PythonAI算法
中国大模型行业落地现状、挑战与未来趋势分析
中国大模型落地现状，指出目前 45% 企业处于观望，仅 16% 进入试点，全面应用为零。金融与能源因数据基础好、业务成熟而率先落地，主要集中在智能客服、文档生成等生成类场景。决策类场景如负荷预测、客户唤醒因技术难度大、价值验证不足而进展缓慢。当前落地以生成式模型为主，决策式模型需突破数据构造与算法成熟度瓶颈。未来趋势指向模型级联、行业定制化、轻量化及安全隐私保护，企业应理性选择高容错场景切入，逐步向高价值决策赋能转型。
中国大模型落地现状，指出目前 45% 企业处于观望，仅 16% 进入试点，全面应用为零。金融与能源因数据基础好、业务成熟而率先落地，主要集中在智能客服、文档生成等生成类场景。决策类场景如负荷预测、客户唤醒因技术难度大、价值验证不足而进展缓慢。当前落地以生成式模型为主，决策式模型需突破数据构造与算法成熟度瓶颈。未来趋势指向模型级联、行业定制化、轻量化及安全隐私保护，企业应理性选择高容错场景切入，逐步向高价值决策赋能转型。
在 ChatGPT 爆发之后，国内外科技赛道都被掀起了巨大波澜。随后在国内这段时间里，大量的大模型争先恐后地出现。那么截止到现在，大模型在国内土壤落地得怎么样了？本文将从行业数据、应用场景、技术瓶颈及未来路径四个维度进行深度解读。
距离 ChatGPT 爆发的那一天，已经过去了一段时间。8 个月的时间，中国诸多大模型拔地而起，以飞快的速度，不断向各个行业场景渗透。但就目前为止，并未出现真正被大模型颠覆的场景或行业。
统计数据显示，在大模型落地应用中，45% 的企业处于观望阶段、39% 的企业处于探索可研阶段、16% 的企业处于试点应用阶段，而全面应用的企业为零。
一个值得被看见的问题是：如今在中国的土壤里，大模型的落地进展究竟如何？
在电力行业，工作人员可以向电力大模型发布指令，让其自动生成数据处理结果，准确识别缺陷场景的图像细节，帮助工作人员检索处理电力巡检过程中的数据。
目前，在南方电网客户服务领域，60% 的高频问题都可通过电力大模型解决，在识别客户情绪波动方面，电力大模型的效果甚至优于人工。
此外，在输配电领域，电力大模型已具备每分钟处理 100 张问题图片的能力，还能同时识别 20 类缺陷，识别效率是传统 AI 算法的 10 倍。
而在电力调度领域，电力大模型能够协助调度部门针对电网异常情况快速自动化生成处置预案，及时响应电力市场调节要求，使预案更加安全、高效，成本更低。
据了解，部分能源头部厂商已经开启了与科技公司在大模型应用方面的合作，尤其在电网与矿山领域，形成了一些初步试点示范，如电网调度、缺陷/故障查询、煤矿作业监测等场景。
除了能源领域，金融领域也是目前大模型最大落地场景之一。
一份来自爱分析的报告中，也将能源、银行列为了大模型落地进展最快的两大行业。
在金融领域的落地之广，从大模型的数量和企业动态也可见一斑。一组数据显示，国内参数在 10 亿规模以上的大模型数量高达 116 个，其中金融行业大模型约 18 个。
此外，在半年报中，工商银行、农业银行、中国银行、交通银行、招商银行、中信银行、兴业银行、华夏银行、浙商银行等 9 家银行明确提出在探索大模型的应用。
在大模型厂商侧，一些密集的行业模型发布也反映出金融场景落地的火热程度。例如度小满发布了千亿级中文大模型「轩辕」；腾讯云携手神州信息开展金融大模型的合作；中国农业银行推出类 ChatGPT 的大模型应用 ChatABC；中国工商银行发布了基于昇腾 AI 的金融行业通用模型。
7-8 月，随着《生成式人工智能服务管理暂行办法》正式实施，包括腾讯、百度、科大讯飞、华为、字节跳动等多家公司，又相继释放了最新的大模型进展；9 月，蚂蚁集团也正式发布了金融大模型，并开源生成式 AI 编程平台 CodeFuse。
