企业给大模型买单，孰“轻”孰“重”？

方跃　吕星航

2023年2月24日，第五届“全球财富管理论坛”现场，与会者探讨ChatGPT和人工智能等话题。图/IC

过去几个月，人工智能（简称AI），尤其是生成式人工智能（简称AIGC）的发展令人叹为观止，展示了前所未有的学习能力。可以预见，这波AI技术浪潮将不可避免地给所有行业带来结构性变革，有望重塑人类工作、生活和生产方式，拓展和释放人类的生产力和创造力，并为社会经济增长开辟新的机会。

一边是科技巨头们相继发布大模型战略，另一边是外界历经了几个月的新鲜感和兴奋度正在逐渐褪去，担忧、疲劳和焦虑的情绪正在快速蔓延，对AI技术认知的不足以及技术在现阶段落地应用的挑战和局限性也开始突显。

焦虑不能解决任何问题，过度等待可能会丧失机会，盲目冒进将面临风险。企业需要保持清醒头脑，以积极的心态拥抱这场变革。企业高管们首先要对人工智能的发展现状有正确且较为全面的了解，认真评估新技术带来的影响并思考自身的应对策略。新技术将会在哪些方面助力或破坏所在行业和企业原有的价值链？这项新技术如何颠覆人们的工作和生产方式？它将对管理和创新产生什么本质影响？企业又应如何建立有效的组织和文化充分发挥它所能带来的价值以应对未来的竞争？

图1：2021年6月GPT3之后的大型语言模型（LLM）

*仅显示参数大于10亿、以英文为主要训练的LLM*近期OpenAi的CEO Sam Altman也表示将GPT-3纳入开源计划：将源代码、训练数据、模型权重、论文总结、架构和训练细节包括基础设施以及评估结果等信息免费公开资料来源：作者根据公开信息整理 制图：张玲

并非所有企业都需自建大模型

2022年11月，位于美国旧金山的OpenAI公司发布了基于大语言模型（Large Language Model）的对话聊天机器人ChatGPT （Generative Pre-Training Transformer），瞬间引起了全球前所未有的广泛关注和热情。今年3月，OpenAI推出支持多模态输入的GPT-4，再次验证OpenAI的假设，即在大规模数据语料库上训练的模型能力会呈现出非线性增长，这种能力的“涌现”打开了通向AIGC的大门。

大语言模型是这次通用人工智能（简称AGI）技术浪潮的推动力，也是让人工智能走向产业化和规模化的基础。自2021年6月GPT-3诞生至今，美国公司发布已有不下20个参数在10亿以上的大语言模型，其中包括OpenAI、谷歌及其收购的DeepMind、微软和Meta等。在已发布的大模型中有相当一部分是开源的（此处开源意味着免费开放的源代码、训练数据、模型权重、论文总结、架构和训练细节包括基础设施以及评估结果）。

虽然几家科技巨头蹚出了通往AIGC的道路，但开发大模型是一个复杂的工程，有相当高的门槛。大模型的开发涉及大模型算法、高质量数据集和强大算力。以GPT-3為例：模型拥有 1750 亿个参数；训练数据集包括45TB的文本数据（相当于2.25亿小型平装书）；算力方面，据英伟达此前透露，如用8张v100显卡，预计需36年训练时间训练GPT-3，如用1024张80GBA100显卡则可将训练时间缩短至1个月；2020年微软的开发者大会上公布了独家为OpenAI构建的一台排名世界前五的超级计算机，专门用来训练超大规模的AI模型。

大模型一旦商用，从运营层面来说，运营成本将会极其高昂。特别是当大模型被访问次数相对较高时，算力将有可能成为瓶颈，会几十至上百倍增加，芯片成本也许会高达数十亿美元。即便有微软加持的OpenAI，在运行其最新参数预计达到百万亿的GPT-4时，仍感到算力不足。

除了高昂的开发和运营成本外，大模型的开发者还需同时承担“管理员”的角色，培养大模型的“价值观”和“责任感”。虽然核心技术已有突破，同任何新技术一样，AI仍有局限性和风险。以GPT-4为例，OpenAI提示其局限性和风险包括：无法区分事实和虚构，以及其所显现出的强大能力可能导致的安全问题与伦理偏见。因大部分大语言模型的训练数据集未开源，透明度也是个问题。

