神州數碼郭爲：2025年，AI大模型商業化落地，專業性、泛化性亟需解決

如果說2023年是AI大模型元年，2024年是行業大模型元年，那麼2025年將成爲大模型實現大規模商業化應用的元年，在這一年中，很可能將成爲很多大模型“生死存亡”的一年，而商業化做得好壞，將成爲決定大模型公司“生死”的關鍵因素。

如何面向企業級客戶的AI轉型需求，提供從底層基礎設施、到模型、到應用平臺的全棧落地解決方案？神州數碼董事長郭爲進行了深入解讀。

大模型將重構企業流程

從當下的發展上來看，大模型在企業側的應用，將從重構企業流程開始。隨着企業數字化轉型進程的推進，企業對於流程管理的管理需求也在發生變化。原先，通過諸如ERP等管理軟件，靜態的流程管理就能滿足企業需求的情況已經不復存在，基於業務敏捷性、流程敏捷性等需求的同時，企業還需要通過打通內部數據流，以滿足讓數據賦能業務的需求，這時候，企業就需要一個全新的流程管理，更爲自動化，更高效的流程管理，成爲企業追求的目標。

對此，郭爲指出，隨着企業數字化轉型進程的推進，企業產品和服務的生命週期發生了翻天覆地的變化，企業對於業務速度的要求，以及業務流程的複雜度在逐漸提高，而大模型在企業流程中的應用，將企業原有的線性的流程打破，將以更多維的形式重構企業業務流程，“這也是我們如今提出AI for Process戰略的原因，”郭爲強調，“爲了能讓企業改變原有的業務流程，更精準的實施決策、營銷等操作，提高運營效率，降低運營成本。”

與此同時，在郭爲看來，數字時代，數據已然成爲新的生產要素和核心資產，企業的服務和產品最終都將以數據資產的形式呈現，持續推動商業模式的創新與升級。而這種“重新編排”的關鍵核心，同樣也將落點在重構企業流程。對企業而言，流程再造既是AI在企業應用中的難點，也是巨大的價值增長點。若能在流程再造中快速引入AI，將顯著提升企業效率和競爭力。

而AI大模型的出現，也加速了企業流程重構的進程。通過大模型，企業能夠自動處理和分析大量數據，減少人工干預，顯著提升效率，並且通過AI技術，企業可以將重複性任務自動化。

另一方面，企業還能使用大模型，通過數據分析和預測，爲管理層提供決策支持。

專業性、泛化性，擋在大模型商業化面前的兩座大山

顯然，AI已經成爲當下最炙手可熱的技術，如何將AI技術融入到企業的生產和業務流程中，實現降本增效，已經是如今各行業企業需要共同面對的話題。在上海⼈⼯智能實驗室主任周伯⽂看來，⼈⼯智能的發展存在“⾼價值區域”。

“未來AGI的⽅向——如何讓⼤語⾔模型在保持泛化能⼒的同時，能夠精準解決專業問題，是當前AI發展的最⼤挑戰。這不僅是技術問題，更是整個AI研究領域的戰略性⽬標。企業需要找到一個方法，讓大模型能夠在確保通用性和泛化能力的同時，還能深度適配特定行業和企業的專業化需求，”郭爲指出，“我們稱之爲‘通專融合’。”

通專融合，是郭爲對於未來AI大模型真正實現商業化落地路徑的研判。“通”“專”兩個維度各自展開來看，“通”的層面上，大模型需要具備泛化的能力，以極低成本實現不同任務間的遷移。

“專”的層面來看，大模型又需要針對不同行業，不同企業，不同業務流程，具備充分的行業“Know How”，即具備豐富的行業專有語料數據，用於訓練大模型，長江商學院會計學副教授 MBA項目學術主任、高層管理教育項目學術主任張維寧表示，在企業中應用大模型，就如同企業招聘專業人員一般，“企業不會招聘一個學會計的人寫代碼，也不會招聘一個寫代碼的人做財務，”張維寧指出，“這點在應用大模型的過程亦是如此，企業需要具有極高的專業性的大模型，才能具備極高的確定性，這纔是大模型商業化的關鍵。”

從目前的應用來看，無論是“通”，還是“專”，在大模型商業化落地的過程中都還存在一些掣肘。而在郭爲看來，只有解決了大模型專業性與泛化能力之間的平衡問題，才能讓大模型成爲變革生產力和創新能力的核心動力。

專業性方面，雖然大模型在自然語言處理等方面表現出色，但在一些專業性很強的領域，如醫學、法律、金融等，其知識深度和準確性可能不夠。例如，在醫學領域，大模型可能無法準確診斷疾病或提供精確的治療方案；在法律領域，可能無法準確解讀複雜的法律條文。這些能力的不足，限制了大模型在這些專業領域的商業化應用。

