就目前來看，大模型落地金融、能源行業先行，智能客服等生成類應用大于決策類應用，落地價值不及預期。然而隨著行業定制化、模型輕量級化和數據安全化等技術的發展，AI大模型的落地應用將迎來更加廣闊的發展空間。

　　作者|斗斗

　　出品|產業家

　　距離ChatGPT爆發的那一天，已經過去8個月了。

　　8個月的時間，中國諸多大模型拔地而起，以飛快的速度，不斷向各個行業場景滲透。但就目前為止，并未出現真正被大模型顛覆的場景或行業。

　　統計數據顯示，在大模型落地應用中，45%的企業處于觀望階段、39%的企業處于探索可研階段、16%的企業處于試點應用階段，而全面應用的企業為零。

　　一個值得被看見的問題是，如今在中國的土壤里，大模型的落地進展究竟如何?

　　一、大模型落地，金融、能源先行

　　“請幫我查一下我今年8月份的用電量，以及哪天用電最多?”“幫我檢測一下這張圖片有什么缺陷”……在南方人工智能創新平臺上，通過語言交互，一項項數據清晰的被展現在眼前。

　　在這個平臺上，電力行業工作人員可以向電力大模型發布指令，讓其自動生成數據處理結果，準確識別缺陷場景的圖像細節，幫助工作人員檢索處理電力巡檢過程中的數據。

　　目前，在南方電網客戶服務領域，60%的高頻問題都可通過電力大模型解決，在識別客戶情緒波動方面，電力大模型的效果甚至優于人工。

　　此外，在輸配電領域，電力大模型已具備每分鐘處理100張問題圖片的能力，還能同時識別20類缺陷，識別效率是傳統AI算法的10倍。

　　而在電力調度領域，電力大模型能夠協助調度部門針對電網異常情況快速自動化生成處置預案，及時響應電力市場調節要求，使預案更加安全、高效，成本更低。

　　這是大模型在能源領域落地的一個縮影。

　　據了解，部分能源頭部廠商已經開啟了與科技公司在大模型應用方面的合作，尤其在電網與礦山領域，形成了一些初步試點示范，如電網調度、缺陷/故障查詢、煤礦作業監測等場景。

　　除了能源領域，金融領域也是目前大模型最大落地場景之一。

　　一份來自愛分析的報告中，也將能源、銀行列為了大模型落地進展最快的兩大行業。

　　在金融領域的落地之廣，從大模型的數量和企業動態也可見一斑。一組數據顯示，截止8月，國內參數在10億規模以上的大模型數量高達116個，其中金融行業大模型約18個。

　　此外，在半年報中，工商銀行、農業銀行、中國銀行、交通銀行、招商銀行、中信銀行、興業銀行、華夏銀行、浙商銀行等9家銀行明確提出在探索大模型的應用。

　　在大模型廠商側，一些密集的行業模型發布也反映出金融場景落地的火熱程度。

　　例如5月下旬，度小滿發布了千億級中文大模型「軒轅」;6月份，騰訊云攜手神州信息開展金融大模型的合作，中國農業銀行推出類ChatGPT的大模型應用ChatABC，中國工商銀行發布了基于昇騰AI的金融行業通用模型。

　　7-8月，隨著《生成式人工智能服務管理暫行辦法》正式實施，包括騰訊、百度、科大訊飛、華為、字節跳動等多家公司，又相繼釋放了最新的大模型進展;9月，螞蟻集團也正式發布了金融大模型，并開源生成式AI編程平臺CodeFuse。

