关于AI落地“最后一公里”，这里有30条前沿洞察
“2024年是大模型应用场景元年，中国完全可以走出一条具有中国特色的大模型发展之路。”
周鸿祎的预测还言犹在耳，经历了“百模大战”的国产大模型胜出者们，已经吹响了商业场景落地之战的号角。
3月14日，大模型独角兽智谱AI创始人兼CEO张鹏披露了公司目前的商业化进展：已有超2000家生态合作伙伴，实现了超1000个大模型规模化应用，与超200家企业进行深度共创，涵盖了传媒、咨询、消费、金融、新能源、互联网、智能办公等多个细分场景。
3月18日，澜舟科技发布了“一横N纵”孟子大模型系列及产品，以孟子大模型为基础，面向多个ToB场景发布垂直领域的产品。澜舟科技创始人&CEO 周明称，要打破 AI 落地的 " 最后一公里 " 难题。
也是3月18日，同为大模型明星公司的月之暗面宣布，在大模型长上下文窗口技术上取得新的突破，Kimi智能助手已支持200万字超长无损上下文，同时公布了其在医疗、招聘、财务分析等不同领域的测试案例。
随着国产大模型不断解锁新的产品形态和应用场景，如何利用大模型技术助力企业成长、赋能产业升级，成为业界关注的焦点。
以下内容观点来自真正的AI和产业的先行者们，也许能够引发一些思考。
1、大模型技术迭代速度极快，今年将是关键的决战之年。大模型还开辟了新的商业模式。例如，我们推出的生产力提升平台，短短几个月内ARR滚动增长，预计今年将突破千万美元大关，这在传统ToB领域是难以想象的。
2、我们对大模型未来在agency能力上的本质提升持乐观态度。AI幻觉虽然可以通过向量和RA等技术得到部分解决，但复杂推理、决策和任务执行能力的提升才是关键。如果今年下半年，大模型在这些方面取得了显著进步，那么无论是ToC领域的超级助理，还是ToB领域的业务系统整合，大模型的应用都将实现质的飞跃。这将是AI技术应用的一个重大突破，为企业带来更深层次的转型和效率提升。
3、目前，大模型ToC领域的推理成本较高，短期内难以出现超级应用。但大模型的泛化能力预示着ToB领域的起飞。
4、大模型的泛化能力是否能解决不同场景下的产品需求？我们想知道，能否通过生态合作或IC（Independent Contractor）的方式，结合大模型的泛化能力，来打破中国ToB领域过去十几年的困局。我们希望能够减少从数据到训练、推理、产品开发、应用实施的全链条自主研发和建设，转而寻求更高效的解决方案。
5、大模型ToB应用目前主要集中在内容生成和理解上，但大模型的复杂推理和决策执行能力预示着，它将逐步渗透到企业的核心业务系统，如ERP和SOP。随着下一代模型能力的提升，预计今年下半年或明年初，我们将看到大模型在企业业务系统中的应用和落地，这将是企业真正开始大规模应用大模型的起点。
6、在当前的企业应用中，与内容相关的AI技术需求普遍存在，如机器翻译、智能写作、企业知识库的智能问答等，这些几乎成为所有企业的基本需求。然而，国内市场可能很快会变成竞争激烈的红海，企业间将围绕性价比展开激烈竞争。
7、中国市场的特点使得客户倾向于定制化服务，这往往导致项目制的模式。虽然项目有毛利，但公司整体盈利能力较弱。我们正在反思，如何打破这一局面，特别是考虑产品标准化的可能性。
8、大模型提供了一个新的视角和尝试。传统上，ToB和ToC是两个截然不同的领域，但现在我们发现，ToB可以延伸到ToP（Professional User），而这些专业用户本质上是B端的一个节点，进一步可以连接到C端。换句话说，大模型赋能的产品和应用可以跨越C、P和B的界限，这种跨界产品是我们特别希望赋能的。
9、在ToB领域，我们不仅依靠开源大模型的规模和技术领先，更应依靠产品和商业化模式的领先来取得优势。
10、无论是ToB还是ToC，成本、效率和体验都是决定产品成功与否的关键因素。只有在这三个方面都做到优化，产品才能真正满足市场需求，实现商业化落地。
11、无论是面向消费者（ToC）还是企业（ToB），我们都需要打造优质的产品和服务。真正的用户体验和满足刚需是至关重要的。在大模型存在不可靠、错误信息和幻觉等问题时，用户体验的创新空间巨大。因此，产品和服务的质量是我们需要强调的。
12、中国的未来机会在于产业的落地，以及成千上万开发者和各行各业的热情。这种热情将催生出意想不到的创新，将AI的简单功能放大，解决实际问题。
13、我们特别注重技术和应用如何巧妙结合，实现互动。技术的单一方面可能不够全面，应用的粗浅也可能限制其潜力。通过迭代，我们可以探索新的创新力量。同时，关注用户体验和成本是至关重要的，这是实现最后一公里的关键。如果不与用户紧密合作，产品可能永远停留在演示阶段，无法实现真正的突破。
