大模型應(yīng)用落地白皮書企業(yè) 轉(zhuǎn)型行動指南目錄CONTENTS核心觀點 01第一章：祛魅務(wù)實，大模型加速從探索走向落地 02業(yè)務(wù)驅(qū)動，大模型助力效率飛躍，實現(xiàn)融合的體驗創(chuàng)新 03百舸爭流，大模型服務(wù)商競逐AI浪潮新時代 06第二章：知易行難，企業(yè)落地面臨的挑戰(zhàn)與機(jī)遇 08大模型落地面臨多重挑戰(zhàn) 09領(lǐng)先企業(yè)已從大模型成功落地中率先獲益 13第三章：加快AI轉(zhuǎn)型，構(gòu)建全方位的大模型業(yè)務(wù)落地能力 17大模型業(yè)務(wù)落地能建設(shè)三階段 19破除落地大模型的思維誤區(qū) 23第四章：頭雁效應(yīng)，大模型深入眾多應(yīng)用場景 25大模型應(yīng)用場景不斷擴(kuò)寬，應(yīng)用日漸成熟 26眾多行業(yè)企業(yè)深入大模型落地實踐 30第五章：攻克有徑，跨越大模型落地技術(shù)難題 50大模型落地部署技術(shù)步驟 51精準(zhǔn)選模、高效落地、持續(xù)挖掘——落地三要55第六章：信賴之選，火山引擎大模型服務(wù)助力省心AI轉(zhuǎn)型 58豆包大模型 59火山方舟大模型服務(wù)平臺 616.3扣子 646.4HiAgent 66結(jié)語及未來展望 69核心觀點大模型技術(shù)已經(jīng)邁入與業(yè)務(wù)深度融合的階段大模型技術(shù)已經(jīng)邁入與業(yè)務(wù)深度融合的階段如同云與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等AI小模型一樣，當(dāng)前大模型技術(shù)也進(jìn)入了與業(yè)務(wù)深度整合的關(guān)鍵時期。64%的中國企業(yè)預(yù)計其對AI的投資將增長10-30%，各企業(yè)正基于具體的業(yè)務(wù)場景，積極探索大模型技術(shù)的實際部署與應(yīng)用潛力，以促進(jìn)業(yè)務(wù)發(fā)展。大模型在企業(yè)落地的周期和應(yīng)用速度超出預(yù)期大模型在企業(yè)落地的周期和應(yīng)用速度超出預(yù)期大模型能夠大幅提升企業(yè)生產(chǎn)力、驅(qū)動業(yè)務(wù)創(chuàng)新和增長，是具有突破性和顛覆性的技術(shù)。盡管將大模型技術(shù)與業(yè)務(wù)深度結(jié)合是一個復(fù)雜的專業(yè)過程，但在專業(yè)技術(shù)服務(wù)商的持續(xù)支持下，企業(yè)實現(xiàn)大模型部署的周期已縮短至平均6-12個月，尤其在數(shù)字化領(lǐng)先的企業(yè)中，這一過程更為迅速。企業(yè)正致力于深化業(yè)務(wù)場景探索，以期釋放大模型落地帶來的價值企業(yè)正致力于深化業(yè)務(wù)場景探索，以期釋放大模型落地帶來的價值為了充分利用大模型帶來的商業(yè)機(jī)遇，企業(yè)正不懈探索技術(shù)與業(yè)務(wù)結(jié)合的新模式，逐步打造與自身發(fā)展戰(zhàn)略相契合的大模型應(yīng)用實踐，以期通過大模型技術(shù)的創(chuàng)新應(yīng)用為企業(yè)帶來更大的商業(yè)價值。大模型產(chǎn)品和服務(wù)的選擇和技術(shù)伙伴能讓企業(yè)落地大模型事半功倍大模型產(chǎn)品和服務(wù)的選擇和技術(shù)伙伴能讓企業(yè)落地大模型事半功倍超過47%的企業(yè)認(rèn)為，與領(lǐng)先的大模型廠商建立可靠的合作關(guān)系是項目成功的關(guān)鍵。為提升大模型在企業(yè)側(cè)的落地效率，企業(yè)應(yīng)根據(jù)自身業(yè)務(wù)需求和發(fā)展規(guī)劃，重點考慮具備AI大模型全棧開發(fā)能力、模型及插件工具豐富、內(nèi)嵌垂直場景經(jīng)驗?zāi)０宓膹S商，并選擇可以提供事前、事中、事后全周期咨詢和切實可行實踐方案的服務(wù)商通過制定全局周密的策略，并結(jié)合個性化的業(yè)務(wù)實踐經(jīng)驗，企業(yè)將能夠更有效地推動大模型的成功落地，加快AI轉(zhuǎn)型。01祛魅務(wù)實大模型加速從探索走向落地的體驗創(chuàng)新大模型技術(shù)已經(jīng)成為人工智能領(lǐng)域的焦點，驅(qū)動了AI應(yīng)用的升級和創(chuàng)新。基于大規(guī)模數(shù)據(jù)集的預(yù)訓(xùn)練，讓模型具備了高效處理復(fù)雜語言結(jié)構(gòu)、視覺模式以及多模態(tài)信息的能力，促使人工智能在認(rèn)知理解與決策支持方面邁向更高的階段。在產(chǎn)業(yè)應(yīng)用方面，大模型的實施正在改變企業(yè)業(yè)務(wù)開展、產(chǎn)品服務(wù)、運營管理的傳統(tǒng)模式，為各行業(yè)的智能化升級提供了強(qiáng)有力的支撐。企業(yè)端對大模型的應(yīng)用也已從初步的技術(shù)探索與創(chuàng)新嘗試，逐漸步入以實現(xiàn)商業(yè)價值為核心的新時代。眾多企業(yè)正加快步伐，尋找能夠迅速構(gòu)建商業(yè)閉環(huán)、驗證價值的應(yīng)用場景，期望借助大模型實現(xiàn)運營效率的飛躍、用戶體驗的創(chuàng)新，以及生產(chǎn)力的提升。1.1.1加碼投資，企業(yè)擴(kuò)大試點1.1.1加碼投資，企業(yè)擴(kuò)大試點加大投入力度，AI大模型的關(guān)注度持續(xù)攀升。AI大模型在提升流程效率、增強(qiáng)創(chuàng)新能力方面發(fā)揮著關(guān)鍵作用，并為企業(yè)在市場競爭中贏得優(yōu)勢，例如在個性化營銷內(nèi)容創(chuàng)作、產(chǎn)品設(shè)計創(chuàng)新、用戶體驗優(yōu)化、員工助手打造以及知識專家系統(tǒng)開發(fā)等方面。IDC全球調(diào)研數(shù)據(jù)顯示，37.7%的受訪企業(yè)正在重點投資AI大模型，并預(yù)計在未來三年內(nèi)引入AI軟件及相關(guān)培訓(xùn)和服務(wù)。此外，64%的中國企業(yè)預(yù)計其對AI的投資將增長10-30%。這一顯著的投資增長反映了業(yè)界對AI大模型巨大潛力的日益認(rèn)可。拓展試點范圍，企業(yè)正積極探索AI的應(yīng)用潛力。