提升生成式AI的價值，研發與應用相統一迫在眉睫

通信世界網消息（CWW）近年來，生成式AI發展如火如荼，從最初的“百模大戰”到近來的“百機大戰”，這兩種規模性的投入和發展，雖都有研發和應用之意，且研發是爲了商用，但是前者更側重於高水平的研發，後者則傾向於應用研發並儘快投入應用，其中不可避免地存在一些認知和操作上的矛盾。解決這些矛盾的過程，就是促進研發與應用統一的過程，這必將帶動人工智能水平的提升和智能產業的發展。

生成式AI在研發與應用上的矛盾

AI無疑擁有巨大的增長潛力和廣闊的應用前景。然而，對於AI大模型、行業模型、智能體的研發屬於科學、技術還是工程，業內存在不同的說法，同時在研發和應用方面存在若干矛盾和挑戰。

大模型研發擴張與應用放緩的矛盾

大模型的出現顛覆了人們的認知，不少公司將大模型研發當作投資重點，意圖搶佔行業制高點，但這些公司並不清楚大模型的規律，在研發過程中才逐漸感受到大模型對龐大算力、海量數據和算法的嚴苛要求。從宏觀層面看，“百模大戰”極有可能導致重複建設和資源浪費的問題。儘管通用大模型在營銷、辦公、客服、人力資源、基礎作業等領域已開始應用，但是各行業對AI成果的應用速度有所放緩，並且通用大模型已有成果更適合toC領域，面向產業轉化的情況較少。而投資界、科技界、社會大衆以及媒體都將目光聚焦在模型的功效上，以至有人呼籲不要只在模型研發上“內卷”，還要在應用研發上發力，沒有應用，大模型將一文不值。事實上，不能讓人們的注意力長期停留在對大模型的爭論中，要讓科技工作者關注AI的深入研發，讓更多企業投入到AI已有成果的應用中，以此推動人工智能的探索和發展。

通用大模型與行業大模型的對立

當前，AI逐漸從全面探索階段邁向規模試點和特定領域的智能生成階段，需要根據不同領域的需求定製AI解決方案。通用大模型和行業大模型都是生成式AI領域嶄新的探索方向，前者側重於廣泛領域和理論研發，後者大多是針對特定領域的應用研發。研發通用大模型所需的數據量大、算力損耗多，很難在短期內實現應用落地，因此不少公司轉向行業大模型研發，這是在探索和實踐過程中一種現實的選擇。

然而，圍繞大模型的深入研發和已有成果的儘快應用，在不同觀點的爭論中逐漸形成兩種較爲明顯的態度：一種是追求技術，主張走通用大模型之路，以擁有“更大更強的AI能力”；另一種則是希望將AI成果儘快應用於市場，走產業發展之路，也就是將“足夠的AI能力”快速變現於商業場景，利用市場龐大且獨特的數據構建競爭“壁壘”。這兩種觀點皆有其合理性，但都容易走向極端，行業應該倡導二者“相互理解、相互吸收”，將力量集中於符合我國實際情況的研發和應用方向上，以此推進“AI+”行動的落地。

開源模式與閉源模式的張力

大模型的開源和閉源是研發企業所選擇的不同模式。開源即開放軟件源代碼，允許任何人獲取並修改軟件的源代碼，藉助更大範圍的開發者、研究者和愛好者的協作，拓寬技術創新邊界，爲人工智能的發展注入活力。閉源則是軟件源代碼僅掌握在軟件編寫者或系統開發商手中，通過對核心技術和商業模式的保護，使企業能從技術成果中獲得經濟回報，在涉及敏感信息和高安全要求的領域，閉源形式尤爲重要‌。

大模型的這兩種模式反映了技術進步與社會價值、經濟效益、安全保障之間平衡關係的探索，而開源和閉源之爭，實際上是對這種平衡的不同選擇和追求。選擇開源的企業希望通過全球合作推動技術創新和應用發展；選擇閉源的企業則以保護自身技術和商業利益爲重點。例如，OpenAIo1模型在交互過程中默認隱藏了思維鏈，或許是不想讓其他開發者和用戶知曉模型思考的全過程。開源和閉源的矛盾，體現在商業模式和技術選擇方面，也反映出不同企業對未來發展的戰略考量。

