三年内，80%的企业都将用上AI!

最近，分析公司Gartner发布报告称，预计在2026年，超过80%的企业将使用生成式AI应用程序接口（API）或部署支持生成式AI的应用程序。

当下只有不到5%的企业将生成式AI运用在生产环境中，而在短短三年内，采用或创造生成式AI模型的企业数量预计将增长16倍。

基础模型将迈入技术成熟度曲线上的“顶峰阶段”，图源Gartner

AI正在成为一个绕不开的关键词。在最近举行的2023上海国际消费电子技术展（Tech G）上，多位专家、学者都提到了如何利用AI实现企业智能数字化。

企业没有结合“智能”，必然会被淘汰?大模型时代，中小企业有什么入场机会?我们离规模化应用还有多远?“头号AI玩家”整理归总了大会上几位嘉宾、学者的重要观点，供各位玩家参考。

“AI布局上，不是所有的企业都要学百度、学科大讯飞”

@复旦大学管理学院信息管理与商业智能系教授 卢向华

过去五六年，各个企业都在发力数字化，而现在是企业数字化之后积累数据，更好地实现智能化的过程。智能化即更好地通过模型主动预测、主动防范、主动行为、敏捷响应、自动应对。而这些关键词完全跟AIGC相吻合。

据亿欧数据显示，10年前仅4.3%的人愿意实施企业移动信息化，而今年计划一年内部署AIGC应用的数据高达90.8%。

这也意味着AIGC产业的发展重点将会更多地强调技术本身的商业化落地和可持续性发展。

此前，红杉资本的一篇《生成式AI进入第二阶段》文章，其中的观点是早期成功的迹象并没有改变一个事实，即无论是OpenAI还是LLaMA，它们的繁荣迹象并没有产生跟市场契合度非常高的产品。

现在我们思考怎么通过行业大模型、产品大模型、场景大模型落地到企业的具体功能里，去更好地实现场景化商业落地。

无论是营销、OA、财务、HR、研发，还是供应链，有很多供应商在AI应用领域进行各种各样的探索。比如，AIGC可以通过内部知识库和信息检索功能，以及对其他应用的直接调用，帮助企业完成对新员工的培训和日常运营。

在不同的场景内，应用的成熟度是不一样的，AIGC同样存在很多约束。

之前受到高度关注的人工智能带来的“失业潮”，我个人更认同的观点是“AIGC更多取代的不是岗位，而是任务”。人永远是不可被取代的，但是任务可以借助技术的力量来加以取代。企业不是思考把哪个岗位替代，而是把哪个任务用AIGC的方式替代。

比如，AI写的文章，用户根本读不下去;AI画出来的海报，甲方根本不接受;AI做出来的活动策划，纯属套路。只有和AI交互三五十次才能得到真正想要的东西，目前AIGC的价值还需要耐心的调试。

也正是因为如此，它需要员工的努力。我们需要在企业里创造氛围，让员工努力使用AIGC技术。AIGC的价值不会自动产生。

另外，不是所有的企业都要学百度、学科大讯飞，也不是所有企业都要开发自己的大模型。对于大部分小微企业来讲，能够用开源API拥抱AIGC场景，可能是最合适的。

对于AIGC来讲，驱动成本大，现在的价值好像看起来有限，但我认为曙光就在眼前。对于AIGC产业而言，它已经进入了场景摸索、跨越鸿沟的阶段。一旦过了这个盈亏平衡点，大家对AIGC的认识观感就会明确很多。

“人工智能的短板之一是极高的算力成本”@上海技术交易所总裁 颜明峰人工智能还是一个新的技术，而新的技术一定会遵循它自身的发展规律。 从生产力的发展角度来说，实现技术创新的高质量发展，要提高生产要素配置。这也是以上海技术交易所为代表的现代技术要素市场在做的事情，即让技术要素在更合适的场景提升它的作用。 例如探究人工智能技术在哪个领域的应用价值高，这和技术选择要卖给谁、放在哪个场景应用密切相关。 到底怎么理解人工智能?我认为，智是认知，能是行动。

现在的人工智能企业正在从认知领域进入到行动领域。人工智能现在存在的短板之一是极高的算力成本。政府大力发展算力平台，就是要支撑降本的问题。此外，要增加社会供给，譬如语料丰富度，还需要做整体的优化布局。 我们是做技术要素市场的，我们始终在看技术交易的场景中是否有相关的人工智能领域应用，哪些点能够赋能技术创新的体系，让场景、技术、资本实现更好的对接。

“MaaS是未来大模型非常重要的出口”@澜舟科技创始人兼CEO 周明拥抱AI大模型成为今年科技创新发展的大趋势。大模型如何用到企业之中? 以往AI模型都是一个模型解决一个任务，比如原本的机器学习模型。而大模型时代，一个模型可以解决N个任务，甚至可以想象未来一个模型解决无穷个任务。 你告诉模型干什么，它就能完成一些任务。如果完成得不好，你还可以给它输入一些例子，或者告诉它一步步怎么做，这个模型就会逐步达到一定的水平。AI从1.0时代到2.0时代，一个模型N个任务，解决了碎片化的问题。 围绕着大模型，实际上建立了一个生态。生态最底层就是芯片，再往上一层是云计算平台，再往上是所谓的模型厂，再往上就是应用层。

