所以 ， 一个有点反常识的事实是 ， 相比于天花乱坠的先进技术 ， 行业用户往往更在乎那层“壳” 。那层壳就说硬件化和工程化 ， 是将技术能力按照最终的使用需求进行封装、管理和维护 。虽然最后组装出来的东西可能很难用 ， 可能不先进 ， 但对于行业用户来说 ， 有的用 ， 员工能学会 ， 才是智能化的最重要条件 。
在讨论行业大模型时 ， 今天也经常会陷入这个误区 。从业者往往过分关注算法层的领先性、国际性 ， 跟参数规模和测试纪录较劲 ， 把目光聚焦在软件上 。但行业需要大模型做的 ， 是跟此前的数字系统较劲 ， 跟使用成本较劲 ， 跟操作门槛较劲 。这就需要大模型考虑硬件环境、网络环境、存算资源、操作系统 ， 甚至考虑部署环境的电力供应、湿度、温度 。
产业大模型要做的第二件事 ， 是必须兼顾硬件适配和工程化问题 。
大模型能否落地 ， 都在说要找准场景 。但什么是场景？最后能起作用的那个地方才叫场景 。
绝大部分企业 ， 都不是IT为导向 。甚至大部分企业根本无法派专人去仔细了解什么是大模型 。这个事情在漫长的时间里都无法改变 。
山不会过来看你 ， 所以你要去看山 。
很多人把大模型比作一座金矿 ， 那么训练大模型仅仅是挖到金矿 ， 通过工程化方法 ， 讲大模型融入到行业已有的数字化基础设施 ， 才是把金矿运出山 。
专家下工厂 ， 终究要不得
很多AI厂商无论是在给客户讲故事 ， 还是面向公众做传播 ， 总是会提起这么一段：你们不要担心 ， 我们有专家有博士后扎根行业 。下工厂 ， 下农田 ， 一驻守就是几个月 。
如果你是大模型的潜在行业用户 ， 那么这个故事听听就算了 。专家驻厂确实是真的 ， 但那个厂极大概率不是你的厂 。
事实上 ， AI专家亲临产业一线 ， 是缩短行业需求与大模型供给之间的有效路径 。这也是一个产业智能化必经的发展过程 。
但这个过程必然也只能是暂时性的 ， 不可能长久 。试想一下 ， 如今大模型正在风口浪尖 ， 专家们都是什么身价？一个专家组入驻现场 ， 就这个薪资成本哪家实体企业能撑得住？
AI企业所宣称的专家驻厂 ， 其实是在做案例、做测试 。一般都是和行业内的头部客户合作 ， 厂商愿意以亏损为代价把模型跑通 ， 观察有哪些具体问题 。
专家可以下厂 ， 但专家肯定不能经年累月驻守一家又一家工厂 。这是AI厂商进入某行业时的标准动作 ， 但往往会有意无意被理解为一个常规动作 ， 可真要只能依赖专家下厂来推广大模型 ， 那么AI永远也无法落地 ， 因为这个成本谁也承受不起 。
产业大模型要做的第三件事 ， 是技术具有行业内的低门槛可复制性 ， 不能大量依赖人工进行订制化合作 。
尤其需要注意的是 ， 目前阶段大中型企业在智能化上的投资愈发谨慎 ， 试错成本不能过高 。实验性与不确定性太强的大模型落地方案 ， 在目前阶段已经很难得到大客户认同 ， 更遑论成千上万的中小客户 ， 更是不可能依赖重人工投入的方式来推动 。
总结一下 ， 产业大模型目前阶段的落地挑战有三点：
1.AI厂商总把大模型想象为万金油 ， 但行业需要的是理解和专注 。
2.AI厂商总是关注算法创新 ， 但行业需要的是工程化和可操作 。
3.AI厂商大量宣传依靠人才能力跑通的个案 ， 但行业需要的是低成本和可复制 。
大模型落地产业 ， 正是旭日东升时 ， 但也要有意识去清扫一些积雪 ， 而回到用户界面 ， 往往就能找到更多问题的答案 。
【产业需要的大模型有哪些？】
推荐阅读
- 2023年编程语言榜单，Python继续领跑！SQL在工作需求中夺魁
- 为什么我们需要消息队列？
- 联通转电信需要什么手续 联通转电信怎么做
- 同一架飞机中转需要取行李吗 飞机中转需要取行李吗
- 周口野生动物园注意事项 周口野生动物园需要带身份证吗
- 野餐需要带什么工具和食物 野餐需要带什么
- 榨胡萝卜汁需要煮熟吗 榨胡萝卜汁需要煮熟吗
- 长相思：梅林虐杀是全剧的高光时刻，也是很重要的转折点
- 跨省迁户口需要本人吗 跨省迁户口需要本人吗
- 混凝土凝固需要多长时间 混凝土凝固需要多长时间