更为重要的是，人类尚未完全理解AI的“涌现”能力是如何出现的，算法的自身迭代在未来也会呈现多种可能性。同以往很多技术相似，AI技术的合规风控、伦理及监管也滞后于技术的发展，这也给企业开发和应用新的技术带来不确定性。

到今年5月底，中国10亿参数规模以上的大模型已发布近80个。对有能力开发大模型的企业，大模型并非是一个另起炉灶、一拥而上的新业务，应是对已有业务方向的延伸和突破。我们也相信未来将会有更多新的开源模型出现，企业可以利用现有的开源模型基于结合自身业务进行延展及创新。

以国内最早发布大语言模型的百度为例，一方面，将大语言模型“文心一言”与主流业务相整合，成为业务生态的重要组成部分，引领如搜索引擎等代际变革；另一方面，百度也作为技术平台对外赋能，负责云计算业务的百度集团副总裁侯震宇在调研中表示，百度智能云为客户提供智能算力、自研深度学习框架以及丰富的大模型体系，为企业部署和开发各类 AI 应用、服务以及大模型提供一站式端到端支持。但有一个前提条件——用户企业必须在信息化和数字化方面有一定基础，打通“数据孤岛”，同时有能够支持在公有云上企业应用部署的自己的技术团队。

这么多大模型上场，争夺能为它买单的客户，尤其是大企业客户对科技公司来说会显得非常重要。利用开源模型加之强大的算力和大量数据并不足以保证科技公司在大模型的“竞赛”中领先，创新才是关键，而创新力涉及诸多因素，是企业长期坚持和培养的结果。

对绝大多数企业来讲，不具备也完全没有必要开发自己的大模型，出现过多的企业来蹭大模型的热度也将不利于AI行业的健康发展。

图2：AI的局限性与潜在风险

资料来源：作者根据公开信息整理

图3：打造专业垂直领域的大模型可参考的具体步骤

* 需要注意的是，虽然AI模型可以帮助处理大量的数据和复杂的问题，但它们并不能完全替代人类的判断。因此，模型的结果应作为决策的一部分，而不是唯一的依据。资料来源：作者根据公开信息整理

多数企业应把重点放在应用落地上

除了极少数企业可考虑打造自有大模型外，多数企业应将重点放在技术应用上。这类企业可从重新梳理核心业务开始，研究AI对现有工作和生产方式，以及行业和价值链的影响，让企业更高效运作，并探索新的机会和成长点。

AI，特别是AIGC的潜力不仅在于提高生产力和简化运营，还将通过改变管理者的工作和组织运营的方式，对创新提供积极帮助。以下是一些具体的例子：

任务自动化和创造性：将AI融入到公司的核心流程中，不仅可以将更多基本的、重复性的管理任务自动化，还可以完成过去只有人类员工才能完成的“创造性”工作，人类员工可以更加专注在更需要专业知识和情感智慧等能力的工作上；

管理决策：AI可以通过创建复杂的业务模型，实时分析海量数据，从新的思维和视角，提供超越人类能力范畴之外的洞察和见解，帮助管理者考虑到更多的可能性，从而做出更好的决策。以绩效管理为例，AI可通过分析多个KPIs之间的竞争和互补相互依赖关系，使企业能够更有效地将KPIs转化为竞争优势的来源；

重新定义客户体验：AI可以帮助提供更个性化的客户体验，助力公司更好地与客户沟通，提升客户满意度。例如，京东科技副总裁任成元在调研中表示，京东言犀语言大模型的智能客户服务可结合日常消费过程中用户产生的大规模偏好和行为数据，针对用户生产千人千面的个性化营销内容和精准化推荐服务，借助于AI技术在更短的时间内创作出更有趣、更丰富和个性化的内容，从而为用户带来更好的体验，也为品牌商带来更加高效的转化。

创造新的商业机会：这是一项强大的技术，人机交互将会发生根本性变化，也会颠覆许多现有的业务。同时，它让企业者重新思考当下业务，推动场景应用创新，并创造出以AI为中心的全新产品和服务。

重实践，重探索，找到创新增长点

以AIGC为代表的AI技術进步正在改变世界，但企业并未做好准备，很多企业高管认知不足且多具偏差，大量企业尚不清楚应如何抓住难得的历史机遇打造AI竞争力。随着大模型的使用门槛不断降低，AI将成为越来越多的企业战略的重要组成部分。企业在制定AI战略时，需要注意什么？