无论是能源领域还是金融领域，之所以能够实现大模型的领先落地，都源于这两个行业的一些共性：
首先，能源和银行业都是高度数据化的行业，具有较好的数据基础和数字化环境，这为大模型的训练和应用提供了有利条件。
其次，两大行业均有大量的数据处理和决策需求，而大模型的机器学习和深度学习技术可以帮助行业解决这些难题，提高决策效率和准确度。
再有，能源和银行业的业务模式相对比较成熟，具有较高的商业价值，因此这些行业对大模型技术的需求也比较大，从而推动了大模型的落地应用。
可见，能源和银行两大行业在大模型落地进展中相对较快，主要是由于其数据基础好、技术需求大、商业价值高等多方面因素的综合作用。
值得注意的是：即使在金融、能源这两个落地场景中，大模型仍有一些目前难以跨越的难题。
在金融行业，营销、风控、运营三个方向是诸多银行关注较多的大模型应用方向。
其中，智能问答助手、智能客服、营销图片自动生成、贷后报告撰写是当下银行等金融机构积极布局的细分场景。但就目前而言，生成类场景如智能问答助手、智能客服、营销图片自动生成等场景价值与预期相差无几，但在如沉睡客户唤醒、数字营业厅这类决策、原生类应用场景，大模型落地的预期和实际效果仍有差距。
例如在智能客服场景，过去智能陪练题库少，缺少针对性。如今基于大模型生产个性化题库，可以缩短培训周期上；在营销图片自动生成场景，过去设计师在素材库中选取并设计，如今可以利用 Midjourney 自动生成，可以降低版权成本和人力成本。
而在沉睡客户唤醒和数字营业厅场景价值预期中，前者利用大模型自动生成策略，可实现端到端的策略改善唤醒效果；后者大模型支持的数字人帮助客户办理业务、推荐产品完成交易，可实现独立于 APP 之外的新渠道。
然而，就目前来看，这两个场景的实际应用价值都尚未可知。
能源行业的大模型落地应用亦相似之处。
在能源行业，设备运检知识助手、智能客服等生成类应用，场景价值与预期相差无几。但在如检修文档、设备故障维修、电力负荷预测等场景，场景实际价值仍未可知。
具体来看，在设备运检知识助手场景，过去是基于 NLP 技术构建结构化知识库，在大模型的加持下，可利用大模型构建运检助手，改善效率；在智能客服场景，过去是基于 Bert 模型的智能客服，如今利用大模型改善智能客服的用户体验，可实现意图理解更准确、语言更拟人化，用户体验得到改善。
检修文档生成、设备故障维修、电力负荷预测场景中，大模型落地可带来的价值分别是，快速自动生成文档实现效率提升；大模型快速定位故障原因，提供检修建议和方案；纳入更多影响因素实时预测负荷，提高预测准确率。
然而，就目前来看，这些场景中大模型带来的价值都尚未可知，仍需时间不断探索。可以发现无论是金融行业还是能源行业，生成类场景落地速度快，应用较多，决策类场景落地速度较慢且难度较大，应用较少。
就目前而言，大模型的落地仍处于试点应用阶段，并非全面上线。
正如上文所言，金融行业的智能问答、智能客服、数字营业厅、贷后报告生成、沉睡客户唤醒、金融产品推荐等 AI 大模型应用已经逐渐落地；能源行业的智能客服、设备运检知识助手、检修文档生成、电力系统仿真平台、电力负荷预测等已经试点应用。
然而，消费品零售、证券、媒体还处于探索阶段，此外制造业、药企还处于观望阶段。
由此可见，大模型落地虽广度上较为乐观，但深度上却较为艰难。
大模型落地的深度取决于其能力、规模、计算资源、数据质量、领域知识等。然而，对于当下的国内大模型而言，处于发展初期，很多设施和能力还在逐步完善。
受限于模型能力、应用效果等因素，当前落地应用以生成场景为主。
与决策大模型不同，生成式大模型主要应用于文本生成、对话系统、语言翻译等领域，通过分析大量文本数据，学习文本的生成规律和内在语义关系，从而能够生成高质量的文本输出。生成式大模型的代表模型包括 OpenAI 的 GPT 系列和百度文心一言等。
