巨大模型烫下的凉思考：企业落地AI，通用还是专属？

巨大模型这东西， 这两年火得有点不像话，朋友圈里不是哪家公司发布了巨大模型，就是哪个行业要用AI沉构流程。但烫闹归烫闹， 真实正把AI用明白的企业，优良像也没那么许多——要么是买了通用巨大模型，后来啊答非所问，还不如人造效率高大；要么是想着自研专属模型，后来啊算力本钱砸进去几百万，模型训出来还是个“半成品”。说到底，巨大模型时代，AI应用落地到底该怎么玩？是跟风买“万金油”，还是咬牙搞“私人定制”？这事儿得优良优良聊聊。

通用巨大模型 vs 专属巨大模型：一场“性价比”的博弈

眼下市面上巨大模型基本分两类：一种是买卖化通用巨大语言模型， 像行业里的“百科全书”，啥都能聊，啥都能答，但不优良的地方也明显——不够精。比如你问看病问题，它兴许给你科普个感冒发烧，但真实让辅助诊断，它连血常规指标都看不明白。另一种是领域专属巨大模型， 专攻一个行业，比如看病、教书、金融，质量确实高大，相当于请了个“行业专家”，但价钱和门槛也跟着上来了动辄几百万的定制费，还得配专门的团队维护。

解锁AI应用落地的全新范式，一文带你了解大模型时代下的新玩法

去年8月25号在北京那场线下活动上， 白鲸手艺栈和百道数据搞的“巨大模型时代企业怎么沉构AI应用落地范式”，几个嘉宾聊得挺实在。百道数据的徐秀峰就说：“企业用通用模型， 就像拿扳手拧螺丝，能用，但费劲；用专属模型，像用电动螺丝刀，迅速、准，但得先买工具。”这话糙理不糙，但问题来了——不是全部企业都买得起“电动螺丝刀”，特别是中细小企业。

企业自研巨大模型：五个坑，你踩过几个？

要是真实想搞专属巨大模型，企业得先过五关：数据、流程、性能、启动、迭代。每一关都是坑，不信你听我说。

数据关，第一个就困难。很许多企业以为把自家数据丢进去就行，后来啊找到数据里全是脏东西——格式不统一、标注错误、再来一次数据一堆。有个做零售的企业，想搞智能客服，把三年内的聊天记录导出来后来啊找到30%的对话都是“在吗？”“在的”，这种数据训模型，能训出个啥？还得花几个月时候清洗标注，钱没少许花，时候也没少许等。

流程关更头疼。老一套企业做项目习惯了“瀑布式开发”，先需求调研，再设计开发，再说说测试上线，一套流程走完半年过去了。巨大模型不一样，它需要飞迅速迭代——昨天训的模型，今天新鲜数据一来兴许就不准了。白海手艺的卢亿雷在会上就说：“很许多企业拿做柔软件工事的思路搞巨大模型， 相当于用马车时代的赶车方式开高大铁，根本跟不上。”

性能和本钱，直接劝退一批。GPU眼下许多昂贵？租云服务，一块A100显卡一细小时十几块，训个中等规模模型没个几十万下不来。自己买服务器？又怕闲置，毕竟巨大模型不是天天训。百道数据给客户算过一笔账：某企业自己买服务器搞巨大模型， 算力利用率不到40%，一年闲置本钱就够租三年云服务了。

再说说是启动和迭代。从0到1训个模型，少许说三个月，等模型上线，风口兴许都过去了。有个教书公司， 2023年想着用巨大模型做智能题库，磨磨蹭蹭半年才上线，后来啊市面上已经有三家竞品用AI题库抢走了50%用户。你说冤不冤？

破局者：IDP LM平台， 让专属巨大模型没那么“高大凉”

当然也不是没有解决办法。白海手艺搞的IDP LM平台，就是想把这些个坑填了。轻巧松说 它把数据标注、预处理、预训练、评估全流程串起来了企业不用自己搭团队，也不用懂深厚度学，丢数据进去，就能训出专属模型。

他们给一家看病企业做的案例挺有意思。2023年10月，那家三甲医院想做智能问诊模型，自己搞了三个月，准确率才60%。用了IDP LM之后 数据清洗时候缩短暂一半，还内置了RLHF训练，三个月后准确率提到了85%，眼下医生问诊时AI能直接推荐检查项目，开方子的时候少许了40%。

更关键的是本钱。老一套方式搞专属模型，光研发团队就得十几个人，一年工钱几百万。用IDP LM，企业不用招人，按需付费，再说说算下来本钱直接降了30%左右。这对中细小企业简直是“雪中送炭”。

Google的AIGC工具：跨境电商的“新鲜生产力”

除了专属巨大模型， 通用模型也不是不能用，关键是找对场景。Google的AIGC平台就挺有意思， 里面有优良几个工具，Stable Diffusion是其中一个，专门搞图像生成的。

