程师能够迅速分析故障数据，精确识别问题根源，高效制定修复策略，提升故障处理的效率和准确性。 大模型应用优势 通过历史维修记录分析，构建设备事件知识库，对比设备状态及事件属性，进行故障归因诊断，并推荐维修方案 利用大语言模型生成能力，将设备知识库及故障信息通过Prompt方式生成新的设备维修SOP 基于向量模型和知识库，对相关的知识和信息进行向量化存储，以便于后续的SOP推荐和生成 通过对FA记录的更新，重组Prompt 并运 用 大 模 型 进 行SOP的自迭代，不断完善其在实际工作中的适用性和有效性 大模型 + 医疗健康大模型 + 医疗健康 大模型与医疗行业有着天然的契合性。医疗领域存在大量模态种类丰富的数据，且呈现出多学科、跨领域的特点，而大模型的长项之一就是对多类数据进行整合总结、分析判断和自动摘要。而根据发布在《急诊医学年鉴》、BMJ等期刊的研究，医疗大模型在部分测试中比肩甚至超越了医生，在保证医疗服务准确率与公平性、提升医疗系统工作效率等方面展现出应用优势与价值。 典型场景分享 医生诊断助手：提高问诊效率，大幅释放就诊时间 在医生诊断助手的场景中，医生需要花费大量的时间和精力去分析各种检查结果，如血液检测、影像学检查等，而传统的临床文本分析通常依赖于规则引擎或浅层机器学习方法，对复杂的医学文本难以处理。大模型的加入使得医生可以直接将检测报告交给大模型进行解读，自身则更加聚焦于与患者的深度沟通，由大模型帮助医生更快速地做出诊断和制定治疗方案，提高诊断的效率和准确性，也提高了医疗服务的质量和效率。 传统辅助诊断痛点 大模型的业务价值 效果不佳：目前CDSS系统，数据少、标准化低，标注成本高，辅助诊断效果不佳，多为科普或参考。 高准确性判断：具备复杂病例识别能力，提供高准确性建议，降低误诊、漏诊风险。 诊断者差异：医疗资源分布不均，专业程度参差，存在漏诊误诊现象；多疾病交叉，存在经验不足、考虑不周全现象。 全面性分析：根据患者的病症和病史，预测每种可能疾病的概率，并将它们从高到低排序。给医生全面建议，避免遗漏。 医疗报告研究助手：释放更多精力，聚焦于数据的分析及应用 在医疗行业中，大模型正逐步成为医生和科研人员不可或缺的研究助手，尤其在处理和解析复杂的医疗报告方面展现出