大模型热的冷思考

美国时间 11 月 6 日，OpenAI 开发者大会正式开启，OpenAI 再次带给业界惊喜：ChatGPT 的能力大幅提升，包括 128K 的上下文长度、更强的控制能力、模型的知识升级、多模态能力、模型微调定制和更高速率的限制等六大方面。并且，在升级能力的同时，整体降低了产品的综合使用成本，再次掀起 AI 大模型技术革新浪潮。

ChatGPT 发布至今仅一年时间，人工智能领域出现了越来越多基于大型神经网络的自然语言处理模型，国内也诞生了超百个大模型产品，如百度的文心一言、华为的盘古、百川智能的百川、智源研究院的悟道等。这些模型具有巨大的参数数量和显著的语言理解能力，已经应用于各种企业和产品中。目前的大模型可以帮助企业解决什么问题？如何理性看待大模型在企业的落地？

01

大模型助力企业智能决策与运营

从模型能力上看，企业可以使用大模型解决各种问题。比如处理大量数据，提供更精确的预测和决策支持，从而提高企业的运营效率和决策质量；完成如自然语言处理、图像识别等更加复杂的任务，协助企业开发出更多创新应用，完善用户体验；实现自动化和智能化，减少人工干预，降低运营成本；发现新的商业模式和收入来源，推动企业持续发展......

基于数智化建设的大背景，大模型可以从数智化管理、数据驱动决策、数字营销、智能办公、智能生产、轻量化开发等方向重塑业务流程。比如下面这些场景。

一是智能客服。用于构建虚拟助手和聊天机器人，提供 24/7 的客户支持，回答常见问题，解决问题并提供建议。

二是合同分析。帮助企业自动识别和提取合同中的重要信息，降低法律风险，提高效率。

三是简历筛查。根据招聘要求自动提取简历关键信息并进行筛查，帮助大幅提升招聘效率。

四是市场研究。结合企业经营数据，分析市场数据、社交媒体趋势和消费者反馈，帮助企业制定市场战略。同时，通过分析用户的在线行为数据，识别趋势和模式，改进企业产品和服务。

五是预测分析。用于预测销售趋势、库存需求和客户需求，帮助企业做出更明智的决策，识别潜在风险因素并制定管理策略。

当然，大模型并不限于以上这些应用方向，当前大模型的阶段性成果给企业智能化运营管理的建设思路带来了深远改变。

02

选择大模型产品的六大考量

不同的大模型产品针对不同的任务和用途，具有不同的特点。企业级应用的大模型落地还存在很多问题，需要反复论证才能选择合适的大模型产品。企业在选择大模型产品时需要考虑以下六个方面。

一是数据需求。大模型通常需要大量的数据进行训练和调整，以确保高质量的性能。企业要收集和管理大规模的行业或领域的数据集，需要投入大量的时间和资源。此外，数据隐私和合规性问题也可能成为障碍，因为企业需要确保数据的安全性和合规性。

二是计算资源。大模型需要海量的计算资源进行训练和推理，包括高性能的 GPU 和 TPU。在原生化部署中，企业需要投资于构建和维护强大的基础设施，这可能需要巨大的资金和技术支持。巨大的硬件成本也会成为企业决策的阻力。

三是技术能力。成功部署大模型需要专业知识和技术专长。企业要有数据科学家、机器学习工程师和人工智能专家，以保证模型的有效开发、部署和维护。当然，也可以选择与专业的企业大模型厂商合作共建，合作中做到分工明确。

四是模型性能。大模型的容量和复杂性可能导致出现私有化环境中的性能问题，如延迟和资源消耗。企业需要花费时间优化模型，以确保其在特定硬件和网络环境下良好运行。

五是安全和隐私。大模型应用需要更高水平的数据安全作为保障，以确保数据不被未经授权的访问和模型不受攻击，脱离系统数据权限的管理模型，能否守住数据安全底线，需要额外的安全措施和监控。

六是贴合业务。大模型落地需要考虑如何贴合企业的业务需求。不同行业、不同业务领域的企业存在不同的业务需求和流程特点，大模型只有适应企业的特点和文化，才能够更好地落地。因此，企业在选择大模型时，需要考虑与自身业务的匹配度，以及其可扩展性和可定制性。

03

企业服务大模型脱颖而出

综合以上问题，通用语言大模型在企业落地环节存在诸多困难，相比其他类型的大模型产品，企业服务大模型更加专注于企业管理场景、业务领域知识、企业数据安全等方面的训练，更加可靠地帮助企业利用大模型多领域、多行业关联的专业能力，使得企业服务由流程驱动转变为基于大模型调度的语义驱动。目前比较成熟的企业服务大模型应用场景有以下几个方面。

一是智能运营决策。企业服务大模型具备强大的数据分析和预测能力，能够深入分析企业运营数据，识别潜在的业务风险和机会，并提供智能化解决方案，从而优化业务流程，提高运营效率，实现企业的可持续发展。

比如在企业经营分析场景下，企业服务大模型可以根据当前的经营数据分析经营状况，帮助客户找到影响因素，并且根据当前的经营数据帮助客户预测本年的目标达成情况。

二是场景化的知识生成。企业服务大模型通过从海量数据和信息中提取、整合知识，生成新的、有价值的知识内容，涵盖了行业解决方案、专业领域知识分享、企业的数据积累，涌现创新性的想法和见解，便于企业和用户全面利用自身储备的知识，促进知识的传播和应用。

以面向员工自动生成的工作摘要场景为例。企业服务大模型可以根据员工一天的工作信息，以及工作群组的对话信息，为员工整理未读会话的简报以及工作简报，让员工在繁忙的工作中不会漏掉重要的工作信息。

三是更加智能的人机交互。企业服务大模型不仅具备强大的自然语言处理能力，可与用户进行自然流畅的对话交流，还大大提升了语义理解、多轮对话、逻辑推理等方面的能力，企业服务大模型对企业和行业以及领域更加了解，融入人机交互的场景能够极大地提升用户体验的满意度。

比如，在企业智能助手的应用场景下，智能交互机器人可以与员工进行友好的沟通，对话机器人也会结合企业服务大模型知识库，以及企业专有知识库为员工提供友好的交互式服务，极大地降低企业的沟通成本，整体提升了员工体验感与工作效率。

以用友的企业服务大模型 YonGPT 为例，结合 35 年服务企业客户积累的行业知识经验，YonGPT 覆盖财务、人力资源和包括营销、研发、采购、制造、供应链、项目、资产营运等业务的多个企业生产经营与运营管理领域，是具有多领域综合智慧的企业服务大模型，更加契合了企业应用场景下基于数智技术实现业务与业务、业务与财务、业务与管理融合创新的时代需求。

04

企业应用大模型需深度结合业务，做好数据基础工作

企业应用大模型必须经过深思熟虑，尽管大模型在各个领域都有巨大的潜力，但企业应该明智地选择项目。企业要结合自身业务需求和发展战略，选择适合的大模型进行研发和落地。企业需要考虑数据隐私、法律问题和法规合规性，以减少伦理问题带来的潜在风险。此外，企业应该建立强大的数据科学团队或者选择专业的合作伙伴，提高数据的质量和多样性，为大模型的研发和落地提供更强大的支持。

企业需要牢记，大模型只是一个工具，它的成功与否取决于是否有效集成到业务流程中。大模型要真正发挥潜力，需要不断学习、改进和适应，以确保可持续性的应用。因此，在大模型热潮中，冷静思考和明智决策将有助于企业实现长期的商业目标，创造出真正的价值。