企業(yè)在AI大模型的應(yīng)用上展現(xiàn)出極高的興趣和參與度，他們通過內(nèi)部研發(fā)、聯(lián)合創(chuàng)新、跨界合作等多種模式，積極探索AI技術(shù)的實際應(yīng)用場景和潛在爆發(fā)力。IDC調(diào)研數(shù)據(jù)顯示，在過去一年里，全球范圍內(nèi)平均對AI大模型項目進(jìn)行了34次概念驗證（POC）測試，這一數(shù)字遠(yuǎn)超其他IT項目，且企業(yè)對AI大模型測試的滿意度高達(dá)70%。這一數(shù)據(jù)表明，AI大模型在解決企業(yè)需求、優(yōu)化運營流程、輔助業(yè)務(wù)拓展方面具有顯著效03果。此外，大多數(shù)CXO級別的高管表示，他們將繼續(xù)增加對AI大模型的各項投入，以加強(qiáng)企業(yè)在AI轉(zhuǎn)型方面的能力建設(shè)。1.1.2多維價值，堅定企業(yè)探索大模型潛力的決心1.1.2多維價值，堅定企業(yè)探索大模型潛力的決心IDC研究認(rèn)為，大模型技術(shù)對于企業(yè)價值的貢獻(xiàn)可從對內(nèi)賦能與對外服務(wù)兩大維度進(jìn)行闡釋。具體而言，該價值可細(xì)化為針對企業(yè)員工、用戶群體、營業(yè)收入及市場拓展四個方面，進(jìn)而構(gòu)建出一個全面的“AI大模型價值圖譜”。此圖譜詳細(xì)描繪了大模型技術(shù)在不同維度上對企業(yè)產(chǎn)生的深遠(yuǎn)影響和價值增值，包括工作效率提升、業(yè)務(wù)引導(dǎo)助理、知識數(shù)據(jù)洞察、用戶體驗創(chuàng)新、生產(chǎn)工具賦能、產(chǎn)品服務(wù)升級、管理方式變革、市場營銷決策8大方向。圖1AI大模型價值圖譜工作效率提升業(yè)務(wù)引導(dǎo)助理工作效率提升業(yè)務(wù)引導(dǎo)助理知識數(shù)據(jù)洞察用戶體驗創(chuàng)新對內(nèi)賦能生產(chǎn)工具賦能AI大模型對外服務(wù)產(chǎn)品服務(wù)升級管理方式變革市場營銷決策用戶 用戶營收 營收市場 市場來源：IDC大模型價值研究，2024年04面向員工：一是利用AI大模型提供的辦公軟件、流程管理軟件、開發(fā)設(shè)計軟件來提高員工工作效率、縮短重復(fù)和復(fù)雜工作時間；二是利用企業(yè)內(nèi)部知識、經(jīng)驗等無形資產(chǎn)和員工培訓(xùn)、企業(yè)規(guī)范、服務(wù)規(guī)則等文本材料，打造具備企業(yè)記憶的專屬AI智能體。面向用戶：一是對用戶信息、消費習(xí)慣、興趣愛好等信息進(jìn)行綜合分析，更好地總結(jié)、對比、預(yù)測用戶數(shù)據(jù)變化和趨勢；二是提供全新的使用交互體驗，如借助智能客服、數(shù)字人等，更好地理解用戶意圖并進(jìn)行產(chǎn)品推薦。面向營收：一是為設(shè)計、編程、制造等工作人員的生產(chǎn)工具賦能，自動生成并創(chuàng)新產(chǎn)品內(nèi)容，加快產(chǎn)品的迭代周期和創(chuàng)新速度；二是創(chuàng)新產(chǎn)品形式，從產(chǎn)品管理、價值創(chuàng)新、上市計劃、價格管理等方面更好地賦能業(yè)務(wù)。面向市場：一是主動分析外部市場變化和內(nèi)部經(jīng)營數(shù)據(jù)，進(jìn)行合規(guī)管理、風(fēng)險預(yù)測、潛在效益分析和建模；二是預(yù)測整體市場表現(xiàn)、各地區(qū)競爭分析、供應(yīng)商能力和相關(guān)風(fēng)險，幫助制定策略，并自動生成相關(guān)宣傳物料。從AI大模型價值圖譜可見，大模型以其強(qiáng)大的能力和廣闊的應(yīng)用前景，有望深入到眾多領(lǐng)域，釋放出巨大的企業(yè)應(yīng)用空間和潛力。此外，根據(jù)IDC針對企業(yè)用戶的大模型調(diào)研數(shù)據(jù)可以看出，無論是優(yōu)化用戶體驗、加速企業(yè)決策，減少重復(fù)勞動、提升員工生產(chǎn)效率，或是推動產(chǎn)品創(chuàng)新與服務(wù)個性化，大部分的受訪企業(yè)都普遍對大模型帶來的價值抱有高度期待。這一預(yù)期進(jìn)一步提升了企業(yè)將大模型技術(shù)轉(zhuǎn)化為實際應(yīng)用的動力。企業(yè)普遍認(rèn)為大模型在推動業(yè)務(wù)增長、構(gòu)建核心競爭力、提升用戶體驗等方面扮演著關(guān)鍵角色。因此，也有越來越多的用戶更加積極地投入到這場技術(shù)革命中，深挖其背后的商業(yè)潛力。05圖2采用AI大模型給企業(yè)帶來的價值53%46%34%53%46%34%32%29%14%加速企業(yè)決策，減少重復(fù)勞動創(chuàng)新產(chǎn)品形式/業(yè)務(wù)價值為員工創(chuàng)造定制化提升優(yōu)化員工工作體驗0.0% 10.0% 20.0% 30.0% 40.0% 50.0% 60.0%數(shù)據(jù)來源：IDC大模型企業(yè)落地進(jìn)展調(diào)研，N=100，2024年8月百舸爭流，大模型服務(wù)商競逐AI浪潮新時代在企業(yè)用戶持續(xù)增加的投資和日益增長的業(yè)務(wù)需求推動下，大模型服務(wù)商們紛紛加快步伐，競相推動這一技術(shù)從創(chuàng)新突破走向企業(yè)應(yīng)用的實際轉(zhuǎn)化，致力于將大模型從服務(wù)商自身的的探索階段推向企業(yè)落地，以滿足各行各業(yè)對智能化轉(zhuǎn)型的迫切需求。這一趨勢不僅促進(jìn)了大模型技術(shù)的快速成熟，也為企業(yè)用戶帶來了更加豐富和高效的應(yīng)用解決方案，助推了大模型落地需求端和大模型技術(shù)服務(wù)供給端的雙向循環(huán)發(fā)展。一方面，大模型技術(shù)服務(wù)在產(chǎn)品服務(wù)和技術(shù)層面實現(xiàn)了諸多的創(chuàng)新突破。為降低企業(yè)的使用門檻，領(lǐng)先的大模型廠商已經(jīng)成功構(gòu)建了從零到一的端到端解決方案，極大地減少了重復(fù)開發(fā)的必要性。企業(yè)可以借助這些既有模型和服務(wù)，避免“重新造輪子”的投入，從而將更多資源和精力集中在業(yè)務(wù)創(chuàng)新上，加速智能化轉(zhuǎn)型的步伐。例如火山引擎持續(xù)豐富豆包大模型家族，基于基礎(chǔ)底座大模型最新06發(fā)布視頻生成、文生圖、圖生圖、語音合成、聲音復(fù)刻、音樂、同聲傳譯等更貼合實際場景的模型，將模型能力進(jìn)一步專業(yè)細(xì)化。