大模型的創新，不僅僅需要單點的創新，更要圍繞AI-Native開展系統性地創新；不僅要在場景上廣泛探索，更要在技術上形成突圍。

重塑一切的理想主義AI

大模型已成為當下IT產業無可爭議的最大風口。

人工智能從概念提出至今已有半個多世紀，繼“深藍”和AlphaGo曇花一現之后，Transformer架構及ChatGPT的橫空出世，再一次點燃全世界的熱情，人工智能以更具象、接地氣的方式呈現，大模型和生成式AI也開始走入更多人的視野。

過去的一年來，從互動問答、語音對話到文生視頻，OpenAI屢次刷新熱度；Google、Meta入局推出開源大模型，圖謀一席之地；微軟將GPT4.0集成到辦公軟件中，成為生產力工具；華為和蘋果將手機語音助手接入大模型，加速端側智能化。

AI產業的拐點已經來到，大模型正在重塑一切辦公、生產和生活。

大模型火熱的背后，英偉達成為最大的受益方。隨著業界對AI算力的需求快速增長，GPU卡洛陽紙貴、一卡難求，其24/25Q1季報同比增長近4倍，達到260億美金。受持續提升的業績數據和不斷放大的市場需求支撐，2024年6月18日英偉達市值達到3.35萬億美金，連續超越微軟、蘋果，成為全球市值最大的公司。

一切都在向著人們期待的方向發展，甚至有人喊出了“第四次工業革命已來”。

盛名之下，其實難副

這波大模型浪潮并不如表面呈現的那樣光鮮亮麗，幾家歡喜幾家愁。

根據紅杉資本發布的報告，英偉達僅在2023年的芯片訂單就高達500億美元，賺得盆滿缽滿，而整個生成式AI企業的銷售收入才30億美元，多數企業距離盈利依然遙遙無期，甚至一些企業已經瀕臨破產的邊緣。

如果淘金者持續淘不到金子，賣鏟子的生意也終將不可持續。

不管是OpenAI、微軟還是谷歌，這些AI的先行者都還沒有找到穩定且持續的商業模式，更多的是為資本描繪了一副宏大的藍圖，以支撐市場的預期。

在國內，10億參數規模以上大模型數量已遠超100個。但還未形成成熟商業模式的大模型產業，已經開始卷起了價格，模型免費、Token降價、算力打折，多么熟悉的味道。在群雄混戰的早期通過低價圈定一波用戶和開發者無可厚非，適當的競爭有利于產業的良性發展，但無序的競爭將導致惡性循環，讓大模型產業陷入死亡螺旋。

2023年底，Gartner發布AI新興技術成熟度曲線，大模型和生成式AI正處在技術炒作周期的最高點，Gartner對生成式AI做出了極高的評價，認為它將AI的熱度推向了一個新高潮，但也表達了對繁榮之下所掩蓋的潛在風險的擔憂。

市場最終要回歸理性，只有真正為用戶創造價值才能實現商業閉環、有更長遠未來。

理想很豐滿，現實很骨感！大模型從趨勢到全面落地依然任重道遠。

化整為零，圍繞行業穿插作戰，實現戰略突圍

在這一波AI浪潮中，中國發展得怎么樣？當網絡上ChatGPT、Sora、英偉達的新聞鋪天蓋地襲來時，很多人不免產生焦慮：我們又落后了？

必須承認，我國在算力、算法和數據領域其實并不具備優勢：高端算力卡被英偉達卡脖子無法供應，短時間內自有制程和設計又無法跟上；算法領域，雖然模型數量眾多，但大多數是基于國外開源架構優化，缺乏自主性和領先性；數據領域，我們的開放數據和國外不在一個數量級上，中文語料嚴重不足。

AI的三要素，每一條都是致命傷！

但從另一個角度看，我國有全球唯一的全工業門類、最多的金融消費人群以及最大規模的政務和城市體系，產生了豐富的場景和私有數據，這些都成為發展行業大模型的天然土壤。于是，我們沒有走大兵團正面突擊的道路，而是化整為零圍繞行業穿插作戰，通過大模型賦能一個個行業細分場景，最終形成戰略突圍。

近兩年，在用戶和廠商的共同努力下，一些行業大模型已經開花結果。大模型已經逐步應用政務導辦、公文檢索、事件分撥等場景，幫助政府提升政務服務效率和城市管理效率；在礦山領域，大模型和云邊協同幫助礦山實現增安提效，加速產業集群智能化；在鐵路，基于視覺大模型的TFDS火車故障軌邊圖像檢測系統，實現不停車的實時圖像采集和分析，自動識別各種不同類型的鐵路貨車故障；基于大模型的氣象預測方案，計算速度相比傳統HPC的數值計算提升一萬倍，更精準預測臺風路徑。

還有醫藥、制造、鋼鐵、金融等更多行業的場景在持續落地，我們正在走一條和國外不一樣的務實之路，不跟風不冒進，沿著清晰的目標和節奏逐個打磨場景，這種涓涓細流，終將匯聚成智能化的汪洋大海。