　　金融領域，無疑是大模型落地的最多場景之一。

　　無論是能源領域還是金融領域，之所以能夠實現大模型的領先落地，都源于這兩個行業的一些共性。

　　首先，能源和銀行業都是高度數據化的行業，具有較好的數據基礎和數字化環境，這為大模型的訓練和應用提供了有利條件。

　　其次，兩大行業均有大量的數據處理和決策需求，而大模型的機器學習和深度學習技術可以幫助行業解決這些難題，提高決策效率和準確度。

　　再有，能源和銀行業的業務模式相對比較成熟，具有較高的商業價值，因此這些行業對大模型技術的需求也比較大，從而推動了大模型的落地應用。

　　可見，能源和銀行兩大行業在大模型落地進展中相對較快，主要是由于其數據基礎好、技術需求大、商業價值高等多方面因素的綜合作用。

　　值得注意的是，即使在金融、能源這兩個落地場景中，大模型仍有一些目前難以跨越的難題。

　　二、達不到預期的場景價值

　　在金融行業，營銷、風控、運營三個方向是諸多銀行關注較多的大模型應用方向。

　　其中，智能問答助手、智能客服、營銷圖片自動生成、貸后報告撰寫是當下銀行等金融機構積極布局的細分場景。但就目前而言，生成類場景如智能問答助手、智能客服、營銷圖片自動生成等場景價值與預期相差無幾，但在如沉睡客戶喚醒、數字營業廳這類決策、原生類應用場景，大模型落地的預期和實際效果仍有差距。

　　例如在智能客服場景，過去智能陪練題庫少，缺少針對性。如今基于大模型生產個性化題庫，可以縮短培訓周期上;在營銷圖片自動生成場景，過去設計師在素材庫中選取并設計，如今可以利用Midjourney自動生成，可以降低版權成本和人力成本。

　　而在沉睡客戶喚醒和數字營業廳場景價值預期中，前者利用大模型自動生成策略，可實現端到端的策略改善喚醒效果;后者大模型支持的數字人幫助客戶辦理業務、推薦產品完成交易，可實現獨立于APP之外的新渠道。

　　然而，就目前來看，這兩個場景的實際應用價值都尚未可知。

　　能源行業的大模型落地應用亦相似之處。

　　在能源行業，設備運檢知識助手、智能客服等生成類應用，場景價值與預期相差無幾。但在如檢修文檔、設備故障維修、電力負荷預測等場景，場景實際價值仍未可知。

　　具體來看，在設備運檢知識助手場景，過去是基于NLP技術構建結構化知識庫，在大模型的加持下，可利用大模型構建運檢助手，改善效率;在智能客服場景，過去是基于Bert模型的智能客服，如今利用大模型改善智能客服的用戶體驗，可實現意圖理解更準確、語言更擬人化，用戶體驗得到改善。

　　檢修文檔生成、設備故障維修、電力負荷預測場景中，大模型落地可帶來的價值分別是，快速自動生成文檔實現效率提升;大模型快速定位故障原因，提供檢修建議和方案;納入更多影響因素實時預測負荷，提高預測準確率。

　　然而，就目前來看，這些場景中大模型帶來的價值都尚未可知，仍需時間不斷探索�？梢园l現無論是金融行業還是能源行業，生成類場景落地速度快，應用較多，決策類場景落地速度較慢且難度較大，應用較少。

　　三、“生成場景>決策場景”：難轉化的生產力

　　就目前而言，大模型的落地仍處于試點應用階段，并非全面上線。

　　正如上文所言，金融行業的智能問答、智能客服、數字營業廳、貸后報告生成、沉睡客戶喚醒、金融產品推薦等AI大模型應用已經逐漸落地;能源行業的智能客服、設備運檢知識助手、檢修文檔生成、電力系統仿真平臺、電力負荷預測等已經試點應用。

　　然而，消費品零售、證劵、媒體還處于探索階段，此外制造業、藥企還處于觀望階段。

　　由此可見，大模型落地雖廣度上較為樂觀，但深度上卻較為艱難。

　　大模型落地的深度取決于其能力、規模、計算資源、數據質量、領域知識等。然而，對于當下的國內大模型而言，處于發展初期，很多設施和能力還在逐步完善。

　　受限于模型能力、應用效果等因素，當前落地應用以生成場景為主。

　　與決策大模型不同，生成式大模型主要應用于文本生成、對話系統、語言翻譯等領域，通過分析大量文本數據，學習文本的生成規律和內在語義關系，從而能夠生成高質量的文本輸出。生成式大模型的代表模型包括OpenAI的GPT系列和百度文心一言等。