此外，為加速企業(yè)搭建內(nèi)部智能體的進(jìn)度，火山引擎還打造了HiAgent——一個企業(yè)專屬的AI創(chuàng)新應(yīng)用平臺；它允許業(yè)務(wù)人員利用提示詞、知識庫、插件等工具，以低代碼方式實現(xiàn)AI落地，集成內(nèi)部數(shù)據(jù)，降低AI開發(fā)的難度、積累AI中臺的厚度。另一方面，大模型技術(shù)服務(wù)商也在不斷地進(jìn)行能力全面升級，深度服務(wù)業(yè)務(wù)場景。為了幫助企業(yè)更有效地落地大模型技術(shù)，技術(shù)服務(wù)商們不遺余力地采用了多種手段來升級自身的服務(wù)能力，深入挖掘各種契合企業(yè)業(yè)務(wù)場景的需求。除了持續(xù)的技術(shù)研發(fā)、優(yōu)化算法、提升數(shù)據(jù)處理能力之外，他們還積極加強(qiáng)對行業(yè)知識的積累，確保為企業(yè)提供能落地、高效率的解決方案。一些大模型技術(shù)服務(wù)商還通過構(gòu)建行業(yè)大模型落地聯(lián)盟、提供專業(yè)咨詢和培訓(xùn)服務(wù)、加強(qiáng)落地場景探索等，全方位地提升自身在幫助企業(yè)應(yīng)用大模型過程中的專業(yè)性和實用性，從而確保AI大模型能夠真正融入企業(yè)的核心業(yè)務(wù)，發(fā)揮出最大的價值。如：火山引擎圍繞行業(yè)需求場景，構(gòu)建大模型應(yīng)用生態(tài)，連續(xù)成立汽車大模型生態(tài)聯(lián)盟、智能終端大模型聯(lián)盟、零售大模型生態(tài)聯(lián)盟，聯(lián)合業(yè)界頭部企業(yè)、技術(shù)廠商和合作伙伴，幫助企業(yè)能夠以極低的試錯成本將大模型技術(shù)應(yīng)用落地到業(yè)務(wù)場景，共同探索AI驅(qū)動未來發(fā)展，提升運營和開發(fā)效率，全面創(chuàng)新用戶體驗。07知易行難企業(yè)落地面臨的挑戰(zhàn)與機(jī)遇在評估大模型的商業(yè)潛力時，企業(yè)和技術(shù)服務(wù)商都普遍持樂觀態(tài)度，并認(rèn)識到這一技術(shù)有望開啟新的商業(yè)機(jī)遇。然而，將大模型的潛力轉(zhuǎn)化為實際業(yè)務(wù)效益的過程，無疑充滿了諸多挑戰(zhàn)。在此次革命性的大模型轉(zhuǎn)型旅程中，企業(yè)不僅要擁抱創(chuàng)新帶來的效率和效能提升，還需精心應(yīng)對成本控制、人才短缺、技術(shù)復(fù)雜性以及信息安全等一系列考驗。大模型落地面臨多重挑戰(zhàn)挑戰(zhàn)1：高成本、復(fù)雜投入下的投資收益挑戰(zhàn)挑戰(zhàn)1：高成本、復(fù)雜投入下的投資收益挑戰(zhàn)IDC調(diào)研顯示，算力成本、隱形的機(jī)會成本、投資回報的長周期以及不足的人才儲備是企業(yè)落地大模型遇到的第一道難題，具體包括：算力成本：算力資源的消耗是當(dāng)下阻礙AI大模型落地的最主要因素，這一成本對不少企業(yè)的財務(wù)狀況構(gòu)成了較大的壓力。調(diào)研數(shù)據(jù)顯示，92%的企業(yè)認(rèn)為在大模型工程化落地階段，缺少算力資源是最大的挑戰(zhàn)；細(xì)分來看，89%的高管認(rèn)為模型訓(xùn)練成本高，81%的高管認(rèn)為模型推理成本高。對比而言，模型的調(diào)優(yōu)成本已經(jīng)相對低價，僅有35%的企業(yè)認(rèn)為模型調(diào)優(yōu)（Fine-tun-ing/Prompt）成本高。這些成本無疑是企業(yè)財務(wù)投入的重要考量點，使得企業(yè)在做出是否引入大模型的相關(guān)決策時顯得猶豫不決，不得不權(quán)衡預(yù)算和投資回報之間的比重。圖3算力資源是企業(yè)落地大模型最大的挑戰(zhàn)92.0%89.0%81.0%92.0%89.0%81.0%缺少算力資源 模型訓(xùn)練成本高 模型推理成本高數(shù)據(jù)來源：IDC大模型企業(yè)落地進(jìn)展調(diào)研，N=100，2024年8月09選擇錯誤下的機(jī)會成本：機(jī)會成本，雖然并非直接的經(jīng)濟(jì)支出，但它同樣是企業(yè)在是否引入大模型決策時不可忽視的成本之一。它代表了企業(yè)為了選擇某一方案而放棄的、可能是更佳替代方案的價值。尤其在瞬息萬變的市場環(huán)境中，企業(yè)抓住機(jī)遇的時間窗口極為有限；一旦錯失或在大模型初始的選擇時對其性能、適配度、應(yīng)用能力等方面欠考慮，企業(yè)可能面臨巨大的機(jī)會成本，甚至可能要承受數(shù)倍的額外負(fù)擔(dān)，如后期不得不進(jìn)行的模型切換、基礎(chǔ)設(shè)施的改造升級等。實際與預(yù)期回報仍有差距：根據(jù)IDC的調(diào)研，雖然企業(yè)對AI大模型項目抱有極高的期望，普遍期待能夠?qū)崿F(xiàn)1-3倍的投資回報率（ROI），但現(xiàn)實情況卻與這些美好愿景有所偏差。目前，大多數(shù)企業(yè)觀察到的投資回報實際上低于50%，這一數(shù)據(jù)與其對大模型的高度關(guān)注和前期投資預(yù)期形成了較大的落差。面對這樣的現(xiàn)狀，企業(yè)在投入AI大模型項目時，普遍較為審慎，且在內(nèi)部投資決策時受到較大的阻力。多方面人才積累不足：目前多數(shù)企業(yè)在AI人才方面的儲備尚顯不足。企業(yè)落地大模型不僅亟需專業(yè)的大模型開發(fā)人才，還需要具備算法優(yōu)化、數(shù)據(jù)處理、計算能力、測試驗證等技能的實用型人才。由于AI大模型的全方位開發(fā)人才難以在短期內(nèi)迅速積累，企業(yè)在探索和實施大模型應(yīng)用的過程中，內(nèi)部人才不足，而外部招聘難覓懂自身業(yè)務(wù)又了解大模型落地的專業(yè)人才，使得落地受阻。挑戰(zhàn)2：模型選配難題精準(zhǔn)匹配難，適配挑戰(zhàn)加劇挑戰(zhàn)2：模型選配難題精準(zhǔn)匹配難，適配挑戰(zhàn)加劇部分場景下模型效果接受度低：87%的企業(yè)認(rèn)為模型精度還不能滿足落地要求，無法衡量具體效果；具體表現(xiàn)在涉及用戶信息、面向生產(chǎn)和決策的任務(wù)中，對模型的邏輯推理、任務(wù)執(zhí)行要求更高，而當(dāng)前大模型的泛化性使得企業(yè)在模型優(yōu)化上面臨更大的挑戰(zhàn)。10大模型選型困難：在模型的選擇方面，IDC調(diào)研顯示，62%的企業(yè)認(rèn)為市場上模型選擇太多，缺乏選擇的標(biāo)準(zhǔn)和評判依據(jù)。