行業大模型加速落地建議

行業大模型建設，知易行難。

政企業務場景復雜多樣，很難用通用大模型去應對。此時我們應該意識到，卷參數量、卷Token數、卷集群規模、卷價格都毫無意義，行業大模型落地更需要關注工程化的問題。

一、軟硬協同發展

除了模型本身外，大模型還涉及開發平臺、開發框架、計算架構以及各類工具，以及多樣性算力、高性能存儲和高帶寬網絡等硬件基礎設施。在分層解耦架構的基礎上，需要從性能、可靠性、可維護性以及兼容性等方面，進行端到端的集成設計和驗證。比如軟硬件全鏈路可視化運維、算網協同的低時延大帶寬網絡、基于親和性的算子加速等，確保系統不僅跑得好，更要跑得穩。

二、采用AI-Native的云基礎設施

AI-Native的云基礎設施正成為越來越多企業的優先選擇。基于公有云訓練基礎大模型，在本地私有云中結合私有數據通過二次訓練和微調，這種混合云方案兼顧效率與安全，已成為大模型建設的新范式，同時云邊協同的架構還可以有效簡化海量邊緣的管理，應對工業場景海量邊緣接入的需求。它相比非云的部署模式，還能提供對通用算力和AI算力的統一調度，并基于其豐富技術棧覆蓋數據、模型和應用開發全流程，降低開發門檻。

三、建立AI開發工作流，促進模型確定性交付

大模型是一個系統工程，其交付過程涉及數據管理、模型開發環境、模型訓練、推理部署的全流程數十個環節，傳統的開發機制很難解決跨團隊協作和迭代開發的難題。要降低模型開發過程的不確定性，需要建立一站式AI開發工作流，幫助企業快速構建跨團隊協同開發、高效迭代的機制，同時通過標準化、自動化的流程提高模型的交付效率與交付質量。

四、重視數據工程，打造優質數據集

模型性能是由數據質量和算法設計共同決定的，當前AI訓練數據缺乏系統化的治理工具，甚至部分工作需要人為處理，存在集成、清洗和標注效率低，以及價值觀的問題。打造高質量的AI大模型，必須構筑核心的數據工程能力，為大模型高質量供數。一方面可以借助開放的數據授權運營平臺，獲取高質量的數據；另一方面，針對內部數據需要引入自動化和智能化的手段，構建數據清洗、標注和質量評估體系；同時通過數據質量分析、成分分析、場景配比和智能配比能力，建立數據配比到模型效果的反饋優化機制，基于應用效果反饋持續調優，實現價值觀對齊。

五、建立賦能機制，繁榮產業生態

生態是發展大模型不可或缺的一環。需要從技術生態、數據生態、模型生態和應用生態四個層面，去構建AI時代開放、可閉環、有質量的生態體系。這個過程中，政府和行業頭部企業的作用不可忽視，可以帶頭建立如聯創實驗室、模型和應用商城、需求對接會、創新大賽等，并通過資金贊助、人才培養、政策扶持等多方面的牽引，通過行政手段打造中立的區域性賦能平臺；行業頭部企業在開展自身業務創新的同時，也可以通過技術、數據、模型和應用賦能行業和產業鏈上下游，從單企智能化走向行業智能化。

六、開展持續運營

大模型落地面臨缺經驗、缺人才、缺能力的挑戰，大多數企業都是邊實踐、邊總結。需要將這些經驗和能力固化下來，逐步形成覆蓋了大模型落地的全流程的工程能力，包括前期的頂層設計、POC測試、規劃實施，中期構建優質數據集、開展場景分析和模型開發，以及后期的運維運營等。大模型運營和建設同樣重要，缺少運營機制，大模型平臺很難持續發揮價值。因此，需要打造適合企業的流程、組織和人才隊伍，持續開展技術、生態、用戶運營，不會斷優化老場景、發掘新場景，最終實現全面智能化。

欲木之長者，必固其根本

大模型創新，歸根結底是技術之爭，根深才能葉茂。

大模型的創新，不僅僅需要單點的創新，更要圍繞AI-Native開展系統性地創新，不僅要在場景上廣泛探索，更要在技術上形成突圍。

近年來，國內涌現了一批代表性的科技企業，如寒武紀、地平線、壁仞科技、訊飛、摩爾線程、華為、阿里、百度等，他們堅持投入人工智能創新，推動AI產業升級。

2023年，百度 “文心一言”、阿里 “通義千問”和訊飛 “星火”陸續推出，華為也發布盤古大模型3.0，提出“AI for industries”的理念，并基于華為云Stack推出了業界首個大模型混合云。近期HDC2024上，華為云盤古大模型5.0升級亮相，打造全系列、多模態和強思維能力，進一步詮釋“解難題、做難事”的愿景，同時發布大模型混合云十大創新技術，通過AI-Native的系統性創新，加速企業專屬大模型落地。

創新者往往孤獨，但注定不凡。

不僅需要沉下心，更要有“板凳要坐十年冷”的戰略耐性。

我們終將迎來AI的黃金時代。