　　而決策大模型主要應用于推薦系統、強化學習等領域，需要處理的數據通常包含連續的數值變量，而且需要做出決策或預測未來的行為。決策大模型的代表模型包括DeepMind的AlphaZero系列和OpenAI的Dota2 AI等。

　　相比決策大模型，生成式大模型首先在在文本生成和對話系統中，數據可以通過大量的文本語料庫進行收集和整理，而在推薦系統和強化學習中，數據通常需要人工設計和構造，相對較為復雜。

　　其次文本生成和對話系統等領域的研究已經比較成熟，有許多現成的算法和框架可以使用，而推薦系統和強化學習等領域則需要更多的探索和研究。

　　再有文本生成和對話系統等領域的應用場景非常廣泛，如搜索引擎、聊天機器人、自動寫作等，而推薦系統和強化學習等領域則主要應用于電商、廣告、游戲等領域。

　　一個事實是，雖然生成類場景應用較廣，但預測類決策場景是未來高價值場景。無論是大模型供應商，還是企業，想要基于大模型能力實現業務價值的提升，后者才是發力的方向。

　　四、行業場景中，再看AI大模型

　　大模型落地首先需要選擇合適的領域和場景。該領域場景有著較強的數字化能力和數字化基礎。

　　例如，在智能客服領域，可以考慮將大模型應用于FAQ問答系統和聊天機器人等場景;在廣告推薦領域，可以將其應用于電商平臺的個性化推薦等場景;在輿情監測領域，可以將其應用于新聞媒體的內容分類和情感分析等場景。

　　其次要具備較高的模型能力、應用效果等。而從當前企業用戶落地大模型的主要路徑來看，集團企業重點是大模型能力建設，一般企業/部門重點是應用場景探索。大模型能力建設分成三個層面：基礎設施建設、大模型訓練和大模型應用，當前以基礎設施建設和大模型訓練為主，大模型應用較少。

　　值得注意的是，目前大模型應用方向主要分為兩種，一是小模型為主，大模型提升小模型的開發效率;二是大模型與小模型級聯，小模型連接應用，大模型增強小模型能力。

　　而這種落地路徑使得模型能力受限。

　　想要推動大模型落地深度，大模型供應商、企業需要在能力、合作模式上不斷探索。

　　一些深化大模型落地的路徑逐漸清晰。

　　未來，隨著大模型技術的不斷發展和普及，模型級聯的應用將會越來越廣泛。

　　例如，可以將多個大模型進行組合和級聯，實現更復雜、更精準的語音識別、圖像識別、自然語言處理等應用場景。同時，也可以將大模型和小模型進行級聯，充分發揮各自的優勢，提高模型的性能和泛化能力。

　　基于此，擴展大模型落地的應用深度，加速各領域決策類場景應用落地。

　　其次，不同行業有著不同的特定需求，未來大模型需要朝著更加定制化的方向發展。通過對行業特定語料庫的訓練，大模型可以更好地適應不同行業的實際應用場景。

　　其次，為了更好地滿足實際應用中的效率和資源需求，大模型需要朝著更加輕量級化的方向發展。通過模型壓縮和剪枝等技術，可以在保證模型性能的同時，降低模型的大小和計算資源消耗。

　　此外，隨著數據隱私保護問題的日益突出，大模型需要更加注重數據的安全性和隱私保護。

　　模型的定制化、輕量化、數據安全化成為其落地的重要因素。

　　中國AI大模型的落地應用在智能客服、廣告推薦、輿情監測等領域取得了一系列的成果。然而，在落地過程中也面臨著諸多困局。未來，隨著行業定制化、模型輕量級化和數據安全化等技術的發展，AI大模型的落地應用將迎來更加廣闊的發展空間。