企業(yè)通常參考模型準(zhǔn)確率排行榜、社區(qū)口碑推薦來選擇模型，并自行搭建內(nèi)部業(yè)務(wù)數(shù)據(jù)測試集來簡單評測效果，而這一過程又缺少完整、科學(xué)、豐富的評估體系和標(biāo)準(zhǔn)。通用模型能力與專業(yè)需求不匹配：IDC調(diào)研顯示，50%的企業(yè)認(rèn)為模型能力與業(yè)務(wù)需求不匹配，原因是通用大模型無法滿足專有場景的需求。模型上線性能難以保證：正式上線后的服務(wù)響應(yīng)時間、穩(wěn)定性、并發(fā)數(shù)、高吞吐、可擴(kuò)展性往往不可預(yù)測，而這些正是企業(yè)最關(guān)心的問題。圖4公司落地大模型面臨的挑戰(zhàn)-模型層62%50%39%62%50%39%市場上模型太多，沒有選擇標(biāo)準(zhǔn)和評判依據(jù)0.0%10.0%20.0%30.0%40.0%50.0%60.0%70.0%80.0%90.0%數(shù)據(jù)來源：IDC大模型企業(yè)落地進(jìn)展調(diào)研，N=100，2024年8月挑戰(zhàn)3：模型部署落地：細(xì)節(jié)挑戰(zhàn)遍布，每一步都是考驗挑戰(zhàn)3：模型部署落地：細(xì)節(jié)挑戰(zhàn)遍布，每一步都是考驗效果調(diào)優(yōu)路徑多、執(zhí)行難：59%的企業(yè)認(rèn)為模型調(diào)優(yōu)（PromptEngineer-ing/Fine-tuning）是大模型開發(fā)中投入最多且挑戰(zhàn)更大的工作之一。由于模型優(yōu)化方式、路徑、調(diào)整程度選擇多樣且企業(yè)缺少足夠經(jīng)驗和技術(shù)支撐，導(dǎo)致該過程復(fù)雜且耗時，使得經(jīng)驗欠缺的企業(yè)在執(zhí)行過程中面臨眾多困難。分裂的開發(fā)環(huán)節(jié)造成事倍功半：企業(yè)在實施大模型的落地過程中，涉及從開發(fā)到部署的多個復(fù)雜步驟，包括但不限于二次訓(xùn)練、數(shù)據(jù)管理、參數(shù)優(yōu)化、11效果精細(xì)調(diào)整、Prompt工程、RAG（檢索增強(qiáng)生成）、生態(tài)插件集成、模型性能評估、模型剪枝與蒸餾、模型維護(hù)管理以及算力資源調(diào)度等十余個關(guān)鍵環(huán)節(jié)，每個環(huán)節(jié)都涵蓋了眾多細(xì)致的工程化任務(wù)，對技術(shù)團(tuán)隊和開發(fā)人員來說是一項復(fù)雜而繁瑣的挑戰(zhàn)。沒有穩(wěn)定的數(shù)據(jù)底座則無法發(fā)揮最大價值：在推進(jìn)大模型應(yīng)用的過程中，數(shù)62%的高管挑戰(zhàn)4：潛在安全風(fēng)險與可解釋性的雙重挑戰(zhàn)挑戰(zhàn)4：潛在安全風(fēng)險與可解釋性的雙重挑戰(zhàn)缺少全周期安全可信方案：大模型服務(wù)擁有更長的鏈條，涉及全周期的數(shù)據(jù)和模型管理、模型調(diào)優(yōu)、使用交互、查詢調(diào)用等，因此需要考慮為大模型搭建專門的安全模塊。模型生成內(nèi)容準(zhǔn)確性和可解釋性不足：8%的企業(yè)表示希望提高模型和數(shù)據(jù)的可解釋性，這需要大模型學(xué)習(xí)、鏈接關(guān)鍵業(yè)務(wù)信息，并在模型微調(diào)提高精度的同時，確保關(guān)鍵信息不泄露、不被模型學(xué)習(xí)了解，以及數(shù)據(jù)不可隨意被查看和問詢。12領(lǐng)先企業(yè)已從大模型成功落地中率先獲益在積極探索和落地大模型的過程中，企業(yè)雖然面臨不同程度的挑戰(zhàn)，但整體來看，先行擁抱和落地AI大模型的企業(yè)已經(jīng)展現(xiàn)了清晰的收益曲線，不少率先解鎖大模型紅利的先鋒實踐案例為期待大模型為自身業(yè)務(wù)帶來變革的觀望者注入了落地的動力。2.2.1大模型落地收益曲線2.2.1大模型落地收益曲線IDC以如下收益曲線以描述市場情況，橫縱坐標(biāo)分別表示企業(yè)擁抱AI的程度和企業(yè)獲得的收益。在企業(yè)跨過前期探索和正式投資建設(shè)后，AI大模型的部署和落地可以為企業(yè)帶來明顯可見的收益，包括工作效率的提升、用戶體驗的升級和市場競爭力的增強(qiáng)。但投資回報與前期投入持平的時間點并不是固定的；企業(yè)對大模型擁抱程度越高、資源投入和落地范圍越大、應(yīng)用深度越深，這個時間點也會越早到來，企業(yè)收益也會更明顯。圖5大模型收益曲線P3:臨界點——大規(guī)模收益與S1+S2投入平衡P3:臨界點——大規(guī)模收益與S1+S2投入平衡t部署上線S3:企業(yè)落地與持續(xù)更新階段企業(yè)擁抱AI程度S2:規(guī)?；剿鏖_發(fā)階段P1:廠商POC驗證S1:小范圍測試階段大部分企業(yè)所在階段——市場呈紡錘結(jié)構(gòu)來源：IDC，202413S1：小范圍測試階段——即開始嘗試探索AI大模型應(yīng)用階段。該階段資源投入較少，可明顯為企業(yè)帶來新的體驗和價值增長；但由于僅處在小范圍驗證階段，所以增益空間有限。S2：規(guī)?；_發(fā)階段——即進(jìn)入大模型服務(wù)規(guī)?；度腚A段。由于需要整體架構(gòu)的開發(fā)和服務(wù)解決方案的落地和時間驗證，企業(yè)所獲得的收益并不明顯；但隨著大模型應(yīng)用的部署上線，帶來的收益也隨之增長。S3：企業(yè)落地與持續(xù)更新階段——即不斷完善更新大模型服務(wù)來增加收益階段。該收益得益于內(nèi)部成本降低、人員效率提高，以及外部產(chǎn)品服務(wù)創(chuàng)新升級帶來的市場競爭優(yōu)勢。P1：廠商POC驗證——該點表示為企業(yè)在經(jīng)歷大模型小范圍探索后進(jìn)行大規(guī)模資源投入前的廠商服務(wù)驗證POC時刻。P2：應(yīng)用部署上線——該點表示為AI應(yīng)用大規(guī)模部署上線的時刻。P3：盈虧平衡臨界點——該點表示大模型帶來的收益與投入支出平衡的時刻。142.2.2搶跑AI時代：先鋒企業(yè)率先解鎖大模型紅利2.2.2搶跑AI時代：先鋒企業(yè)率先解鎖大模型紅利實例揭示，AI大模型在企業(yè)應(yīng)用中的成效顯現(xiàn)。大模型具備可以快速落地、不用重復(fù)進(jìn)行基礎(chǔ)工作建設(shè)的優(yōu)勢，因此對企業(yè)而言落地更快、更易見效。