企业服务大模型加速 AI 场景落地

企业服务大模型加速 AI 场景落地 | 极客日志

企业服务大模型加速 AI 场景落地

2022 年年底，OpenAI 推出 ChatGPT 引发全球热潮，加速 AIGC 技术和应用的发展，标志着人工智能进入普及应用阶段。

AIGC 作为人工智能技术的重要组成部分，在商业社会中扮演着越来越重要的角色。在诸多 AIGC 工具中，基于 GPT 的应用可以让用户通过自然语言快速生成应用和内容，包括低代码、RPA 等工具也可以借助 GPT 自动生成用户需要的程序。这些工具的出现，让生成式应用出现倍数级增长。

用友网络董事长兼 CEO 王文京表示："基于大模型的生成式人工智能是人工智能技术和应用的最新发展潮流。大模型的研发训练已成为全球产业界的风潮。"

垂直大模型：加速企业智能化应用落地

调研机构 Gartner 预判，到 2024 年将有 40% 的 AI 应用是生成式 AI 应用；到 2026 年将有超过 1 亿人和机器人同事（生成式 AI）一起工作或有一个 AI 助手；到 2027 年，将有近 15% 的新应用程序由 AI 自动生成，无需人工参与。

科技部新一代人工智能发展研究中心发布的《中国人工智能大模型地图研究报告》显示，我国研发的大模型数量排名全球第二，仅次于美国，目前我国 10 亿参数规模以上的大模型已发布 79 个。

在 AIGC 应用火爆背后，各大科技厂商纷纷入局，不断推动 AI 大模型落地应用。大模型市场目前主要分为两大类：一是通用大模型，二是垂直大模型。

通用大模型与垂直大模型的区别

通用大模型指能够处理多种任务和领域的模型。如 BERT、GPT 可以应用于自然语言处理、计算机视觉、语音识别等多个领域。ChatGPT 及百度文心一言、智谱 ChatGLM 等都属于通用大模型。它们的优势在于泛化能力强，但在特定领域的专业深度上往往不足。

垂直大模型是针对特定领域或任务进行深度学习训练的超大规模模型。相较于通用大模型，垂直大模型具有更强的领域专业性和任务针对性，能够更好地解决特定领域的问题和提供更加精准的服务。例如商汤的中文医疗语言大模型'大医'、携程的旅游大模型'携程问道'、天眼查的商查大模型'天眼妹'等。

模型应用，场景为先

在 AIGC 落地过程中，业界逐步意识到，大模型的价值在于与业务场景的结合，在于把 AI 能力通用化、产业化和垂直化，和不同行业、不同企业的具体业务场景需求深度融合。因此，'模型应用，场景为先'正在成为产、学、研界的共识，即从通用化走向垂直化，市场迫切需要懂企业服务的大模型。

客观来说，大模型的应用还处于初期，许多行业并没有找到成熟的应用场景。所以，如何让大模型具有更多的行业知识沉淀、更强的专业性，以及在业务场景应用方面更有针对性，如何挖掘更实用的应用场景，帮助企业获得更广阔的商业前景，是这场大模型竞赛中各大公司均在努力探寻的方向。

在大模型赛道上，用友选择专注企业服务大模型，而不是做通用语言大模型。

用友将大模型分为 L0 基础大模型、L1 行业大模型、L2 应用场景模型三类，重点在行业大模型与应用大模型发力。基于智谱 ChatGLM、百度文心一言、智源悟道天鹰、ChatGPT 等通用大模型，结合用友源自多年企业服务经验沉淀的丰富领域知识的持续训练，生成特定领域、特定行业、适合企业解决管理与经营问题的大模型。

今年 7 月，用友发布了企业服务大模型 YonGPT，这是用友基于数字和智能技术服务企业和公共组织的最新研发成果，也是国内较早应用信创框架开发部署标准化 AI 能力的厂商。

用友的人工智能研发团队基于大规模商业应用数据，结合企业应用场景和领域经验，标记了大量企业服务语料数据，形成丰富的企业服务大模型训练素材，并将业务知识与领域经验融入企业服务大模型，确保大模型的专业性、实用性及领先性。