黑石集團董事長蘇世民認爲，企業在大模型研發方面更具優勢，無論是從數據積累情況、算力投入規模，還是從研發本身所具備的技術和工程特性來看，相較於大學，企業在大模型研發上更易於取得突破。同時，通用大模型的研發爲行業模型、智能體以及各行各業的應用提供支持，並且在應用過程中，各行業豐富的場景、海量的數據、優勢的資源投入，又反過來進一步強化了通用大模型的研發，使科技研發和應用相輔相成，最終達成有機統一。

如何將AI研發與應用統一起來

AI的研發和應用是邏輯發展上的統一體，出現上述矛盾有其特殊背景和原因，需在深入發展進程中加以化解。

發展鏈路將研發與應用統一起來

自大模型誕生以來，生成式AI逐漸形成了一條獨特的發展脈絡，即“大模型—行業模型—智能體—機器人”的發展鏈路。在這個鏈路中，每個環節都有其相對獨立性，它們按照技術邏輯有序地發展。

一要重點發展幾家通用大模型，提高我國AI技術競爭力。

目前，行業對通用大模型尚無統一的定義，多數人理解的大模型包括大語言模型和多模態大模型。通用大模型在技術和理論層面展現出了強大能力，可爲各個領域賦能並帶去機遇，是重塑人類社會的重要因素。不過，通用大模型不僅所需的參數規模和算力規模都非常大，且在遇到數據瓶頸、算力瓶頸的情況下，不知還需要多長時間、多大投入，才能夠實現新的突破。按照Kimi創始人楊植麟的理解，OpenAIo1模型在天然數據不足的情況下，藉助較好的基礎模型展開強化學習，由此創造出很多非天然的數據，提升了模型的數據質量和計算效率，進而催生出更爲深入的思考和推理，實際上該模型創造了一種新的範式。

由此可見，深入研發通用大模型，意味着要持續迎接挑戰，向通用人工智能的目標邁進。因此，從事大模型研發的企業不必過多，而由於美國對我國實施AI技術限制，我國必須要自主研發出一些具備世界競爭力的通用大模型。人工智能專家吳軍認爲，“現在全世界成規模的大模型企業沒有幾家，美國大概有5~10家，歐洲基本上就法國有一家，每個國家都構建一個大模型是不現實的，這很耗費資金，我國應重點扶植不超過10家。”目前，我國的Baichuan3、智譜GLM-4、騰訊混元、通義千問2.1、文心一言4.0、華爲盤古、Kimi、豆包等大模型走在行業發展前列。除上述大模型做得好的公司外，我國互聯網大廠、相關大型企業擁有海量數據，且有實力解決算力問題，這也符合大模型研發的條件。

大模型具備通識和泛化能力，但由於在應用過程中存在數據隱私、算法偏見，以及數學和邏輯推理能力不足等問題，因此通用大模型難以滿足具體行業的特定需求、專業性能和經濟效率。而由於缺少細分度更高的產品，在公有云提供服務時會引發企業對私有數據、敏感數據安全性的擔憂，大模型的使用也需要通過傳統的磨合流程來實現產品與市場的契合。目前將通用大模型融入核心業務流程的案例較爲少見，相比之下，行業大模型更有利於發展專業能力和實現精準賦能。但也有專家指出，現在的產品在很大程度上是由模型能力決定的，要把產品和模型更緊密地結合起來進行思考。例如，在產品上實現某個功能，其背後需要對應模型能力的支撐。此外，有互聯網大廠的企業家強調，大模型賦能智能體的實踐意義更大，應用前景廣闊。