IDC調(diào)研顯示，大模型的落地周期多在6-12個月（48.5%）和12-18個月之間上線時間更短，最快可1個月內(nèi)完成落地。因此，率先落地的先鋒企業(yè)已經(jīng)收獲大模型落地的紅利。上汽乘用車?yán)枚拱竽Ｐ透祚雎牱答仭坝脩糁暋?。上汽乘用車通過引入豆包大模型，可以快速處理來自公域和私域的“用戶之聲”，并精確理解每條內(nèi)容，在服務(wù)反饋、熱點事件跟蹤和質(zhì)量改進(jìn)等領(lǐng)域取得顯著成效，為用戶帶來更加優(yōu)質(zhì)的體驗和服務(wù)。火山引擎助力中國飛鶴落地AI技術(shù)?；鹕揭嫣峁〩iAgent平臺，針對企業(yè)級市場進(jìn)行深度定制，通過段位劃分策略，幫助企業(yè)員工逐步掌握HiAgent使用，同時通過原廠咨詢、內(nèi)置最佳實踐應(yīng)用效果評測確保達(dá)到生產(chǎn)級標(biāo)準(zhǔn)。平臺將AI技術(shù)融入各個業(yè)務(wù)流程中，從而提升整體運營效率和市場競爭力，為數(shù)字化轉(zhuǎn)型提供了堅實基礎(chǔ)；在某智能問答項目中，能夠處理廣泛的消費者咨詢，實現(xiàn)100%的問答響應(yīng)率，同時保持了超過95%的高準(zhǔn)確率。火山引擎攜手中手游為《仙劍世界》打造AINPC。利用火山引擎RAG方案，中手游打造游戲精靈“圓滿”，使其具備更智能的輔助功能，其可以根據(jù)玩家的行為數(shù)據(jù)和游戲內(nèi)的進(jìn)程，提供最適合玩家角色當(dāng)前狀態(tài)的支持，如任務(wù)推薦、玩法說明等，從而減少玩家在游戲中的阻礙感，提升游戲樂趣。火山方舟平臺充分滿足中手游對對游戲的的高RPM/TPM要求，通過按需調(diào)整配額，保障游戲在超大流量下的服務(wù)穩(wěn)定性，并打造極致性價比，助力降低技術(shù)、資金與人力成本。15企業(yè)CXO普遍預(yù)計，未來一年大模型服務(wù)將會帶來更多的效益改善。面向未加2%收入、縮短24%流程時間、提高17%員工工作效率、提高7%資產(chǎn)利用圖6未來一年AI大模型給企業(yè)帶來的效益18%2%24%17%18%2%24%17%7%降低成本7%提高資產(chǎn)利用率

增加收入19%19%創(chuàng)新定制化、精細(xì)化產(chǎn)品與服務(wù)水平

6%提升洞察力6%

提高員工生產(chǎn)、研發(fā)效率2%2%提升決策速度數(shù)據(jù)來源：IDC大模型企業(yè)落地進(jìn)展調(diào)研，N=100，2024年8月16加快AI轉(zhuǎn)型構(gòu)建全方位的大模型業(yè)務(wù)落地能力初始意愿戰(zhàn)略驅(qū)動戰(zhàn)略投入業(yè)務(wù)驅(qū)動初始意愿戰(zhàn)略驅(qū)動戰(zhàn)略投入業(yè)務(wù)驅(qū)動戰(zhàn)略分析業(yè)務(wù)分析場景試點策略業(yè)務(wù)場景結(jié)合數(shù)據(jù)資產(chǎn)盤點資源、能力整合搭建團(tuán)隊 數(shù)據(jù)評估業(yè)務(wù)、技術(shù)、流程融合 數(shù)據(jù)要素的準(zhǔn)備度 應(yīng)用智能體業(yè)務(wù)拓展戰(zhàn)略規(guī)劃應(yīng)用開發(fā)與部署上線橫向業(yè)務(wù)場景拓展對內(nèi)企業(yè)IT持續(xù)優(yōu)化、應(yīng)用協(xié)作工具鏈、流程、數(shù)據(jù)、場景模型調(diào)優(yōu)縱向業(yè)務(wù)場景拓展擴(kuò)展至多節(jié)點、復(fù)雜任務(wù)對外開發(fā)平臺搭建模型接入效果調(diào)優(yōu)性能安全測試算力儲備模型部署應(yīng)用上線應(yīng)用建設(shè)路徑效果評估模型選擇資源投入計劃聯(lián)合創(chuàng)新 競爭力 降本增效來源：IDC，202418大模型業(yè)務(wù)落地能力建設(shè)三階段提前做好計劃準(zhǔn)備、扎實推進(jìn)模型部署、持續(xù)優(yōu)化迭代三大階段對企業(yè)建設(shè)全方位的大模型業(yè)務(wù)落地能力、實現(xiàn)AI轉(zhuǎn)型至關(guān)重要。具體來看：階段一：計劃準(zhǔn)備階段階段一：計劃準(zhǔn)備階段首先明確初始意愿。企業(yè)高管在了解AI大模型解決方案時切忌盲目跟從技術(shù)潮流，而是需要從企業(yè)整體的層面明確落地AI大模型的原始驅(qū)動力，分析與AI結(jié)合的可能性、行動路線并做好預(yù)期收益的管理：戰(zhàn)略驅(qū)動：即企業(yè)可能沒有明確的AI+場景落地計劃，但考慮企業(yè)的發(fā)展環(huán)境、行業(yè)趨勢、競爭態(tài)勢，有必要將大模型落地作為戰(zhàn)略性規(guī)劃的一環(huán)。從戰(zhàn)略布局出發(fā)，分析內(nèi)外部發(fā)展環(huán)境，盤點企業(yè)內(nèi)部資源和能力，制定場景試點策略，制定篩選場景的標(biāo)準(zhǔn)和路徑。業(yè)務(wù)驅(qū)動：企業(yè)已經(jīng)有了非常明確的業(yè)務(wù)場景，迫切地需要引入大模型的能力來進(jìn)行應(yīng)用場景的改造，以實現(xiàn)降本增效、提升效率、優(yōu)化體驗等目標(biāo)；執(zhí)行切實可行的業(yè)務(wù)分析策略，了解場景現(xiàn)狀、預(yù)期目標(biāo)、數(shù)據(jù)的就緒度、梳理業(yè)務(wù)流程；深入探索業(yè)務(wù)場景結(jié)合點和需求程度，將大模型解決方案與特定的業(yè)務(wù)環(huán)境、業(yè)務(wù)流程或業(yè)務(wù)需求緊密聯(lián)系起來。其次剖析目標(biāo)任務(wù)，了解就緒度。在確定需求和目標(biāo)后，從資源盤點、流程梳理、能力自查三個方面來考慮并拆解目標(biāo)，充分參考了解大模型落地所需的企業(yè)資源投入，制定詳細(xì)周密的時間和建設(shè)計劃：一是資源盤點，在最短時間內(nèi)梳理內(nèi)部資源，如數(shù)據(jù)資源、算力資源，并分析資源整合的可能性和優(yōu)先級，確定可為AI大模型的落地提供完備的后續(xù)支撐；了解是否數(shù)據(jù)充足、治理水平如何、是否有大量未清洗數(shù)據(jù)、是否需要外部購買數(shù)據(jù)、有無數(shù)據(jù)獲取渠道、算力資源如何購買以及計費方式；19二是流程梳理，AI的搭建、應(yīng)用并不是點對點的數(shù)據(jù)傳輸，在模型調(diào)優(yōu)、模型管理、查詢調(diào)用、內(nèi)容生成的過程中，均涉及企業(yè)、部門、團(tuán)隊內(nèi)外的多個組織方和參與方，只有明晰AI執(zhí)行的過程方式，才可以更好地進(jìn)行開發(fā)建設(shè)和運營管理；三是能力自查，大模型的建設(shè)需要大量專業(yè)人才和業(yè)務(wù)人才共同合作，因此企業(yè)應(yīng)重點考慮評估人才資源基礎(chǔ)和經(jīng)驗知識儲備，制定研發(fā)創(chuàng)新的人才投入形式，是否需要低代碼、輕量化的開發(fā)平臺，以及是否需要外部合作來進(jìn)行定制化開發(fā)。