大模型的创新，不仅仅需要单点的创新，更要围绕AI-Native开展系统性地创新；不仅要在场景上广泛探索，更要在技术上形成突围。
重塑一切的理想主义AI
大模型已成为当下IT产业无可争议的最大风口。
人工智能从概念提出至今已有半个多世纪，继“深蓝”和AlphaGo昙花一现之后，Transformer架构及ChatGPT的横空出世，再一次点燃全世界的热情，人工智能以更具象、接地气的方式呈现，大模型和生成式AI也开始走入更多人的视野。
过去的一年来，从互动问答、语音对话到文生视频，OpenAI屡次刷新热度；Google、Meta入局推出开源大模型，图谋一席之地；微软将GPT4.0集成到办公软件中，成为生产力工具；华为和苹果将手机语音助手接入大模型，加速端侧智能化。
AI产业的拐点已经来到，大模型正在重塑一切办公、生产和生活。
大模型火热的背后，英伟达成为最大的受益方。随着业界对AI算力的需求快速增长，GPU卡洛阳纸贵、一卡难求，其24/25Q1季报同比增长近4倍，达到260亿美金。受持续提升的业绩数据和不断放大的市场需求支撑，2024年6月18日英伟达市值达到3.35万亿美金，连续超越微软、苹果，成为全球市值最大的公司。
一切都在向着人们期待的方向发展，甚至有人喊出了“第四次工业革命已来”。
盛名之下，其实难副
这波大模型浪潮并不如表面呈现的那样光鲜亮丽，几家欢喜几家愁。
根据红杉资本发布的报告，英伟达仅在2023年的芯片订单就高达500亿美元，赚得盆满钵满，而整个生成式AI企业的销售收入才30亿美元，多数企业距离盈利依然遥遥无期，甚至一些企业已经濒临破产的边缘。
如果淘金者持续淘不到金子，卖铲子的生意也终将不可持续。
不管是OpenAI、微软还是谷歌，这些AI的先行者都还没有找到稳定且持续的商业模式，更多的是为资本描绘了一副宏大的蓝图，以支撑市场的预期。
在国内，10亿参数规模以上大模型数量已远超100个。但还未形成成熟商业模式的大模型产业，已经开始卷起了价格，模型免费、Token降价、算力打折，多么熟悉的味道。在群雄混战的早期通过低价圈定一波用户和开发者无可厚非，适当的竞争有利于产业的良性发展，但无序的竞争将导致恶性循环，让大模型产业陷入死亡螺旋。
2023年底，Gartner发布AI新兴技术成熟度曲线，大模型和生成式AI正处在技术炒作周期的最高点，Gartner对生成式AI做出了极高的评价，认为它将AI的热度推向了一个新高潮，但也表达了对繁荣之下所掩盖的潜在风险的担忧。
市场最终要回归理性，只有真正为用户创造价值才能实现商业闭环、有更长远未来。
理想很丰满，现实很骨感！大模型从趋势到全面落地依然任重道远。
化整为零，围绕行业穿插作战，实现战略突围
在这一波AI浪潮中，中国发展得怎么样？当网络上ChatGPT、Sora、英伟达的新闻铺天盖地袭来时，很多人不免产生焦虑：我们又落后了？
必须承认，我国在算力、算法和数据领域其实并不具备优势：高端算力卡被英伟达卡脖子无法供应，短时间内自有制程和设计又无法跟上；算法领域，虽然模型数量众多，但大多数是基于国外开源架构优化，缺乏自主性和领先性；数据领域，我们的开放数据和国外不在一个数量级上，中文语料严重不足。
AI的三要素，每一条都是致命伤！
但从另一个角度看，我国有全球唯一的全工业门类、最多的金融消费人群以及最大规模的政务和城市体系，产生了丰富的场景和私有数据，这些都成为发展行业大模型的天然土壤。于是，我们没有走大兵团正面突击的道路，而是化整为零围绕行业穿插作战，通过大模型赋能一个个行业细分场景，最终形成战略突围。
近两年，在用户和厂商的共同努力下，一些行业大模型已经开花结果。大模型已经逐步应用政务导办、公文检索、事件分拨等场景，帮助政府提升政务服务效率和城市管理效率；在矿山领域，大模型和云边协同帮助矿山实现增安提效，加速产业集群智能化；在铁路，基于视觉大模型的TFDS火车故障轨边图像检测系统，实现不停车的实时图像采集和分析，自动识别各种不同类型的铁路货车故障；基于大模型的气象预测方案，计算速度相比传统HPC的数值计算提升一万倍，更精准预测台风路径。
还有医药、制造、钢铁、金融等更多行业的场景在持续落地，我们正在走一条和国外不一样的务实之路，不跟风不冒进，沿着清晰的目标和节奏逐个打磨场景，这种涓涓细流，终将汇聚成智能化的汪洋大海。
行业大模型加速落地建议
行业大模型建设，知易行难。