而這些行業的專有數據的獲取，一方面受限於當下各個企業數字化程度參差不齊，數據質量不高等問題的困擾，沒有充足的行業專有語料用於訓練AI大模型，另一方面，受限於數據安全、隱私保護等顧慮，企業不願意將核心數據用於在相對開放的環境中訓練大模型。

泛化能力方面，大模型首先要面對的就是跨領域、跨專業的挑戰。大模型在訓練時通常是基於特定的數據集和任務，當應用於新的領域或任務時，其泛化能力可能會受到限制。例如，一個在新聞文本上訓練的大模型，在處理科技論文或文學作品時，可能無法取得理想的效果。這就需要不斷優化模型結構和訓練方法，提高其跨領域的適應性。

除此之外，泛化性還涉及到模型的魯棒性和可靠性。在面對各種噪聲、異常數據或惡意攻擊時，大模型需要保持穩定的性能，避免出現錯誤的輸出。例如，在自動駕駛領域，模型必須能夠在各種複雜的路況和天氣條件下準確識別道路和障礙物，確保行車安全。如果模型的泛化性不好，就可能導致嚴重的後果。

AI企業級落地，從“工位級”開始

2024年，AI大模型如何在企業側落地的問題，成爲了幾乎所有企業都在思考的問題。這個問題在2025年初將會繼續成爲企業和AI大模型服務商探索的方向之一。IDC中國區副總裁鍾振山表示，從市場發展上看，大模型市場已經逐漸從做基礎測試、底層算力和平臺搭建等方向，轉向了服務類的應用場景市場。

解決大模型的泛化能力與專業性之間的平衡是大模型商業化落地能否成功的關鍵因素，雖然現階段各方仍處於探索階段，但從市場上看，AI相關的企業級服務已經呈現出了爆發的趨勢。

IDC針對中國市場的調研分析顯示，2024年，中國市場已有33%的企業落地Gen AI應用服務，其中18%計劃增加新一輪投入，有25%的企業正在投資建設Gen AI應用，Gen AI項目的成功率已接近企業滿意度臨界點。到2030年，生成式AI會累積帶來近20萬億美元的經濟收入。

另一方面，應用場景纔是當下數字技術能否商業化的關鍵，對於大模型而言亦是如此。從場景角度出發，助手類的場景是目前業內公認的大模型比較容易實現大規模商業化應用的場景之一。

郭爲以汽車營銷這個細分場景爲例與鈦媒體APP分享了AI大模型在該場景中的應用，他表示，原本的汽車營銷，銷售人員很難準確的捕捉到客戶的需求，需要多輪的交流下來，才能爲用戶匹配到合適的車型，對於車企來說，浪費了大量的人力、財力，還有可能錯失潛在用戶。而對於用戶來說，也需要做很多攻略，才能選擇到適合自己的車。

當利用AI大模型的能力，賦能營銷場景後，用戶進店，銷售人員就能根據用戶公開的授權數據，得到用戶過往在汽車行業的數據，“銷售很容易就能知道用戶買過什麼車，在什麼地方買的，此次關注什麼樣的車型等具體的信息，”郭爲進一步指出，“同時，還能在與用戶的交流中，通過後臺的大模型，實時反饋給銷售人員一些數據，快速匹配到用戶心儀的車型，促成交易。”

除了汽車營銷領域外，電商交易售前、售中、售後等多個場景也是大模型可以“大展身手”的方向。郭爲表示，某頭部電商品牌就利用了神州問學的智能體技術，構建了意圖識別的基礎框架和標準流程，“通過整合大模型的能力，和智能體工作流的構建，提取工程的分類細化以及檢索增強生成等技術，實現了對電商售前、售中和售後等10餘類的購買者意圖，以及每一類意圖中具體流程參數的精準識別。”郭爲指出。

據瞭解，基於該品牌方內部測試結果顯示，項目的整體意圖識別精準率和召回率已經超過了98%，顯著優於原有的基於規則的問答系統，指標結構明顯超出了客戶的預期。

在企業中，類似的場景還有很多，從卷參數到卷應用，大模型的市場競爭已經進入下半場，而如何做好大模型落地的最後一公里，已經成爲衆多AI公司和行業企業關注的焦點，助手類的大模型應用也將在2025年“百花齊放”，如何平衡好泛化能力與專業性之間的天平，將成爲這個過程中，企業重點探索的方向。（本文首發於鈦媒體APP，作者｜張申宇，編輯丨蓋虹達）