企服大模型：四个方向推进企业智能化

用友基于大模型的人工智能在企业服务领域主要有四个应用方向：智能化的业务运营、自然化的人机交互、智慧化的知识生成、语义化的应用生成。用友企业服务大模型 YonGPT 围绕这四个方向推进模型训练和产品效果优化，提供深入客户业务前端的全价值链、全场景的泛在智能和群体智能应用，是更懂企业服务的大模型。

1. 智能化的业务运营

通过强大的数据分析和预测能力，深入洞察企业运营、识别潜在的业务风险和机会，并提供智能化的解决方案，从而提高企业经营决策水平和业务运营效率。这通常涉及对历史数据的深度挖掘，利用机器学习算法发现非线性关系，并结合实时数据进行动态调整。

2. 自然化人机交互

可以通过自然语言处理技术和理解能力，使应用与用户进行自然而流畅的对话交流，以人为本实现不同应用的调用、连接、组装，更自然、高效地完成工作。这要求模型具备优秀的意图识别能力和上下文记忆能力，支持多轮对话和复杂指令执行。

3. 智慧化的知识生成

通过从海量数据和信息中提取、整合知识，生成新的、有价值的知识内容，涵盖了行业解决方案、专业领域知识分享，助力企业和用户自身知识的储备和积累，促进知识的传播和应用。这需要构建高质量的知识图谱，并利用检索增强生成（RAG）技术确保内容的准确性和时效性。

4. 语义化的应用生成

通过对用户需求、企业业务和数据特征的理解，可以自动生成具有语义化能力的应用程序，全方位提升企业个性化应用服务的创建效率。这涉及到代码生成技术（Code Generation）和低代码平台的深度融合，降低开发门槛。

目前，YonGPT 已经创新研发包括企业经营洞察、智能订单生成、供应商风控、动态库存优化、智能人才发现、智能招聘、智能预算分析、智能商旅费控、代码生成等在内的数十种基于企业服务大模型的智能应用。同时，YonGPT 针对复杂的行业应用场景，还可以对行业模型进行精调，提供更加'在行'的智能化场景服务。

多领域融合、多形态综合赋能企业

与单一领域的企业服务大模型不同，YonGPT 覆盖财务、人力资源和包括营销、研发、采购、制造、供应链、项目、资产营运等业务的多个企业生产经营与运营管理领域，是一个具有多领域综合智慧的企业服务大模型，契合了企业基于数智技术实现业务与业务、业务与财务、业务与管理融合创新的需求。

1. 智慧财务：分析助手、智慧预测、洞察业务

财务作为衡量企业经营成果的重要参考维度，其数智化进程一直是企业数智化转型的重要突破口。YonGPT 在财务领域的大模型能力基于事项会计理论基础构建。同时，YonGPT 将置入业财融合的整体框架，重塑业财流程，优化业务，助力财务实现价值创造。

智能分析助手： 通过生成能力和自然语言交互能力，使用户只需要用自然语言提问，即可自动生成可视化图表和报告文字。
智能经分： 可以整合不同领域的知识，通过深度数据挖掘，提供更全面的信息，为企业经营提供深度的诊断性分析。
智慧预测： 基于大模型的推理能力，智能感知企业生产、销售、库存等各环节的数据关联和归因，进行推理式经营洞察，精准预测企业效益。
智能订单盈利分析： 智能分析订单、品种、客户、组织等多维度信息，支撑企业从订单入手挖掘利润提升点。
智能司库： 司库以企业现金流动性管理为基础，侧重于价值创造和风险管控。
智能生成： 智能推荐企业适用的税务政策（尤其是减免税）及相关案例，智能生成税务数据洞察等。

此外，YonGPT 助力无人值守共享中心落地，包括智慧商旅、智能审单、智能洞察、智能问询等。

2. 智慧人力：数据识人、智能选人、智慧用人

当前，企业人力资源管理面临识人难、选人难、用人难等一系列挑战，如何通过数智技术提升招聘精准度、管理体系化、人力效能及人岗适配度，是人力资源管理适应快速变化的迫切需求。

