从2023年初吹响的人工智能AI“大乐章”，最近却不再是那么“悦耳”，而是夹杂着噪音和质疑。
比如，流量之争。
海外调研机构Similarweb的数据显示，OpenAI一路高歌猛进后，从5月份开始，流量增长趋于平缓。6月份ChatGPT的访问量，甚至首次出现了环比下降，幅度为9.7%。有人根据这个数据说，AI又要凉凉了。
但也有舆论认为，调研的流量仅为C端数据，而AI目前的发力在B端。B端的流量甚至超过了目前总流量的一半，而且攀升很快。只是调研机构没有拿到完整数据。
流量到底是短期波动？还是长期下降？或者真的是侧重不同？
再比如，热情之假。
经纬创投合伙人张颖，分享了两个对比起来颇有意思的数据。一个是今年3月到5月，标普500指数的公司中，有110家公司的高管在业绩交流会上提到了AI，这是过去十年同类型数据的3倍。
但另一组差异的数据是，国际投行摩根士丹利最近做了一个2000多人的调研，结果竟然有80%的人，没有用过ChatGPT或是谷歌的Bard。[1]
这个数据对比起来，颇有“叶公好龙”的感觉。难道这些企业高管、科技大佬、分析师们的热情是假的吗？
又或是，用户之惑。
C端用户的热情很高也很真，但在使用之后，却产生了疑惑：我们希望机器人帮人类扫地洗碗，是因为人类要去写诗作画。结果，现在是AI都去写诗作画去了，我们人类还在扫地洗碗。
难道人工智能的“涌现”，就不能照进现实世界吗？
流量之争、热情之假、用户之惑，这些争议也直击大模型发展的核心要素：如何真正成为生产力？
解答思路的不同，会塑造不同的AI发展体系，也会成为企业未来发展的分水岭。
01
从算法到产品
人工智能从诞生之日起，就不断壮实“两条腿”来走路：一条是技术，一条是应用。
AI技术提高的背后，是算力、数据、算法三大要素的共同支撑。比如算法方面，人工智能先后经历了规则、统计机器学习、深度学习、预训练等阶段，从而将数据量大幅扩大；而“开天辟地”的算法Transformer，通过注意力机制，让AI通过“做题”的方式快速训练，从而展现出了显著的突变性、更强的自主学习能力。
技术的每次跨越都会带来惊喜，但如果回顾人工智能发展历史，会发现，数次惊喜过后，都留下了落寞。
比如1956年兴起的热浪中，人工智能会下西洋棋、会抓积木，但在1973年时，学术界一份报告总结到：到目前为止，该领域的任何发现都没有产生当初承诺的重大影响。[2]
1976年，基于AI的专家系统，开始参与医疗诊断咨询。热浪再起，各国政府加大投资。然而又十年之后，人们发现，机器专家也并没有展现出什么才华。医生还是要亲自上、不够用。
2016年起，谷歌AlphaGO在围棋界挑战人类多位棋王，曾5天取得60连胜。哪怕李世石、柯洁也只能投子认输。人们感叹人工智能的强大，但此后5年，AI也并未再有惊叹之举。
起伏之间的转折要素，正是“产品”：有没有好产品，让技术走下高坛、走进社会，真正成为生产力、创造力。
技术和产品互促关系的案例并不少。比如失败案例有摩托罗拉的铱星计划，提供全球卫星通信服务，技术领先但因为产品不接地气，正式运营了4年就宣布破产了。成功案例有电动车，虽然电池、电驱动都是已有技术，但只有当科技感十足的产品出来后，市场才逐渐打开。
回到大模型领域，在这一轮AI大潮有一个有趣的点：OpenAI发布了全球爆火的ChatGPT，用的却是谷歌的Transformer算法，进行不断优化。这就说明，在这一轮大模型竞赛中、人工智能浪潮中，仅有算法并不够。只有算法，是单薄的；算法的单点竞争，终究要让位于“产品之争”。
而OpenAI也并非是“醉心技术”，在它的背后，也是微软强大“产品体系”的支撑：搜索Bing、办公全家桶、个人助理、以及广告营销等等面向企业的云服务。