最后，搭建跨部門團(tuán)隊確保大模型落地的推進(jìn)。大模型是對企業(yè)人員、市場、產(chǎn)品、業(yè)務(wù)場景的賦能，不僅僅是“底座”“中臺”等概念；其需求的提出和最終實現(xiàn)均來源于使用方，而非僅靠數(shù)據(jù)部門、科技部門的采購開發(fā)就可以落地。企業(yè)應(yīng)充分獲得高級管理者的支持，搭建跨部門協(xié)作團(tuán)隊，制定人、財、物資源的管理和監(jiān)管制度，確保資源的即時響應(yīng)和快速供給，實現(xiàn)資源的有效整合和優(yōu)化配置，從而推動大模型在企業(yè)的深入融合和高效運行。圖7您認(rèn)為開發(fā)大模型時前期準(zhǔn)備工作的重要性確定關(guān)鍵考慮指標(biāo)45%制定安全規(guī)則40%測試大模型水平38%組建跨部門團(tuán)隊31%梳理場景需求30%梳理內(nèi)部數(shù)據(jù)29%確定投入預(yù)算及周期28%建立評估體系27%招募專業(yè)人才18%尋求外部專家團(tuán)隊咨詢0.0%10.0%14%20.0%30.0%40.0%50.0%數(shù)據(jù)來源：IDC大模型企業(yè)落地進(jìn)展調(diào)研，N=100，2024年8月20階段二：模型部署階段階段二：模型部署階段模型部署是最核心的落地環(huán)節(jié)，將直接影響企業(yè)應(yīng)用AI大模型的實現(xiàn)效果，因此需要按照科學(xué)的路徑進(jìn)行開發(fā)建設(shè)。此過程包括如下重點步驟：資源投入計劃：明確開發(fā)AI大模型落地過程中所需要的專業(yè)人才、資金投入、數(shù)據(jù)準(zhǔn)備和管理，以及業(yè)務(wù)領(lǐng)域所需的知識經(jīng)驗；模型選擇：結(jié)合具體的需求從模型精度、效果、參數(shù)規(guī)模、場景匹配度來篩選適合自身的模型；效果預(yù)測：預(yù)測AI時間、TPM、RPM（TPM：TokensPerMinute每分鐘TokensRPM：RequestsPerMinute每分鐘請求數(shù)）；應(yīng)用建設(shè)路徑：規(guī)劃AI大模型的建設(shè)周期、落地具體場景、覆蓋使用廣度、垂直場景應(yīng)用深度；算力準(zhǔn)備：考慮推理與計算成本和使用方式，以及購買的規(guī)模、服務(wù)的選擇；開發(fā)平臺搭建：為AI大模型的應(yīng)用率先搭建好底層開發(fā)平臺，覆蓋LLMOps全流程，接入豐富的Agent工具鏈、API管理服務(wù)和數(shù)據(jù)引擎平臺；可以重點考慮提供低代碼、全流程大模型開發(fā)能力的廠商；模型接入方式：即考慮模型接入和部署應(yīng)用的方式，包括云端接入、API管理、線下部署；面向簡易快速上線以及企業(yè)級、部門級應(yīng)用定制化開發(fā)，挑選可以提供多產(chǎn)品選擇的服務(wù)；效果調(diào)優(yōu)：即提升模型效果使其更滿足自身業(yè)務(wù)需求，主要可通過Prompt工程、RAG增強(qiáng)檢索生成、有監(jiān)督調(diào)優(yōu)、基于人類反饋優(yōu)化等；性能安全測試：即在模型上線前確保性能穩(wěn)定和安全可信；21應(yīng)用上線：即考慮應(yīng)用上線范圍和管理，包括跨平臺、系統(tǒng)部署、跨數(shù)據(jù)源生成、多版本管理。階段三：迭代優(yōu)化階段階段三：迭代優(yōu)化階段AI大模型在應(yīng)用測試和效果評估后可正式上線，但這并不是整個流程的結(jié)束，企業(yè)還應(yīng)重點考慮模型的可成長性。隨著使用量和使用方向的增多，應(yīng)進(jìn)一步開展調(diào)優(yōu)訓(xùn)練和知識管理，達(dá)到“越用越好”的效果。因此，模型的部署完成并非終點，企業(yè)仍需持續(xù)關(guān)注并致力于大模型在三個關(guān)鍵層面的迭代與優(yōu)化：智能體應(yīng)用效能的提升、跨業(yè)務(wù)領(lǐng)域的拓展應(yīng)用，以及對企業(yè)整體戰(zhàn)略規(guī)劃的對內(nèi)和對外的影響：智能體優(yōu)化，即針對基于大模型的智能體的能力和水平的持續(xù)提升。對于開發(fā)上線的AI智能體應(yīng)用，企業(yè)可以持續(xù)提升模型的精度、改善用戶體驗，例如通過AB測試評估調(diào)優(yōu)后的效果，并針對在應(yīng)用服務(wù)過程中遇到的工具缺失、流程混亂、數(shù)據(jù)管理困難、場景需求升級等問題進(jìn)行優(yōu)化完善，以保證其發(fā)揮最大的價值和效果。業(yè)務(wù)擴(kuò)展，即將已成功的基于大模型的應(yīng)用擴(kuò)展至相關(guān)或更復(fù)雜的業(yè)務(wù)領(lǐng)域以挖掘更多的價值。橫向業(yè)務(wù)拓展：在實際應(yīng)用AI大模型中，企業(yè)往往會首先選擇1-2個易于落地、急需改善的場景進(jìn)行項目試點，當(dāng)完成項目上線并評估可持續(xù)投資后，可結(jié)合積累的技術(shù)、開發(fā)、流程、管理經(jīng)驗，共享同一套平臺、工具和資源，進(jìn)一步將模型應(yīng)用到其他場景中，服務(wù)不同的人員，打通、管理更多的數(shù)據(jù)和實踐經(jīng)驗?？v向場景延伸：知識管理、對話問答、查詢分析是AI大模型最先落地的場景，隨著模型的升級和應(yīng)用需求的加深，企業(yè)應(yīng)考慮將小范圍、簡單任務(wù)擴(kuò)展至多層次、復(fù)雜任務(wù)，打造可以同時滿足多個任務(wù)的智能體，探索、擴(kuò)大大模型的服務(wù)深度和邊界。22戰(zhàn)略規(guī)劃，即從企業(yè)整體的視角評估大模型部署落地后對企業(yè)整體競爭力的改變，同時關(guān)注其對IT基礎(chǔ)設(shè)施的影響。