什么是大模型時代的“前店后廠”?

　　文|周享玥

　　浪潮云，再次上新了AI落地解法集。

　　繼今年3月浪潮云發布分布式智能云戰略，并提出大模型(智能體)落地三部曲(3M)后，在最近的第八屆數字中國建設峰會期間，浪潮云舉辦“有云處皆智能”2025數智賦能創新發展主題會議，提出“前店后廠”新模式，作為3M去進行落地的支撐系統。

　　浪潮云總經理顏亮介紹，“前店后廠”新模式，核心是要解決智能體訓練及推理數據高效、安全落地的問題。

　　其中，海若大模型智能體驗中心作為“前店”，近距離在用戶所在地，解決場景匹配與微調問題，構建智能技術與實際需求無縫對接的高效平臺;海若大模型工廠作為“后廠”，以流水線模式，支持大模型快速迭代與持續優化。前店、后廠相互配合，共同加速大模型和智能體落地。

　　01

　　從“三要素”到“四要素”，大模型落地仍有三大難題

　　今年以來，隨著DeepSeek帶來大模型技術的普惠和平權，大模型是能驅動數據這個“新石油”的“引擎”，已經成為共識，大家都在以更大熱情投身其中，利用這一引擎，去打造屬于自己的車、船、飛機，尋求價值突破。

　　今年第八屆數字中國建設峰會上，來自全國各地的超400家單位，無一例外，都在不遺余力地展示著各自在智能體、高質量數據集打造、可信數據服務等具體的大模型應用落地層面的進展和突破。

　　隨著更大規模的應用探索狂潮的快速興起和不斷演進，一些變化也在悄然發生。

　　“人工智能落地到了今天這個階段，‘場景’這個要素必須重視。”在“有云處皆智能”2025數智賦能創新發展主題會議上，浪潮云總經理顏亮提到，場景已成為繼算力、算法、數據之后發展智能技術的第四核心要素。

　　過去，大家更多從大模型的技術發展角度出發，認為人工智能具有三大關鍵要素，即算力、算法、數據。但這三大要素，實際都屬于支撐要素。一項技術，要想真正大規模落地到實際中去產生價值，還需要拉力要素。

　　目前，業界普遍認為，場景正是具備這樣功能的第四大核心要素，也是AI走向產業化、模型落地組織用戶的過程中，決定成敗的第一要素。

　　不過，場景仍有不少門檻需要邁過。“2024年，大家已經做了一年的大模型落地嘗試，結果發現，場景價值的體現是很困難的，‘玩具’做出來不難，但要把它打造成一輛能在高速上跑的車，很困難。”顏亮說。

　　根據浪潮云過去幾年的實踐，場景之外，大模型落地“最后一公里”上目前仍存在著三方面的核心問題：

　　第一，人工智能價值預期理想化。“大家在聊天場景中感覺效果不錯，但這是個很通用的能力，當模型真正場景化落地時，大家對它的預期可能過高。”顏亮說。

　　這一點也得到了業界認可。多位服務商告訴數智前線，過去兩年，他們都遇到過用戶對大模型預期過高的情況，需要引導客戶找到整個價值鏈上最痛、最有價值的點。今年，DeepSeek的出現，使得嘗鮮門檻大幅降低，大家對于大模型能做什么，有了初步認識，但真正要深入應用，仍需進行更深層次的認知碰撞和價值引導。

　　第二，數據基礎設施不成熟。數據被作為一項生產力要素，建設的周期還較短，仍存在“找不到、供不出、流不動、用不好、風險大”等多重困境。更何況，大模型要應用到行業里，需要的是數據經過煉化后形成的知識。

　　“數據就好比原油，怎么快速把原油煉化成大模型能用的‘汽油、柴油等成品油’，是決定這一輪人工智能誰能勝出的一個關鍵能力。”顏亮告訴數智前線。這也是為什么，今年數字中國建設峰會上，可信數據空間成為一大重點議題的原因所在。

　　第三，組織挑戰預估不充分。“很多人還沒意識到組織結構將是一個核心挑戰。”顏亮表示，這輪AI的一大特點是更具角色扮演的能力，當智能體在組織中扮演了一個崗位角色時，將對現有組織體系形成挑戰，它的職責邊界是什么?和周圍人的關系是什么?誰來管理?犯錯誤怎么辦?生命周期是什么?都是需要重新考慮的問題。

　　02

　　大模型落地三部曲

　　面對組織用戶在邁向智能化落地“最后一公里”過程中的種種問題，業界不少廠商都在探索各自的解決之道。

　　浪潮云也不例外，今年3月，浪潮云首次對外公布了自己根據過去幾年的落地經驗，總結探索出的一套方法論——人工智能落地三部曲(簡稱為“3M”)。

　　第一部曲，即場景匹配。這要求企業和服務商要首先找準高價值場景，更有利于精準突破，提升落地效率。

　　比如浪潮云打造的12345政務服務熱線智能體，最開始同時入手了智能客服、智能坐席、智能處置、智能分析四大場景智能體的建設。但最先實現破局的是“智能坐席智能體”，原先一個坐席一天能處理平均80個工單，在智能體幫助下，截至今年2月，一個坐席能處理的工單數已經達到160個，效率直接翻番。這個點被激活后，其他幾個智能體的應用也被加速，相繼用到了實際業務中。