这就像创投圈里有一条“金科玉律”：如果创始人是技术达人、极客，那给钱的同时，一定要再给一位懂市场的合伙人。从而避免技术叫好，但收入不叫座。
因此，重视技术的同时，也更关注应用引导、产品驱动。尤其对于大模型企业而言，与其告诉合作伙伴，我强大的AI能力有很多，你想怎么用都行；也许，提供一些产品模块，更贴近现实。那么，好产品，如何做呢？
02
从通用到产业
哪怕诸葛亮上知天文下知地理、哪怕达芬奇又会画画还会解剖造飞机，但他们也只能局限于那个时代的知识。而人工智能则可以依靠大量的输入，极大地扩充知识边界。
但是，人工智能的智慧，也并不是完美的通用。从这几个月的体验来看，AI时不时地会“一本正经的胡说八道”。也许AI不是在故意撒谎，但肯定说明通用大模型依然不完善。
尤其当涉及到一些具体领域，比如金融、教育等等，通用大模型的局限性就会显著。毕竟，总有许多领域，姜还是老的辣，know-how很关键。
但，如果大模型无法进入产业，那价值量就会大打折扣。尤其对于我们具备庞大丰富产业链基础的国内而言，各个垂直产业都应和新技术结合来降本提效、产生新价值。
那么，在垂直领域，只需要做小模型就可以了呢？答案是否定的。行业小模型可以解决具体领域的问题，也可以做得还不错，但会存在两个问题。
一是泛化性不足，一旦更换了场景可能就要重新做一遍，这样就会导致成本大幅上升。一人一道菜、道道不重样，这样开饭店肯定倒闭。所以，有限的智能，并不智能。
另一方面，在应用过程中，如果用户突然提出一些跨领域的问题，小模型也会迷茫。显然，产业交叉的趋势越来越明显，就像电动车，既是车也是电池还是半导体。一旦站在用户的视角思考，即使是完全不相干的领域，也更希望得到一站式的服务。
所以，大模型需要走进垂直产业，垂直产业也需要大模型。该怎么做？一个观察样本是京东。
2021年，京东就率先将领域知识注入大模型，从而可以将模型准确率从83%提高到96%。就在昨天，京东面向产业推出了千亿级的言犀大模型。根据介绍，它的训练数据中，70%是通用大数据，另外30%则是京东各个板块经营过程中真实积累的行业know-how数据，包括零售、物流、健康、金融等行业。
果然是成年人不做选择，而是既要还要。
实际上，这也是正确的做法。这一轮生成式AI很有吸引力，也是因为算法很强、数据很丰富、算力也够强。而且大模型不是静态的，是不断学习的。因此，数据和算法就形成了“飞轮效应”，好数据越来越多、算法也会越来越先进；算法越有效果，使用者增加，数据反馈也会更多。
因而，尽早形成“数据-算法”的闭环，既是产品成功的路径，也是企业竞争的关键。
另外，优质数据，也是稀缺的。在名为《Will we run out of data？》的报告中显示，质量好的自然语言数据，最快可能在2026年就会被大语言模型耗尽。谁有好数据，谁就有更好的“弹药”。而好的数据，尤其是产业领域，必然来自于真实的产业场景。
于是，“数据-算法”的闭环，演绎为了“场景-产品”的比拼。而只有走进场景，才能实现大模型从“能力涌现”走向“价值涌现”。
03
从原生走向赋能
实现产业价值涌现，一种方式是和产业互助，科技企业提供技术，产业提供know-how。而另一种方式也是最好的方式，那就是从产业而来。
自身拥有产业业务，就会有真实的、宝贵的“高质量数据”：吃过亏、踩过雷、打过仗、打胜仗、会打仗。这些数据，就像催化剂一样，能高效驱动大模型开发，更贴近业务、更解决问题。
一个过往案例就是云服务在国内的发展。无论国内还是海外，云的初始都是从企业自身的需求开始，随后面向市场。在云服务之初，每一家的“产品”似乎也都一样，你有的我也有。然而，随着技术和业务结合的不同，每家也开始各有特色。