持續(xù)關(guān)注企業(yè)對外的差異化競爭優(yōu)勢：當(dāng)AI大模型應(yīng)用上線后，企業(yè)應(yīng)重點考慮競爭環(huán)境，了解其他企業(yè)與AI的結(jié)合深度和布局計劃，評估、判斷自身企業(yè)在當(dāng)前和未來的競爭力和優(yōu)勢對比，從而制定、明確AI大模型下一輪的投資和開發(fā)計劃，以促進(jìn)應(yīng)用和產(chǎn)品的迭代，形成長期差異化競爭優(yōu)勢。對內(nèi)關(guān)注企業(yè)整體數(shù)字化基礎(chǔ)設(shè)施的能力：大模型上線后，企業(yè)IT基礎(chǔ)設(shè)施面臨一系列的變化，包括計算資源需求、服務(wù)器負(fù)載、存儲空間、數(shù)據(jù)管理、安全性和隱私保護(hù)等。因而企業(yè)需要關(guān)注現(xiàn)有IT系統(tǒng)的升級和優(yōu)化，以確保大模型的高效運行。破除落地大模型的思維誤區(qū)對大模型落地這一新的企業(yè)課題，在準(zhǔn)備、實施和優(yōu)化三大階段中，企業(yè)容易產(chǎn)生認(rèn)知誤區(qū)。這些誤區(qū)如同迷霧，籠罩在企業(yè)前進(jìn)的道路上。為幫助猶豫觀望的企業(yè)梳理發(fā)展路徑，避免在大模型落地過程中走不必要的彎路，我們歸納了先行者在探索過程中常見的思維陷阱：23技術(shù)指標(biāo)VS商業(yè)應(yīng)用把技術(shù)指標(biāo)（參數(shù)量、數(shù)據(jù)訓(xùn)練規(guī)模）等當(dāng)作商業(yè)應(yīng)用成功與否的指標(biāo)，而忽略了大模型的實際效果。成本VS需負(fù)擔(dān)的成本大模型的訓(xùn)練確實需要大量的計算資源和資金，但并不意味著企業(yè)用戶需要承擔(dān)大模型全部的費用和成本投入。目前，大模型技術(shù)服務(wù)商已經(jīng)通過預(yù)訓(xùn)練、模型微調(diào)、算法優(yōu)化等技術(shù)降本的方式，使企業(yè)以相對合理的成本享受大模型的技術(shù)優(yōu)勢。企業(yè)用戶可以直接選擇成熟的預(yù)訓(xùn)練模型，不需要從0開始訓(xùn)練。開發(fā)流程VS全生命周期的開發(fā)工具開發(fā)大模型不是需要用戶獨立建立開發(fā)流程、實現(xiàn)端到端開發(fā)，技術(shù)供應(yīng)商能提供全周期的開發(fā)平臺和流程推薦，并提供插件、測試、數(shù)據(jù)管理等“開箱即用”和低代碼的工具組件，幫助企業(yè)更加敏捷、快速地應(yīng)用AI。短期產(chǎn)出VS長期投入關(guān)注短期內(nèi)大模型帶來的價值產(chǎn)出，而忽略長效投入下的價值收益。模型上線不等于AI應(yīng)用落地的結(jié)束，還需要長期的投入。僅關(guān)注短期產(chǎn)出，可能將忽略數(shù)據(jù)飛輪效應(yīng)的長遠(yuǎn)收益。安全隱私VS大模型商業(yè)價值擔(dān)心引入大模型會伴隨著產(chǎn)生數(shù)據(jù)隱私和數(shù)據(jù)安全的風(fēng)險，而忽略了大模型落地對現(xiàn)有數(shù)據(jù)資產(chǎn)和數(shù)據(jù)價值發(fā)揮的推動作用。實際上，大模型技術(shù)供應(yīng)商圍繞大模型開發(fā)和使用提供了全棧安全可信解決方案，可保證全流程的模型和數(shù)據(jù)安全。來源：IDC，202424頭雁效應(yīng)大模型深入眾多應(yīng)用場景隨著大模型在眾多企業(yè)中的落地實踐不斷取得成功，其應(yīng)用場景正逐步拓寬。這些企業(yè)在不同業(yè)務(wù)場景中的積極探索和驗證，使得大模型的能力得到了廣泛認(rèn)可。從最初的業(yè)務(wù)試點到如今的深度融入，大模型的應(yīng)用范圍不斷擴(kuò)展，涵蓋了生產(chǎn)、管理、營銷等眾多領(lǐng)域。大模型應(yīng)用場景不斷擴(kuò)寬，應(yīng)用日漸成熟IDC研究總結(jié)了十大核心能力和十大應(yīng)用領(lǐng)域，每個應(yīng)用領(lǐng)域下梳理十個細(xì)分場景，梳理了AI大模型落地應(yīng)用場景全景圖，并分析其落地成熟度和發(fā)展?jié)摿?，以期為市場和企業(yè)提供參考，幫助企業(yè)選擇最合適落地的場景和服務(wù)。十大核心能力：包括文本生成、圖像生成、視頻生成、推薦搜索、數(shù)據(jù)分析、智能決策、會話問答、知識管理、多模態(tài)、邏輯推理；十大應(yīng)用領(lǐng)域：包括金融、互聯(lián)網(wǎng)、零售消費、醫(yī)藥健康、智能終端、游戲、企業(yè)服務(wù)、文化娛樂、教育科研、汽車；26圖8AI大模型落地應(yīng)用場景全景圖汽車 金融 互聯(lián)網(wǎng)智能座艙 自動駕駛產(chǎn)品設(shè)計 仿真模市場營銷 客群分供應(yīng)鏈管理 智能制銷量預(yù)測 企業(yè)服

財富顧問市場營銷智能客服研報分析市場預(yù)測展業(yè)拓客金融產(chǎn)品創(chuàng)新金融風(fēng)控數(shù)字員工代客交易

情感陪伴搜索問答商品推薦廣告推送營銷文案生成教育培訓(xùn)教育科研論文助手 實驗仿真

零售消費智慧門店 銷量預(yù)測科研結(jié)果創(chuàng)新教學(xué)設(shè)計機(jī)器人輔助虛擬教師作業(yè)出題批改教案生成行政管理助手學(xué)生培養(yǎng)文化娛樂輿情分析內(nèi)容審核圖片生成興趣愛好推薦回話問答虛擬人形象

邏輯推理 文本生成 圖像生多模態(tài) 視頻生生成式AI知識管理 搜索推會話問答 智能決策 數(shù)據(jù)分

供應(yīng)鏈管理 用戶行為分析廣告?zhèn)€性化 商品搜索推薦數(shù)字員工 售前售后客文案視頻設(shè)計 商品介紹生醫(yī)藥健康藥物研發(fā) 論文總結(jié)專利分析 智能導(dǎo)診分診手術(shù)機(jī)器人 用藥推薦醫(yī)生助手 個人健康助診后回訪監(jiān)測 患者問答企業(yè)服務(wù)數(shù)字人客服辦公軟件供應(yīng)鏈管理 人力資源管

游戲游戲角色對話任務(wù)劇情設(shè)計游戲素材推薦用戶數(shù)據(jù)分析