跨境电商最头疼的就是商品图，请摄影师拍昂贵，用模板图没新鲜意。Stable Diffusion不一样，你给它个产品说说它就能生成图片，还能控制轮廓、表情、细节。有个深厚圳做3C产品的跨境电商， 2024年初开头用这玩意儿工具，商品详情图从“找设计师-拍图-修图”的三天流程，缩短暂到“写提示词-生成图片”的半细小时本钱降了70%。

更绝的是 它还能生成同一产品不同角度的图，比如手机，正面、侧面、背面甚至带用场景的，都能一次搞定。这玩意儿公司用了三个月，转化率提升了18%，基本上原因是图片质量上去了客户停留时候长远了。他们自己说这工具比请三个设计师还管用。

AI Agent的三种模式：别让AI“越权”干活

巨大模型不止能做问答、 生成内容，还能当“Agent”，也就是智能代理。但Agent不是万能的，眼下行业里分三种模式，各有各的坑。

最轻巧松的是AI Embedded，就是给现有工具加个AI插件。比如CRM系统里加个智能推荐，客户问“哪个产品适合我”，AI直接从库里拉数据推荐。这种轻巧松，但值钱有限，说白了就是“锦上添花”，不是“雪中送炭”。

接下来是AI Copilot，像副驾驶，辅助人干活。设计师用AI画草图，AI给几个方案，设计师改改就行；程序员用AI写代码，AI搭个框架，程序员填细节。这种眼下用得许多，基本上原因是不用彻头彻尾依赖AI，人能掌控全局。有个上海的设计干活室， 2024年用AI Copilot做方案，效率提升了50%，基本上原因是AI能飞迅速出初稿，设计师不用从零开头了。

最“激进”的是AI Agent，全自动，自己拿主意。比如物流公司用AI调度货车，AI自己规划路线、分配司机。但坑也许多，有个郑州的物流公司2023年底试过AI把货车调度到单行道，后来啊堵了两细小时亏本了十几万。眼下他们学乖了AI只负责推荐，到头来决策还得人造来。

开源巨大模型：别被“免费”忽悠了

眼下很许多人吹开源巨大模型， 说免费、可控，但实际用起来坑一点不少许。国内2024年7月的数据看得出来 120许多家发布巨大模型的企业里80%都是基于Transformer架构改的，真实正能拿出自己核心手艺的没几个。

开源模型的第一个坑是适配本钱。你以为下了代码就能用？天真实。你得把自家数据格式改成开源模型需要的，还得调参数，这玩意儿过程没个两三个月搞不定。有个做电商搜索的公司，用了开源模型，光适配数据就花了四个月，再说说效果还不如直接用API划算。

第二个坑是维护本钱。开源模型不更新鲜了bug没人修，出了平安问题，责任算谁的？昆仑万维开源天工3.0的时候， 有人说“这下企业能免费用了”，后来啊用的人找到，模型里的敏感数据没处理优良，差点泄露，再说说又花巨大价钱请团队来补漏洞。

巨大模型的“涌现能力”：别神话，也别细小看

ChatGPT4为啥火？基本上原因是它有“涌现能力”，就是本来没教它，它自己就会了。比如翻译， ChatGPT3能翻100许多种语言，ChatGPT4号称能翻全部语言；数学能力，外挂了数学模型后连微积分都会了；还有思维链，给它一道麻烦题，它能拆成细小步骤一步步算。

但这些个能力也不是万能的。有个做外贸的企业， 用ChatGPT4翻译合同，后来啊把“不可抗力”翻成“force majeure”，虽然没错，但在有些国王法里“不可抗力”范围比“force majeure”细小，再说说打官司输了才明白AI翻译得再优良，也得结合当地王法语境。

更关键的是涌现能力需要一巨大堆数据训练，中细小企业根本玩不起。OpenAI训ChatGPT4用了几许多数据？没人晓得，但一准儿不是一般企业能承受的。所以说别迷信巨大模型的“涌现能力”，适合自己的才是最优良的。

以后已来：巨大模型落地， 场景比参数关键

巨大模型时代，企业到底该怎么落地AI？其实答案很轻巧松：别卷参数，别卷开源，卷场景。找自己行业里最痛的点，用巨大模型解决它，比啥都有力。

比如看病行业， 最痛的是医生不够用、问诊效率矮小，那就搞智能问诊模型；教书行业最痛的是个性化辅导困难，那就搞AI题库+自习惯学；跨境电商最痛的是获客本钱高大，那就用AI生成商品图、写营销文案。

百道数据的徐秀峰在会上说得对：“巨大模型不是颠覆一切的‘原子弹’， 它是工具，像以前的电、互联网，能搞优良效率，但改变不了行业的本质。”企业与其追着风口跑，不如踏踏实实找个场景，把AI用透，说不定比啥都有力。

巨大模型这波浪潮， 和20年前的互联网很像，巨大家都觉得是机会，但真实正能抓住的，永远是那些个想明白“自己要啥”的人。与其纠结“通用还是专属”，不如先问自己：“我用AI，到底想解决啥问题？”想清楚了答案天然就有了。