14、为了避免过去人工智能的低谷，我们需要实实在在地将AI技术落地，解决实际问题，这样才能迎来新的浪潮。注重与企业合作，了解他们的需求，从而倒推技术发展的方向。专注是第一步，然后再追求极致。服务模式（model service）、订阅服务（SaaS）、API调用或本地部署等，每一条线都要探索其机会。只有用户满意，商业模式才有意义。
15、在面对大模型技术的快速发展时，我们必须保持清晰的认识，避免被其势头所淹没。许多创业公司在大模型出现后迅速被颠覆，因此在开发大模型应用时必须明确我们的优势所在，并找到那些不会被底层大模型或中间层所取代的元素。关键在于寻找特定的应用场景、行业数据或局部数据，这些是让我们在技术浪潮中保持竞争力的关键。
16、即使在同质化竞争激烈的市场中，性价比也是决定性的因素。随着大模型的到来，算力成为了一个瓶颈问题。我一直在关注，如何通过技术架构层面或芯片层面的创新来解决这一问题。例如，开源芯片设计是否能够与大模型相结合。虽然创业公司可能无法触及底层技术，但在应用层面上，我们可以努力提供极致性价比的产品和服务。
17、在AI时代，我坚信开源是推动技术进步和创新的最佳模式。开源将使大模型不受地域、文化、语言、政治观点和意识形态的限制，能够促进全球范围内的合作与共享，真正造福全人类。
18、开源的力量是不可阻挡的。在国内市场，开源大模型的基础应用和实际落地正在迅速发展，这种发展不仅展示了开源模式的潜力，也为全球AI技术的进步和创新提供了新的动力。
19、开源确实是一件具有重大意义的事情，它将技术民主化，任何有创新想法的人都能利用开源模型快速实现和迭代。这种开放模式也打破了大公司的垄断，为个人和小团队提供了平等的竞争平台。即使是大型公司，其闭源模型的研发力量也无法与全球千万级开发者和数十家公司的合作相比。
20、开源的合作力量目前还不够充分，尽管存在如Apache 2.0等协议促进合作，但仍面临挑战。在这个AI时代，如果大家能够团结合作，将是最有利于发展的策略，尽管这对小公司来说可能存在一些挑战，比如在开源与闭源之间做出适当的选择。如果企业能秉持开放共享、平等合作的态度，合作伙伴将会越来越多。
21、OpenAI选择闭源，这背后有其合理的担忧。大模型的强大能力可能难以控制，合规和监管问题也是OpenAI考虑的重点。他们认为闭源可以更好地控制风险。
22、大模型原生指的是，那些只有在AI大模型支持下才能诞生的创新，传统的技术可能无法实现这些创新，比如原生于大模型的应用Character AI，这些在没有大模型的时代是无法想象的。现在，我特别关心的是这些大模型原生技术如何在美国发展。
23、长期来看，人工智能技术无疑会逐步逼近通用人工智能（AGI），但何时能够真正达到这一目标，这还是一个开放的问题。每一天，AI都在获得新的能力。
24、短期来看，尽管AI技术如多轮对话和翻译有所进步，但如何将这些能力落地并转化为实际价值，尤其是如何实现商业化，仍是一个重大挑战。
25、在AI领域，大模型、多模态和生态是三个关键词。美国已形成三大阵营：微软与OpenAI联盟、谷歌DeepMind，以及开源社区。这些阵营在大模型领域各有所长，OpenAI在通用大模型方面领先，而中国的AI企业则在追赶，致力于开发千亿级规模的模型，并在行业特定模型上取得进展。多模态技术也在迅速发展。生态方面，中美差异显著，尤其在投融资环境和公司估值上。希望今年这种情况有所改变。
26、我们坚信，多模态技术的发展方向将从组合式走向统一的原生多模态，最终实现大模型的整合。这一技术路线是我们坚定不移的追求目标。在3.5版本之前，模型架构可以参考GPT-3，但之后的大模型发展已进入无人区，需要强大的前端研究和创新能力，这是中美技术竞争的关键时刻。
27、美国在模型算法方面的成就，中国不仅能够迅速理解，而且在很多方面也参与其中。例如，微软研究院提出的神经网络架构已经被广泛应用。中国在原创技术方面并不逊色，但我们可以从美国的实践中学习，特别是在顶层设计方面。我们缺乏的是国家层面或联盟体对大模型未来发展的明确规划，包括核心技术、必要趋势和关键模块。如果我们能够清晰定义这些要素，并快速攻关，即使算力不足，我们也有可能通过算法或应用的创新来弥补这一不足，从而在某些方面与美国竞争。
28、我们的大模型发展需要与国家的整体趋势相协调。目前，我们的许多创新都是跟随美国的步伐，对美国的技术和模型进行改良。然而，我们需要的不仅是技术上的局部创新，而是一个综合趋势来推动这些组件技术的前进。
29、应用驱动是至关重要的，而中国在应用场景方面并不逊色于美国。如果我们能够从场景和应用出发，反向驱动技术创新，提高效率，我们将能够更好地推动国家经济和生产力的提升。
微信扫码关注该文公众号作者