二要大力發展行業模型和業務模型，發揮我國產業齊全和技術應用的優勢。

行業模型是指“利用通用大模型技術，針對特定數據和任務進行訓練或優化，從而形成具備專用知識與能力的模型及應用。”國際上更多地使用垂直模型這一表述，在我國還有垂類模型、領域模型、專屬模型等稱謂。行業模型本質上是一種解決方案，從用戶更關注產品而非技術的這一實際情況出發，儘快將技術轉化成產品，纔有利於解決問題。行業大模型提供的不僅是產品和工具，還有定製服務與支持，這需要用戶參與共建。一方面，企業爲了提升自身競爭力、實現智能化轉型、滿足市場需求，期望將數據轉化爲核心驅動力，因此主動尋找最佳模型；另一方面，AI技術公司也在選擇對“以人工智能提升發展質量”有需求的特定行業、企業、產業開展合作。研發方和需求方結合，共同深耕“人工智能+行業/產業/企業”，利用行業專業數據或私有數據、特色應用場景等獨特資源，對模型進行定製調整和優化，能夠使其較快地投入應用，有針對性地解決問題，進而創造價值。行業模型和智能體是相互關聯且互補的，二者共同推動AI技術的產業化發展。

三要把智能體和機器人作爲智能發展的重點，培植和壯大智能產業。

智能體是具備智能的實體，它以云爲基礎，以AI爲核心，構建起一個立體感知、全域協同、精準判斷、持續進化且開放的智能系統。智能體包括智能行爲的物理實體和虛擬存在，例如物理形態的機器人和虛擬形態的數字人。智能體的能力遠超近年國內使用的Siri、小愛同學、天貓精靈等智能助手，可以幫助用戶處理更加複雜的任務。在大模型技術的加持下，智能體將具有自主性、感知性和行動能力，可在複雜環境中自主決策、學習進化，更接近人類智能的本質。隨着新型芯片技術的發展，無人汽車、無人機、機器人等顛覆性的智能體將不斷涌現，從而實現更高層次的智能化。這種應用驅動的AI研發，其目的在於使智能體成爲人類廣泛使用的商品，用戶也可根據使用環境和用途，按需定製形狀、大小及功能各異的智能體。

機器人是智能體中重要的一類，與傳統機器人相比，具身智能機器人有泛化性優勢。傳統工業機器人可解決固定搬運、固定點位焊接、噴塗等方式相對固定的問題，但在工序複雜的總裝過程中，工業機器人的表現卻不如人工安裝，而大模型賦能的智能機器人則可以解決此類問題。工業智能機器人的落地應用速度將快於家用機器人，預計在未來3~7年實現批量生產，家用機器人因任務複雜程度高，且對於任務完成的滿意程度標準各異，需要5~10年才能實現量產。

上述智能方式均需開展技術研發，也都有很高的應用價值，它們共同構成了人工智能的發展格局。研發爲應用打基礎，應用是研發的目的，在宏觀上體現了研發與應用的統一。

‌ 揚長避短將AI研發和應用統一起來

AI發展包含研發、應用等環節，不過並非每個企業都要按順序將各環節做一遍。在全球化、數智化、市場化的大背景下，只有揚長避短，才能在AI發展進程中實現相互成就與發展。目前，在人工智能的各個環節中，美國在研發方面處於領先地位，並帶動技術應用。美國去工業化後，其產業結構以金融和服務業爲主，而通用大模型的應用能夠直接覆蓋金融、財務、審計、研發、法律、醫療等領域。我國產業齊全、製造業發達，更適合AI快速應用於產業、行業和社會等各個層面，加之我國擁有互聯網應用、數字技術應用的豐富經驗，在通用大模型研發的帶動下，大模型已在金融、服務、文教、醫療、創作等領域廣泛落地。

當前，除了幾家推出通用大模型的企業應加大研發力度之外，還要發揮我國在技術應用方面的優勢，重點加強行業大模型、業務模型、智能體、機器人等不同方向的應用研究，使少數骨幹公司的大模型研發成爲賦能各項AI應用的“蓄水池”，使AI的各種應用直接服務於具體產業，讓它們既能承接通用大模型的技術賦能，又能結合行業、企業和社會應用的場景和需求，向智能產業、智能應用方向發展。同時，將豐富的應用場景等資源和問題反哺給大模型研發，形成通用大模型研發與AI應用“相輔相成、相互促進”的良性循環。