企业在制定AI战略时必须明确一点：技术本身不创造价值，是为客户创造价值的工具，为客户持续创造价值依旧是企业的终极目标。企业的AI战略不应只简单考虑如何用新技术替代现有技术，而应基于客户的痛点和需求，重新梳理并简化业务流程，仔细研究AI在端到端运营的各个环节中能够如何提升运营效率和客户体验，推动组织优化、运营和管理模式的重塑。

同以往任何变革一样，企业只有通过不断探索和实践，才有可能找到AI带来的机遇和创新增长点。有条件的企业，可将重点放在利用大模型开发自己垂直领域的应用算法上；没有自研大模型条件的中小企业，策略应是快速有效地利用大型企业提供的技术，找到适合自身的方案，为企业找到新的生存和增长空间。

目前各大科技公司已经开始为中小企业提供可用的大模型服务。我们和腾讯交流了解到，目前腾讯混元AI大模型，已经覆盖自然语言处理、计算机视觉、多模态等基础模型和众多行业、领域模型，广泛应用于腾讯微信搜索、腾讯广告等业务场景，提升搜索体验和广告推荐的精准度。在腾讯云上，企业，尤其是中小企业可结合自身产业场景数据，并基于腾讯云的TI平台大模型能力和工具箱，进行精调训练，提升生产效率，快速创建和部署AI应用。

人机协同是未来发展的重要趋势。对此，微软（中国）公司首席技术官韦青也表示，今年3月微软在发布M365时将其称为Copilot，而非Autopilot，这充分显示了微软“以人为本，机器为辅”的理念。要想让新技术的价值得到充分的发挥，企业需重视人机协同和赋能员工，而非为了节约成本，简单粗暴地利用AI技术替代员工。好的产品和服务仍需要人类员工定义问题和制定解决方案，并驾驭复杂的组织的有效运营和进化。AI的迭代发展也需要人类的持续参与，与机器密切交互能够使AI不断纠正自己的错误，推动“人-机”合作和共同“成长”。

新技术的采纳和现有技术的融合对企业将会是一个挑战，关键是建立人和算法之间的信任。有效的AI系统的搭建包括以下重要要素：高质量的私域数据、适应行业和能解决企业业务问题的模型算法以及训练和应用模型的复合型人才（既懂业务又了解技术，有微调和提示工程能力的将在短期内成为稀缺人才）。新技术的使用需要技能建设，企业需要通过培训，帮助员工理解如何使用这些AI工具，以及可能面临的挑战和风险。

对企业，此轮AI都将是不可错失的机遇。对企业高管来讲，面临的挑战不只是不确定性，更重要的是认知能力和如何打破原有思维模式的束缚。AI技术本身的迭代发展与其规模化的落地应用会并肩前行，加之技术的复杂性，特别是机器与人有着不同的“思维方式”，使得我们对于AI未来的发展趋势很难做出准确判断。唯有以积极的心态，不断学习和实践，才有可能在竞争中形成可持续和具有战略意义的AI优势。

监管的平衡艺术 

AI不仅颠覆商业模式，也在挑战社会范式。为了了解全球各国对于AI发展的态度，2021年至2022年，市场研究公司Ipsos进行了涉及28个国家的近两万人的调查问卷，当被问道：“AI的产品和服务是为人类带来更多的好处，还是更多的危害”时，78%的中国受访者持积极态度，在所有被调研的国家之中名列第一，远高于多数发达国家（美国比例仅占35%）。

上述调研结果发布于2022年1月，在没有新的数据之前，我们无法判断AIGC近期的发展对上述百分比的影响，但可以预测，人们对于AI的态度很有可能会呈现两极分化的趋势。

此时政府的作用非常重要。政府的核心任务是让监管尽量跟上技术的快速发展，最大程度发挥AI的价值并将负面影响降至最低。

由于AI可能引起的“三高”，即高风险、高复杂性和高不确定性，监管必将以不断迭代、应对技术快速变化的动态方式出现。就我国的情况看，在加强监管的同时，政府还有很多重要角色，包括：助力市场并推动算力基础设施建设；鼓励AIGC以及后继可能出现的AGI技术并推动AI创新场景应用；保持公平竞争，避免两极分化寡头垄断的出现；在监管规范和鼓励创新应用之间找到合理的动态平衡。

（本文作者方跃为中欧国际工商学院经济学与决策科学教授，吕星航为中欧国际工商学院助理研究员；编辑：谢丽容）