大模型进产业，是2024年国内人工智能讨论的焦点话题之一。最近在长三角与珠三角走访了多家实体企业，深刻感触到数字化闭环能力是大模型应用能力的基础。
中国科技巨头几乎每周都会宣布大模型研发进展，以及跨行业合作动态，我们在底层通用大模型方面与OpenAI等国际公司的差距，短期内依然难以消除。不过多模态方向上的技术创新与应用场景落地，依然是中国公司的机会。
早在1950年，图灵在人工智能奠基论文《计算机器与智能》(Computing Machinery and Intelligence）的结尾就曾展望人工智能的两条道路：一、聚焦抽象计算（如数学）所需的智能；二、为机器配备传感器，使其可以与人类交流，像婴儿一样地进行学习的智能。这两条道路后来演进成了具身智能与非具身智能。
具身智能的应用，一直受到1980年代提出的“莫拉维克悖论”（Moravec's paradox）的困扰，这是一种和人们直觉相悖的现象，即“人类觉得容易的任务对人工智能来说却极其困难，反之亦然”。
不过英伟达高级科学家Jim Fa乐观预测，2024年将成为人工智能界全面崛起反击此悖论的元年，他认为“我们不会立即获胜，但我们将走上获胜之路”。他列举了2023年关于未来机器人的基础模型和平台的发展情况，强调以机械臂作为物理输入/输出设备的多模态LLM会迎来重大突破，用于训练的数据集研究更加多样化，模拟和合成数据在解决机器人灵巧性乃至整个计算机视觉问题上发挥关键作用。
在具身智能的拐点，“AI+”提出正当其时。围绕“互联网+传统产业”，还是要“传统产业+互联网”，还有各种争论，双方都想做主角，马云与王健林、雷军与董明珠的一系列赌局，就是主角之争的折射。近十年之后，“AI+”提出在产业界却毫无争议迅速达成共识，可见关于其从底层的变革性意义。“所有产业都将重做一遍”，不再是鼓动人心的辞令，而是必须要拥抱的现实。
从“互联网+”到产业互联网，到数字化，到今天的“AI+”，是阶梯式升级，没有自2020年以来数字化加速进展，今天我们就会失去智能化浪潮中的一张好牌。人工智能三要素包括算法、算力与数据，前两者非实体企业之所长，而我们所积累的大量数据，却是“AI+”的珍贵“饲料”。
走访一家国内头部女鞋企业时，我们了解到其也在探索人工智能如何落地，并在一些潮牌设计中尝试应用行业大模型。他们之前搭建了从生产制造到研发设计，从品牌塑造到零售终端的垂直一体化数字化体系，如今成为“AI+”的基础。
基于这种数字化能力，该公司形成了最核心的三个竞争力，即全渠道的客户运营、数字驱动的智能化运营与全价值链的快速精准反应。这三者带来了效率提升，从客户端到制造端，旗下19个品牌、7个生产基地、8000多家门店与上百个直播间的带货矩阵之间，实现了快速响应。
鞋的核心问题就是舒适，该公司利用脚型数据库去建立相应的技术标准迭代，以提供更加舒适的产品。此过程中，他们累积了大量行业数据、客户数据、设备数据，并且自研了数字化中台。当他们尝试将AI应用于设计时，发现虽然也可以应用公域的数据，可公域的数据过于嘈杂和发散，不够精准。如果是独特风格的设计，如机甲风的休闲鞋，也可以使用通用大模型，因为定位非常清晰，客群狭窄，输入几个关键词，得到一些选型的建议，然后设计总监在此基础上做工艺上的收敛。但如果是较大品牌的设计，智能化必须要结合自己的私域数据，精准调校，才能获得有效训练。
因此，他们的一个经验是：如果没有搭建好数字化中台能力，就不要奢谈“AI+”。
高质量的行业数据会成为“AI+”之路上的巨大挑战。工业、零售等场景复杂多变，当前也缺乏足够数据来训练B端通用大模型，以促进智能体自我进化。而且与非具身智能不同，具身智能耦合本体需要部署到真实环境中，才能够采集数据。如果机器人本体并未参与到实际操作，则很多运行数据就无法采集。虽然通过大模型涌现能力与思维链能力，部分限定性任务可以零样本学习到，可是关键业务依然需要高质量垂域数据。
谷歌在2022年底推出了Robotics Transformer 1（简称RT-1）并将其用在了机器人模型上，此前它也面临同样的难题，即缺乏大规模与多样化的机器人数据，限制了模型吸收广泛机器人经验的能力，更缺乏可从此类数据集中学习，并有效泛化的表达力强、可扩展且速度足够快的实时推理模型。后来谷歌使用了RT-1机器人演示数据，这些数据是在17个月内由13个机器人在办公室和厨房环境中收集，该数据集涵盖700多项任务。
得益于“互联网+”战略，中国企业打下了良好的数据基础。即使如此，目前已建立起线上线下全闭环数字化能力的公司依然很稀缺。那些数字化程度最高的样板公司，依然无法将全链路数字化战略转化成终端店铺或车间的简单行为，因为终端工人与销售人员不懂技术，让数字化在终端实现高转化，是一大难点。
当智能化奇点临近，数字化也相应提速，可数字化转型不力的企业，无法心存幻想直接跳过这一环节。
文章来源：中国企业家杂志