　　“不同場景、不同的組織用戶，數據的Ready程度不夠，要通過‘試駕’的方式，快速找到能夠激活業務落地的起點，減少試錯成本，小步快跑，實現從價值感知到業務轉化。”顏亮說。目前他們已形成一套支撐和參照體系，幫助用戶去選取場景匹配度最高的智能體進行嘗試。

　　第二部曲，則是數據匹配。數據匹配是智能體落地的中軸工程，是智能體從通用走向專屬的關鍵，也是最難的。

　　提到數據，常見的誤區是“我的數據很多，或者數據質量很高”，但脫離場景談數據數量和質量，沒有太大價值，只有明確場景需求，才能激活數據價值。

　　另外，算法與數據的匹配同樣關鍵，算法是技術壁壘，需要有服務商將場景、數據、算法三者耦合，才能真正實現數據匹配。尤其隨著AI從預訓練轉向后訓練，這種匹配將愈發重要。

　　為此，各家企業都在圍繞內部和外部數據構建對應的能力。浪潮云也在通過數據工程和可信數據空間實現數據可信供給及煉化。

　　第三部曲，即組織匹配。這輪AI的一大特點是更具角色扮演的能力，組織匹配將涉及到流程、組織體系的變更，包括對數字員工的管理。

　　為此，浪潮云打造了專門的“智能中樞+數智員工”體系，并提出五步法：智能體轉化成數字員工時，要明確其崗位職責;嵌入智能中樞;部署數智員工;參與流程環節;接入管理體系。目前，該體系已在上海虹口、濟南等其他幾個示范城市落地。

　　03

　　為什么推出“前店后廠”模式?

　　三部曲(3M)方法論已經贏得不少組織用戶的認可。但具體到落地過程，還是得有一套實打實的支撐系統。

　　為此，在提出大模型落地三部曲僅一個月后，浪潮云又專門提出了“前店后廠”模式，來對前者形成有力支撐。

　　“前店后廠”并非新概念，它是一種常見的產銷一體化經營模式，在制造業、零售業、手工業領域都有過應用，20世紀后期，曾被廣泛用于描述珠三角與港澳地區的經濟合作。2013年，AWS進入中國時，也選擇了這種模式，將北京作為“前店”、寧夏作為“后廠”，來為中國各個地區的客戶提供云服務。

　　簡單來說，這種模式就是將銷售、市場、應用開發等放在靠近大城市的“前店”，生產、計算和服務等在能源、資源集聚的“后廠”，形成更加高效協同的產業鏈條。

　　不難看出，浪潮云在此時提出大模型時代的“前店后廠”模式，也是為了形成推進大模型和智能體地落地的高效系統和鏈條，并借此滿足組織用戶在安全方面的高需求。

　　其中，海若大模型智能體驗中心作為“前店”，提供包含Showcase(展示體驗)、Solution(個性化配置)、Service(全棧服務)、Security(安全保障)在內的“4S”服務。

　　一方面，這些體驗中心里，沉淀了浪潮云已經打磨完成的100多款成熟的智能體產品，涉及政務、應急、農業等多個領域，可提供給不同領域的組織用戶以“試駕”服務，幫助他們精準鎖定高價值場景。

　　另一方面，這些體驗中心將被放置在浪潮云的全國120多個云中心，基于分布式智能云的架構，用戶將能通過本地化部署、專屬云以及可運營私有云等多種方式，實現靈活算力支持的同時，確保數據不出域。

　　“目前，海若大模型智能體驗中心首批已落地濟南、上海、北京等六大城市，今年的目標是年底前落地超100個城市，近距離在用戶所在地解決場景匹配與微調問題，構建起智能技術與實際需求無縫對接的高效平臺。”顏亮說。

　　“前店”之外，“后廠”的打造同樣重要，包括模型升級、智能體分裝等后訓練的工作，都需要在后廠去完成。

　　目前，大模型發展仍在早期，更新迭代頻繁，隨著技術的不斷升級，對應的行業或企業大模型以及智能體也需要進行更新升級。尤其在金融、醫療等知識更新非常快的行業，垂類模型和場景智能體的更新將更為頻繁。

　　“比如醫療領域，對于某種病怎么治，我們去訓了個模型，半年后，一旦出了新藥或新的治療方案，這個模型就得改。金融也一樣，一旦原來的制度規定更新了，對應的模型和智能體也要做知識調整和更新。”一位行業人士告訴數智前線。

　　顏亮則認為，大模型訓練和智能體的訓練，都會流水線化，以此來解決快速改倉問題。

　　一般情況下，知識庫的更新，類似給模型“打補丁”，不需要改動模型本身，在“前店”就可以解決。

　　而“改倉”，是直接升級模型的“大腦”，比如修改訓練數據、調整模型結構等，這種改動不是簡單的“換皮膚”，而是動“筋骨”。如果按“小作坊式”路線，每次改倉都要重新實驗、調試，不僅成本極高且影響效率，而且很可能因為本地算力和技術不夠，造成模型認知問題，需要一個中央“模型工廠”，以流水線模式，集中處理，降低成本，提升效率。

　　為此，在浪潮云的“前店后廠”模式中，海若大模型工廠將作為“后廠”，依托語料中心、訓練中心、評測中心、集成中心這四大中心，實現大模型訓練和智能體訓練流水線，全面支持大模型快速迭代與持續優化，并通過定制化訓練與后續培訓推動智能工廠向全產業鏈延伸。

　　大模型工廠還兼顧了數據安全問題，在調倉和改倉過程中，如果有不能用用戶原始數據的，脫敏即可，數據脫敏不方便的，模型工廠里也建設有專區，來滿足用戶需求。