AI大模型只能沦为“锦上添花”吗？

出品 | 虎嗅科技组
作者 | 齐健
编辑 | 廖影
头图 | 虎嗅

“每个人咨询的第一个问题都是：你们在大模型方面做了什么？”

7月8日，2023世界人工智能大会（下称WAIC），一位参展商告诉笔者他的感受。——“大模型”，无疑是此次大会绕不开的主题。

另一位来自国内大模型创业公司的技术人员在展会上穿梭，她对芯片厂商十分感兴趣，她说他们要做语义大模型，公司拥有1000张英伟达的A100，但算力仍然不够，她希望能在展会上寻找新的机会——算力要强，成本要划算。

为期3天的大会，每场会议都有关于大模型的话题，每个论坛都离不开围绕大模型的讨论，每个展区的工作人员几乎都会被问及大模型技术，甚至一些公司被投资人和股东要求一定要讲大模型。

第一届WAIC举办于6年前，2018年算是AI的上一个历史高点。彼时，人类刚刚见识了AI的“超能力”，AlphaGo刚刚连续战胜了两位人类围棋冠军，全世界对AI的关注持续升温。

今天备受瞩目的OpenAI，也是在2018年推出的第一个版本的GPT模型，但那个时候，GPT模型在行业内甚至没有激起任何水花。

在过去的6年里，由于AI应用落地缓慢，大众以及资本对AI的耐心开始逐渐退潮。

直到ChatGPT的出现，AI大模型使人们对AI重拾期待，也再次点燃了资本对AI技术的热情。本届WAIC开幕之时，这个热潮似乎也正在顶点。

但是在这次展会上大模型更像是一件“皇帝新衣”，“或许很多人都不知道到底能用大模型做什么。”一位芯片公司展商表示，过去三天，好几位产品经理前来咨询，他们希望找到自己的大模型产品的市场定义。

“大模型可能包容一切，但暂时还不是一切。”一位参展观众在展会上这样评价。

只是锦上添花

今天市面上的大模型，虽然有很多落地案例，但能创造实际价值的场景并不多，大多是传统数字化转型的附属品，在具体业务中起到提质增效的作用。

星环科技在本届WAIC上展示了两款AI领域大模型产品，一个是金融量化投研大模型“无涯”，一个是大数据分析大模型SoLar“求索”。这两款产品都定位在“智能助手”这个方向上。

“大模型对产品的可用性提升很大，但大模型肯定不是我们产品的全部。”星环科技产品市场经理何韵秋给观众讲解了一下午AI大模型之后发现，观众们的确对AI大模型很感兴趣，但来找她咨询的人，还是更在意大数据技术，包括向量数据库和图数据库，她说：“对于金融数据库有需求的客户，他们本来也会买我们的产品，大模型算是锦上添花吧。”

星环科技在2022年发布的年报中称，自己在国内有超过1400家终端用户，主要集中在金融行业。

事实上，对于这些行业客户来说，一项才火了半年的技术，很难在选型过程中被列为参考条件。客户更在意的是平台、软件的功能，供应商的技术实力、服务能力，以及价格。

易用性代表着增加用户对于产品的使用体验，虽然对于企业用户来说也很重要，但这并不能直接创造价值。以金融行业为例，量化投研助手可以帮助投资经理、研究员和分析师提高工作效率，然而，真正提供业务价值的仍旧是底层的量化投研引擎；在制造业中，使用自然语言调用工业软件功能、生成报表、完成知识库内容问答，可以帮助企业提高生产效率，真正提供数据价值的，还是基于MOM（Manufacturing Operation Management，制造运营管理）系统的工厂管理。

虽然基于AI大模型的效率提升很重要，但企业数字化转型的初衷还是要优化整个流程，从而创造价值。不过，AI大模型对于一家技术研发公司来说，也不只是一个小插件。能推出自研大模型的公司，在技术实力上无疑是加分项，星环科技也在5月底就推出了自研AI领域大模型产品。

“找到合适的应用场景是目前国内AI大模型行业最迫切的需求。”星环科技创始人孙元浩认为，有些公司很短的时间就发布了AI大模型相关产品，研发能力很强，但这些AI大模型能否找到应用场景，或者在他的场景中能创造多少价值，还需要时间来检验。

别只看大模型

事实上，无论是参展WAIC的公司还是观众大多还是很务实。虽然每个展商都带着大模型来，但他们真正的目标并不一定是大模型，而是用上了AI技术的数字化、智能化产品。

扩博智能在这次WAIC上发布了一款“风机叶片内检机器人”，其主要功能是通过内部观测风机叶片，避免叶片漆面对检测的影响，及时准确地识别缺陷，降低损失和维护成本。

风机叶片内检机器人

这样一款机器人与AI大模型有结合吗？

“机器人还在学！也有人问我们大模型，但不多。”扩博智能风电硬件产品总监柯亮告诉笔者，目前风机叶片的巡检机器人主要的功能是把数据收回来，并帮助工作人员进行分析。但这种分析的精度还不能做到100%，因为数据量太小了，“一个风场的巡检量达到七万台次，但同样的裂痕数据，可能只会出现一次，机器可以学习的数据量还不够。”

人脸识别，或是流水线上的CV质检，都是对有一定共性特征的图像进行学习，但风机叶片有可能产生各种各样的裂痕，所以机器学习的难度很大。

“那是不是可以理解为，风机叶片巡检机器人的主要价值在于机器人，数据智能只是附加价值？”一位现场观众这样问柯亮，他说：“我不太认同这种看法，数据本身就是资产，单纯看眼前，大数据可能是附加价值，但当这些巡检数据长期积累以后，就会形成数据的循环，未来风机叶片巡检也能有足够的数据去训练大模型，也能实现全自动化。”

对于风电这样的新兴产业，且本来就不具备数据采集基础，在现阶段谈的AI大模型更多的是如何打好数据基础。

在医疗行业的一些场景中，则可能不需要上亿规模的参数，AI就可以帮助医生快速获得更好的诊断、治疗效果。本次展会上，GE医疗带来的深度学习磁共振重建技术——AIR Recon DL，就是通过440余万的样本和高质量的基础数据，进行深度学习、建模，实现在磁共振影像源头的原始数据进行重建，分离噪声，获得高质量图像。

“这种AI处理技术相比传统的滤波器更保真，因为滤波器会过滤掉有效数据。”GE医疗展台工作人员说，医疗设备中的AI只需要一个不太复杂的AI模型，就可以大幅增强诊疗效果。

AIR Recon DL深度学习平台图像对比