而决策大模型主要应用于推荐系统、强化学习等领域，需要处理的数据通常包含连续的数值变量，而且需要做出决策或预测未来的行为。决策大模型的代表模型包括 DeepMind 的 AlphaZero 系列和 OpenAI 的 Dota2 AI 等。
相比决策大模型，生成式大模型首先在文本生成和对话系统中，数据可以通过大量的文本语料库进行收集和整理，而在推荐系统和强化学习中，数据通常需要人工设计和构造，相对较为复杂。
其次文本生成和对话系统等领域的研究已经比较成熟，有许多现成的算法和框架可以使用，而推荐系统和强化学习等领域则需要更多的探索和研究。
再有文本生成和对话系统等领域的应用场景非常广泛，如搜索引擎、聊天机器人、自动写作等，而推荐系统和强化学习等领域则主要应用于电商、广告、游戏等领域。
一个事实是，虽然生成类场景应用较广，但预测类决策场景是未来高价值场景。无论是大模型供应商，还是企业，想要基于大模型能力实现业务价值的提升，后者才是发力的方向。
大模型落地首先需要选择合适的领域和场景。该领域场景有着较强的数字化能力和数字化基础。
例如，在智能客服领域，可以考虑将大模型应用于 FAQ 问答系统和聊天机器人等场景；在广告推荐领域，可以将其应用于电商平台的个性化推荐等场景；在舆情监测领域，可以将其应用于新闻媒体的内容分类和情感分析等场景。
其次要具备较高的模型能力、应用效果等。而从当前企业用户落地大模型的主要路径来看，集团企业重点是大模型能力建设，一般企业/部门重点是应用场景探索。大模型能力建设分成三个层面：基础设施建设、大模型训练和大模型应用，当前以基础设施建设和大模型训练为主，大模型应用较少。
值得注意的是，目前大模型应用方向主要分为两种，一是小模型为主，大模型提升小模型的开发效率；二是大模型与小模型级联，小模型连接应用，大模型增强小模型能力。
而这种落地路径使得模型能力受限。想要推动大模型落地深度，大模型供应商、企业需要在能力、合作模式上不断探索。
一些深化大模型落地的路径逐渐清晰。未来，随着大模型技术的不断发展和普及，模型级联的应用将会越来越广泛。
例如，可以将多个大模型进行组合和级联，实现更复杂、更精准的语音识别、图像识别、自然语言处理等应用场景。同时，也可以将大模型和小模型进行级联，充分发挥各自的优势，提高模型的性能和泛化能力。
基于此，扩展大模型落地的应用深度，加速各领域决策类场景应用落地。
其次，不同行业有着不同的特定需求，未来大模型需要朝着更加定制化的方向发展。通过对行业特定语料库的训练，大模型可以更好地适应不同行业的实际应用场景。
其次，为了更好地满足实际应用中的效率和资源需求，大模型需要朝着更加轻量级化的方向发展。通过模型压缩和剪枝等技术，可以在保证模型性能的同时，降低模型的大小和计算资源消耗。
此外，随着数据隐私保护问题的日益突出，大模型需要更加注重数据的安全性和隐私保护。联邦学习、差分隐私等技术将在大模型落地中扮演重要角色。
模型的定制化、轻量化、数据安全化成为其落地的重要因素。
中国 AI 大模型的落地应用在智能客服、广告推荐、舆情监测等领域取得了一系列的成果。然而，在落地过程中也面临着诸多困局。未来，随着行业定制化、模型轻量级化和数据安全化等技术的发展，AI 大模型的落地应用将迎来更加广阔的发展空间。
企业应理性看待大模型能力，避免盲目跟风，优先选择数据基础好、容错率高的场景切入，逐步积累经验和数据，最终实现从生成式辅助向决策式赋能的转变。同时，加强合规建设，确保技术应用符合法律法规要求，是实现可持续发展的关键。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online