以京东为例。京东从“营销、交易、仓储、配送、售后”等业务为起点，但伴随着实体供应链网络一步步完善、内部供应链数字化的层层推进，以及京东自身在零售、金融、物流、健康、工业等领域的深扎根发展，京东也逐渐完成了从由“甘蔗的后五节”向“前五节”的拓展：有平台、有场景、有AI、有经验。
随后，京东将供应链的经验，依托京东云的技术，提炼为“数智供应链”产品和服务，向社会输出。从而形成了数字基础设施提效、产业协同提效、城市智能化管理等能力。
如今，京东数智供应链上有超千万的自营商品SKU，服务超800万家活跃企业客户，其中90%以上是在华世界500强企业和全国近70%的专精特新中小企业，也和全国超过2000个产业带达成深度合作。
这种长链路、复杂协同、更多动态数据回流的京东场景，就是大模型的最好练兵场，也是产业优势的最好体现。
从内部云到外部云的经验，也正被应用到大模型的发展上。京东也提出了大模型的“三步走”：
图片来源：京东云
首先，今年7月，言犀大模型上线，具备基础层、模型层、MaaS、SaaS四层体系。其次，在内部各业务领域“磨炼”半年，也适度和外部合作伙伴进行标杆性合作，经历“出错、改良、总结”等多次循环，实现产品融合。最后，在2024年上半年，对产业输出，以更优的姿态、更开放的生态，服务产业，提效产业。
内部应用，也已经颇有效果。比如在金融营销领域，这也是京东的“老根据地”。京东金融数十年的业务发展，积累了丰富的知识，和AI结合，可以在关键性任务、动态适应性、用户体验等方面高效优化。
比如，降低运营人员的学习成本与操作成本，实现方案生产效率上百倍提高；将过去涉及产品/研发/算法/设计/分析师等5类以上职能才能完成的流程，压缩至1人；同时，一个入口的全新交互模式，让人机交互次数从2000次降低至少于50次，将操作效率提升了超过40倍。
数字大幅度的提升，也说明，虽然从节奏上看，这个三步走，似乎是有点慢的。但考虑到大模型的投入成本、对产业的重大影响，采用步步为营，也才能转变为“步步为盈”，让技术产生效益。
或者说，其实也并不慢，因为真正实现产业突破，本身就是不容易的事情。但正如京东集团CEO许冉的信心，从产业端切入大模型，如同从北坡攀爬技术珠峰，道路虽然更加艰难，却有更波澜壮阔的风景，有巨大的探索价值。把实体和数字化的供应链做透，才能把大模型赋能实业做实。
正如Gartner曲线所总结的经验，事物的发展都会经历“技术萌芽-期望膨胀-破裂谷底-爬升复苏-生产成熟”等阶段。而用另一句话来总结就是：不要把节奏问题当结构问题。
技术的发展是必然趋势，人工智能在“数据、算法、算力”三要素的推动下，也必然会不断发展；只是，这期间必然会有一些波折。需要的是，企业在技术研发、应用上的科学节奏，以及看到趋势、愿意坚守的长期主义。
京东在供应链上的坚持和突破，就是长期主义胜利的一个缩影。而今，在大模型竞赛中，在人工智能浪潮中，需要的也是如此。
可以坚信的是，技术落地虽有节奏，但只要扎根产业，就必然会诞生巨大的价值。正如京东集团CEO许冉所言，当产业效率和产业的边界拓展，得到质的提升后，大模型才有了更重要的实际价值和意义，将不亚于又一次工业革命。
而人工智能的公式也演绎为了“场景、产品、算力群、产业厚度”，这就是推动大模型从“能力涌现”到“价值涌现”的关键。
[1] 经纬张颖：AI的远与近，混沌学园，2023；
[2]《莱特希尔报告》（LighthillReport），ScienceResearch Council of Great Britain，1973
注：文/龚作仁，文章来源：Laborer，本文为作者独立观点，不代表亿邦动力立场。
文章来源：Laborer