運用靈活方式將研發與應用統一起來

我國“百模大戰”中的企業大多是研發通用大模型的，在全球範圍內，我國研發的大模型數量位居前列，且有開源和閉源兩種模式。隨着AI技術邏輯的演進，行業對大模型的認識不斷深化，從能力、需求、成本、市場等多個角度進行考量，並不需要過多的公司都擠在大模型研發這座“獨木橋”上，此前一些致力於大模型研發的公司，可適當轉到AI應用“賽道”。

一種方式是，原本做通用模型研發的公司改做行業大模型。這些公司積累了紮實的知識基礎和豐富的交互體驗，知道如何承接大模型的技術賦能，進而做好行業模型。另一種方式是，基於通用開源大模型開展行業大模型研發。這種方式能夠針對模型結構、參數等按需調整，更好地適配用戶的個性化需求。市場上的金融、法律、教育、傳媒、文旅等行業模型，大多是在Llama、SD、GLM、Baichuan等國內外主流開源大模型的基礎上構建的。以上兩種方式都無需大量的算力和數據，可節省大量訓練時間和成本，也能放心地利用私有數據提升應用效果，減少數據安全方面的擔憂，使企業更好地從AI技術研發轉化到應用研究上來。

此外，企業還可以開發一種比行業模型更靈活性的領域模型或業務模型，這類模型更適合國內市場極爲豐富的業務場景，有助於促成生成式AI的規模化商用。領域模型更適用於超大規模的AI應用市場和多種服務模式。中國信息通信研究院數據顯示，2023年我國人工智能產業應用進程持續推進，核心產業規模達到5784億元，其中不少屬於行業大模型、領域模型以及AI工具的應用。例如，有一家公司開展AI視頻面試業務，2023年業績比上一年翻了一倍有餘；義烏一個女老闆運用前沿的AI視頻技術，化身語言達人，能夠熟練切換多國語言介紹自家生意。諸如此類的AI研發和應用案例，都值得推廣。

提升生成式AI發展質量和價值的建議

我國人工智能研發勢頭正旺，智能產業前景樂觀，AI應用有望迎來蓬勃發展。不過，從現階段的探索和實踐情況來看，行業需進一步夯實AI基礎建設、開展技術創新、拓寬商用渠道，統籌處理AI研發、產業化和應用之間的關係。

營造良好的政策和服務環境。我國已針對AI的標準、能力、倫理、創新、治理等方面，出臺了相關政策和法律，以確保技術發展與社會的價值觀和倫理標準相符，營造出擁抱AI發展的社會環境。政府部門、行業協會和市場監管部門對於剛起步的生成式AI研發和應用，應該秉持包容的態度，逐漸引導規範，使其走上健康發展的軌道。

AI技術產業化要爲產業的智能化開路。運營商、軟硬件設備提供商、互聯網企業是大模型應用的先行者，它們數字化程度高、數據積累豐富、技術接受能力強，將成爲大模型落地較早的領域。這些領域的大模型應用場景廣豐富，覆蓋了營銷、客服、內容生成等諸多環節，目前已有豐富和成熟的經驗，其帶動示範作用以及提供的大模型服務、工具、產品，正在傳導到製造等產業，促進企業從數字化向智能化轉型升級。隨着各種智能載體逐漸成熟落地，在改造、提升傳統產業的同時，企業將朝着產業智能化的方向快速發展。

打造堅實的AI技術底座。行業要着力建設算力中心，促進算力統籌協同。隨着性能和易用性的提升，國產算力將獲得AI公司和應用企業的青睞。要有效地積聚高質量數據，擴大數據交易，發揮數據的資源和要素作用。要以創新精神研發智能產業的不同載體，避免同質化問題，展現技術、產業和應用的特點和優勢，打造與衆不同的產品和服務，進而提升價值、規模推廣。

*本文刊載於《通信世界》

總第956期 2024年11月25日 第22期