YonGPT 为企业加速人力资源管理数智化提供有力支撑，帮助企业实现'数据识人、智能选人、智慧用人'。

数据识人： 基于人才画像，实现精准的意图识别，对搜索结果的精准筛选帮助 HR 精准找到符合岗位需求的人选；同时，基于 YonGPT 进行人才画像，还可以通过对员工、岗位画像的对比分析评价，对候选人和绩优人员进行科学分析。
智能选人： 智能招聘面向企业业务发展，精准匹配企业的业务属性和组织画像，帮助企业快速、精准筛选和定位人才，从海量简历池中发现人才，通过 AI 互动优化应聘体验，实现智能选人。
智慧用人： 试用期评价可以根据员工工作表现、目标达成情况、日常协作能力、专项工作等行为数据，自动生成对该员工的试用期评价并提交审核；根据干部任免及前置环节的数据和补充材料，自动生成干部考察报告提交研判；基于 YonGPT 的人才配置计划，精确匹配岗位需求和人才能力结构，智能化管理和配置人才资源。

YonGPT 通过深度识别实现数据化的人才识别、人才筛选和人才配置，帮助 HR 聚焦核心战略性工作，提升人力资源管理的温度、高度和广度。

3. 业务敏捷：智能交易、韧性供应、产销协同

YonGPT 融合了企业采购、营销、制造等业务领域的知识和经验，帮助企业在采购交易、供应链协同、精准营销、智能制造等业务方面实现数智化。

基于企业服务大模型的采购交易： 智能推荐引擎可以根据物料寻源、不同的采购要求等为企业筛选、推荐符合条件的供应商，智能识别优质供应商。采购价格预测基于历史交易价格，借助数智中台的数据分析及 AI 算法能力预测未来价格趋势，从而帮助企业更好地制订采购计划，控制采购成本。
在线智能评标工具： 能够智能分析、比对投标文件，为评标过程提供智能化参考意见，从而减少围标风险，提高招投标的公平性和透明度，降低评标成本，提升企业评标准确性和决策效率。
基于企业服务大模型的供应链协同： 供应网络优化可以根据历史消耗和需求预测，动态计算不同仓库物料的安全库存，依据设定的服务水平，测算未来一定周期内的目标库存、预计订货量指标，并自动生成建议，在保证客户服务水平的前提下，降低库存成本。
基于 RFQ 对话摘要的销售订单智能生单服务： 实现'一边聊天一边下单'的在线高效协同；通过'交互革新式'订单生成助手，实现智能生单。
基于企业服务大模型的精准营销： 可以滚动预测企业未来一段时间的商品销售趋势，从而驱动和衔接生产及采购计划，协助企业各层级管理者做出适当的决策，实现产销协同。
渠道拜访智能识别： 可以在销售人员拜访渠道、客户过程中采集大量的数据及照片，通过 AI 智能识别、分析信息，降低采集及检核成本，提升业务效率，支持市场活动，实现营销费用、广告投放的精准营销管理。
基于企业服务大模型的智能制造： 智能生产排程采用运筹学算法，对工厂工序和机台级的生产作业进行多目标优化排程，缩短生产时间，提高订单准时交付率。设备智能维修维护实现移动端语音快速故障上报，智能生成报修工单，结合设备文档和维修知识库（包括故障知识图谱）进行维修方案的智能推荐，并在维修完成后将维修方案总结至维修知识库，帮助企业积累设备维修知识和经验。
废钢智能检测： 通过图像识别技术完成钢铁企业废钢入厂验质，自动识别并判定废钢等级，解决废钢验质过程中环境恶劣、工作强度大、掺假作弊、难以追溯等难题，检测准确率达 95% 以上，已在国内外 20 多家钢铁企业应用。

技术挑战与未来展望

尽管企业服务大模型展现出巨大的潜力，但在实际落地过程中仍面临诸多挑战。首先是数据隐私与安全，企业核心数据往往敏感，如何在保证数据安全的前提下利用大模型进行分析是关键。其次是模型的可解释性，黑盒模型难以满足合规审计的要求，需要发展可解释 AI 技术。最后是集成复杂度，如何将大模型无缝嵌入现有的 ERP、CRM 等系统中，避免形成新的数据孤岛，需要架构层面的创新。

未来，随着算力成本的下降和算法的优化，企业服务大模型将更加普及。我们期待看到更多跨模态、多智能体协作的场景出现，大模型将从辅助工具进化为企业的核心生产力引擎，持续服务企业数智化，推动商业模式的创新与变革。

人工智能渗透企业服务的破晓已经来临，更懂企业服务的大模型正在为数智化商业创新注入新动能，持续服务企业数智化。

企业服务大模型加速 AI 场景落地