想要从通用大模型发展到行业大模型，必须把行业数据、行业知识融入到通用大模型中，实现混合训练。现在有些大模型团队实际上只做了SFT（Supervised Finetune，深度学习策略），这样的模型是比较脆弱的。行业有那么多的场景，不要觉得作为一个行业模型，所有产品都能做得很好。 以金融为例，金融行业大模型需要用金融数据做continue training(在预训练模型的基础上进行持续的微调训练)才会更准，这里就包括泛金融领域数据，新闻、公告、研报、咨询、金融专业知识、其他数据。

做SFT的时候，要对金融的任务场景非常了解，所以我们总结了105项金融任务场景，有理解任务、生成任务、其他任务。底层优化算法一个不落，优化训练过程。训练之后，还要跟插件库、外部知识库、向量数据库配合起来，执行经营的一些主要场景。 有了这样的行业大模型，只要把模型放到云上，通过本地化部署、公有化共享等模式，用户可以针对自己不同的领域选择，按量计费就可以得到相应的大模型服务。 我认为，MaaS是未来大模型非常重要的出口，由通用到行业、场景，一层层建立起来才能做好企业的服务。

“如果AIGC不能很好地理解人类世界，它就不具备类人智能”@九三学社中央科技委委员、科技作家 陈根今年国内外对ChatGPT和AIGC的关注度空前高涨，无论是AIGC包含ChatGPT还是ChatGPT包含AIGC，两者都是同一类型的产品。未来AIGC和ChatGPT的竞争将取决于技术迭代速度，谁能更快获取算力和数据优势，就能取得领先。

对于AIGC来说，现在一个很现实的挑战就是算力能不能突破。如果没有算力的突破，AIGC再发展下去，跟我们真正设想的功能会有很大差距。 另外，安全是很重要的底线。比如，以数字虚拟人来替代我们，在现实和虚拟世界形成互动，这时候它的实时表现、生成内容是不是安全的。包括数字内容牵涉到的合规性以及数据内容的正确性。

如果AIGC不能很好地理解人类世界，它就还不是一个具备类人智能的人工智能。我们只能把它定义成具备高级统计功能的人工智能统计人员。AIGC要理解人类世界，这意味着我们要让AIGC正确地讲话、做正确的事，这是一个很大的挑战。 但AIGC对我们来说是很大的机遇，它会给产业带来革命性的变化，比如元宇宙背后的关键技术之一就是生成式AI技术，物理世界万物实现数字化，通过AI生成数字孪生，再将数字世界和现实世界进行叠加，形成交互的虚实融合世界，这正是元宇宙的技术内核。 如果没有AIGC，我们就很难实时生成物理实体世界，实现同步的镜像影射和驱动。

AIGC未来的画像是万物数据化、万物可数据、万物可穿戴。核心在于生产力再造所带来的生产模式革命。在医疗领域，AI训练出来的数字孪生，能够实时监测关键健康指标，进行疾病预警。医生只需要在出现异常时进行处置。未来还可以结合基因检测，进行个性化疾病预防，这也为实现中医“治未病”提供了技术基础。

在教育领域，AI也能改变传统的知识灌输式教学。借助AI生成的数字环境，这种沉浸式数字教学能提高学习效率，同样，企业和政府部门也在积极布局AI+教育。 旅游、营销等领域，也都面临被AI“颠覆”的机遇。比如，AI加持下的数字人能进行全天候的直播、旅行讲解、互动等等，大幅提升效率，这也会是传统服务业的一次重大变革。 这就是接下来由AIGC所带来的整个社会的变化，是我们非常值得期待的时代。

我们离规模化应用还有多远?自2022年底以来AIGC的波澜壮阔，特别是中国大模型的爆发式增长，让人不得不思考是否已经到了所谓的“奇点时刻”。 有数据显示，全国有至少130家公司研究大模型产品。对企业和用户来讲，我们更关心大模型的应用什么时候可以大规模开展?我们怎么样使用它?

图片由Dall·E3生成 华安证券首席分析师张天认为，从GPT横空出世到现在不过一年时间，很多产品和大模型都在打磨阶段，还不够完善。 大模型将经历三个阶段，第一阶段是Advice，对于人来说只是一些建议性、信息性的输入和整理工作。第二阶段是Agent，带领人真的去执行一些事情，当我们解决安全性、法规性、可靠性问题的时候，它可以成为我们真正的助手。第三阶段叫做AGI，也就是真正的通用人工智能，可以真正作为生产力的存在。

目前大模型处于“婴儿时期”，马斯克预计其将于2029年达到“ AGI成人期”。届时，整个社会将发生巨大变化。要实现让大模型赋能千行百业，需要让大模型算力通信基础设施降低成本，同时降低使用门槛与风险系数。 上海市人工智能行业协会秘书长钟俊浩表示，AGI不是一个奇点，如果一定要把它定位是奇点的话，他认为当通用人工智能具备自主意识，当一个机器人真的变成人的时候，这是一个奇点。在此之前，可能它就是一个技术、一个生产力或者生产工具。

埃林哲董事长、中国中小企业协会副会长盖莉珊认为，AIGC是一个体系，不是一个技术。目前AIGC技术尚处于上升期，要推动其广泛落地应用，数据准确性和模型可靠性还有待加强。 另外，大模型做决策的路径是不透明的，不可解释。如果产生一些误操作，对于企业的损失还是挺大的。AI的前景大家都比较看好，但是过程中还需要一个成熟和可靠的路径，这是目前遇到的挑战和实践困难。