政企业务场景复杂多样，很难用通用大模型去应对。此时我们应该意识到，卷参数量、卷Token数、卷集群规模、卷价格都毫无意义，行业大模型落地更需要关注工程化的问题。
一、软硬协同发展
除了模型本身外，大模型还涉及开发平台、开发框架、计算架构以及各类工具，以及多样性算力、高性能存储和高带宽网络等硬件基础设施。在分层解耦架构的基础上，需要从性能、可靠性、可维护性以及兼容性等方面，进行端到端的集成设计和验证。比如软硬件全链路可视化运维、算网协同的低时延大带宽网络、基于亲和性的算子加速等，确保系统不仅跑得好，更要跑得稳。
二、采用AI-Native的云基础设施
AI-Native的云基础设施正成为越来越多企业的优先选择。基于公有云训练基础大模型，在本地私有云中结合私有数据通过二次训练和微调，这种混合云方案兼顾效率与安全，已成为大模型建设的新范式，同时云边协同的架构还可以有效简化海量边缘的管理，应对工业场景海量边缘接入的需求。它相比非云的部署模式，还能提供对通用算力和AI算力的统一调度，并基于其丰富技术栈覆盖数据、模型和应用开发全流程，降低开发门槛。
三、建立AI开发工作流，促进模型确定性交付
大模型是一个系统工程，其交付过程涉及数据管理、模型开发环境、模型训练、推理部署的全流程数十个环节，传统的开发机制很难解决跨团队协作和迭代开发的难题。要降低模型开发过程的不确定性，需要建立一站式AI开发工作流，帮助企业快速构建跨团队协同开发、高效迭代的机制，同时通过标准化、自动化的流程提高模型的交付效率与交付质量。
四、重视数据工程，打造优质数据集
模型性能是由数据质量和算法设计共同决定的，当前AI训练数据缺乏系统化的治理工具，甚至部分工作需要人为处理，存在集成、清洗和标注效率低，以及价值观的问题。打造高质量的AI大模型，必须构筑核心的数据工程能力，为大模型高质量供数。一方面可以借助开放的数据授权运营平台，获取高质量的数据；另一方面，针对内部数据需要引入自动化和智能化的手段，构建数据清洗、标注和质量评估体系；同时通过数据质量分析、成分分析、场景配比和智能配比能力，建立数据配比到模型效果的反馈优化机制，基于应用效果反馈持续调优，实现价值观对齐。
五、建立赋能机制，繁荣产业生态
生态是发展大模型不可或缺的一环。需要从技术生态、数据生态、模型生态和应用生态四个层面，去构建AI时代开放、可闭环、有质量的生态体系。这个过程中，政府和行业头部企业的作用不可忽视，可以带头建立如联创实验室、模型和应用商城、需求对接会、创新大赛等，并通过资金赞助、人才培养、政策扶持等多方面的牵引，通过行政手段打造中立的区域性赋能平台；行业头部企业在开展自身业务创新的同时，也可以通过技术、数据、模型和应用赋能行业和产业链上下游，从单企智能化走向行业智能化。
六、开展持续运营
大模型落地面临缺经验、缺人才、缺能力的挑战，大多数企业都是边实践、边总结。需要将这些经验和能力固化下来，逐步形成覆盖了大模型落地的全流程的工程能力，包括前期的顶层设计、POC测试、规划实施，中期构建优质数据集、开展场景分析和模型开发，以及后期的运维运营等。大模型运营和建设同样重要，缺少运营机制，大模型平台很难持续发挥价值。因此，需要打造适合企业的流程、组织和人才队伍，持续开展技术、生态、用户运营，不会断优化老场景、发掘新场景，最终实现全面智能化。
欲木之长者，必固其根本
大模型创新，归根结底是技术之争，根深才能叶茂。
大模型的创新，不仅仅需要单点的创新，更要围绕AI-Native开展系统性地创新，不仅要在场景上广泛探索，更要在技术上形成突围。
近年来，国内涌现了一批代表性的科技企业，如寒武纪、地平线、壁仞科技、讯飞、摩尔线程、华为、阿里、百度等，他们坚持投入人工智能创新，推动AI产业升级。
2023年，百度 “文心一言”、阿里 “通义千问”和讯飞 “星火”陆续推出，华为也发布盘古大模型3.0，提出“AI for industries”的理念，并基于华为云Stack推出了业界首个大模型混合云。近期HDC2024上，华为云盘古大模型5.0升级亮相，打造全系列、多模态和强思维能力，进一步诠释“解难题、做难事”的愿景，同时发布大模型混合云十大创新技术，通过AI-Native的系统性创新，加速企业专属大模型落地。
创新者往往孤独，但注定不凡。
不仅需要沉下心，更要有“板凳要坐十年冷”的战略耐性。
我们终将迎来AI的黄金时代。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