智能終端任務(wù)規(guī)劃個人助手視覺感知交互產(chǎn)品排產(chǎn)終端設(shè)備研發(fā) 營銷文案生成落地成熟度L1 L2 L3 L4 發(fā)展?jié)摿Φ?中 高來源：IDC，202427金融互聯(lián)網(wǎng)互聯(lián)網(wǎng)對AI大模型的接受程度最高，企業(yè)希望實現(xiàn)運營成本的降低和產(chǎn)品設(shè)計創(chuàng)新，如搜索問答、廣告推送、商品推薦、營銷文案生成、教育培訓(xùn)、辦公輔助等已開始規(guī)?；涞貞?yīng)用。此外，情感陪伴也表現(xiàn)出了更大的用戶潛力。零售消費圖文生成能力已廣泛應(yīng)用于商品介紹生成、售前售后客服場景，大幅降低人力成本并保證內(nèi)容準(zhǔn)確性。此外，銷量分析和預(yù)測、用戶行為分析等數(shù)據(jù)分析功能，也通過BI升級的形式來服務(wù)更多人員。醫(yī)藥健康當(dāng)前AI大模型主要用于輔助場景，如藥物研發(fā)中靶點發(fā)現(xiàn)、分子合成，以及智能問診助手、導(dǎo)診分診等。另外，養(yǎng)老場景中也有較大的應(yīng)用潛力，例如，利用AI實現(xiàn)視頻安全監(jiān)控、文化娛樂、情感陪伴、出行輔助等功能，可以為用戶提供更智能更有溫度的服務(wù)。28智能終端以手機(jī)、電腦、智能家居為主的終端設(shè)備在積極融合AI能力，開發(fā)智能對話、任務(wù)控制等基礎(chǔ)能力。面向未來，手機(jī)有著明顯的優(yōu)勢——可移動，APP功能豐富，應(yīng)用生態(tài)底座全面，SoC芯片持續(xù)升級且具備攝像頭拍攝能力，可作為大模型的個性化開發(fā)底座來進(jìn)行問答、執(zhí)行、控制。筆記本電腦則更多圍繞系統(tǒng)工具的升級來實現(xiàn)輔助辦公、代碼開發(fā)、視覺感知和控制等功能。智能家居在對話理解和語音控制的過程中，可以給人更自然的體驗，而不僅是關(guān)鍵詞識別和觸發(fā)。另外，同時具備多模態(tài)感知和可移動能力的智能眼鏡、AR設(shè)備也是大模型落地的熱點領(lǐng)域。游戲優(yōu)質(zhì)游戲的開發(fā)成本巨大，成功后也會帶來明顯回報。對于優(yōu)質(zhì)內(nèi)容和游戲玩法的設(shè)計、數(shù)值策劃、闖關(guān)類型、人機(jī)匹配等，大模型尚不能完全替代；如當(dāng)前大部分設(shè)計策劃仍由人來設(shè)計測試，不需要復(fù)雜的算法介入，人機(jī)匹配則大多是機(jī)器學(xué)習(xí)領(lǐng)域的強(qiáng)化學(xué)習(xí)和模仿學(xué)習(xí)。目前AI大模型多用于2D圖像生成、語音生成、智能客服、違規(guī)詞監(jiān)測、3D人物和動作生成，以及智能客服、辦公輔助等場景。企業(yè)服務(wù)這一賽道的企業(yè)已經(jīng)將“AI+”列為2024年重點目標(biāo)，投資動力明顯，更新路徑也從基礎(chǔ)的內(nèi)容生成、數(shù)據(jù)分析、知識問答，延伸至個人助理、跨模態(tài)生成、跨數(shù)據(jù)檢索、多輪對話、長文生成等能力。29文化娛樂新聞生成、圖片素材生成、音樂生成等單模態(tài)能力已在現(xiàn)實生活中廣泛應(yīng)用。隨著GPT-4o的發(fā)布，視頻生成領(lǐng)域、圖片生成視頻、文字生成視頻、視頻自動剪輯生成等方向，也開始在互娛領(lǐng)域快速落地。教育科研頭部教育機(jī)構(gòu)擁有足夠的題庫積累，覆蓋幼兒教育、學(xué)前教育、小學(xué)教育、初中教育、高中教育、職業(yè)培訓(xùn)、大學(xué)和考公考研全年齡段，依靠AI生成能力來提供試題生成、批卷打分、口語分析、虛擬教師等功能。大模型已在英語培訓(xùn)市場展現(xiàn)出巨大的商業(yè)機(jī)會。汽車汽車與AI大模型的結(jié)合主要分成四個模塊，包括智能座艙、企業(yè)服務(wù)、自動駕駛和智能制造。目前多家車企已上線智能座艙和企業(yè)服務(wù)，如車內(nèi)控制、導(dǎo)航娛樂、知識管理、市場營銷等，通過語音對話、意圖識別、RAG檢索、指令生成、FunctionCall、API調(diào)用、插件調(diào)用、內(nèi)容整理和生成這一流程完成駕艙控制。眾多行業(yè)企業(yè)深入大模型落地實踐隨著大模型應(yīng)用場景的不斷拓展和應(yīng)用的日益成熟，我們看到了越來越多的大模型成功落地案例。這些案例如同路標(biāo)，為眾多企業(yè)指明了落地的方向，提供了實實在在的參考。企業(yè)可以從中了解到先進(jìn)的技術(shù)應(yīng)用經(jīng)驗，感受到大模型帶來的實際效益，從而更加堅定地在自身業(yè)務(wù)中推進(jìn)大模型的應(yīng)用。30企業(yè)介紹賽力斯：攜手豆包大模型提升用戶滿意度企業(yè)介紹賽力斯始創(chuàng)于1986年，是一家以新能源汽車為核心業(yè)務(wù)的技術(shù)科技型汽車企業(yè)，旗下主要產(chǎn)品包括AITO問界系列高端智慧新能源汽車、藍(lán)電新能源汽車、瑞馳電動商用車等，秉承著“推動汽車能源變革，創(chuàng)享智慧移動生活”的使命，專注技術(shù)自研，在三電技術(shù)、增程技術(shù)、電子電氣架構(gòu)和超級電驅(qū)智能技術(shù)平臺方面處于行業(yè)領(lǐng)先地位。需求驅(qū)動力需求驅(qū)動力主要需求：提升用戶反饋閉環(huán)效率，優(yōu)化業(yè)務(wù)部門決策支持提升用戶反饋閉環(huán)效率：通過優(yōu)化從收集、分析到響應(yīng)用戶反饋的整個流程，加快用戶問題解決速度，提高用戶滿意度；優(yōu)化業(yè)務(wù)部門決策支持：基于對用戶反饋的及時處理與準(zhǔn)確判斷，提升相關(guān)業(yè)務(wù)部門的業(yè)務(wù)決策效率。賽力斯與火山引擎合作重點賽力斯與火山引擎合作重點賽力斯工作重點：厘清用戶反饋處理流程中各項工作環(huán)節(jié)，借助豆包大模型建設(shè)用戶之聲管理平臺（VOC：VoiceofCustomers）；梳理公私域平臺有關(guān)用戶反饋的數(shù)據(jù)源頭，打通企業(yè)工單系統(tǒng)，同時對接內(nèi)部協(xié)同辦公軟件，如飛書、釘釘、企微等，依托火山引擎提供的數(shù)據(jù)采集與分析能力，為業(yè)務(wù)部門提供第一手高質(zhì)量用戶反饋信息。火山引擎解決方案：火山引擎基于豆包大模型的理解、分類與總結(jié)能力，攜手賽力斯共創(chuàng)用戶之聲管理平臺，實現(xiàn)了用戶反饋分析、處理工作由人工承接轉(zhuǎn)為模型承接，達(dá)成用戶反饋閉環(huán)的智能化升級。情緒正負(fù)向判定：豆包大模型可對反饋內(nèi)容做上下文理解，輸出“正向”、“中立”、“負(fù)向”標(biāo)簽，避免人工主觀漏判/誤判，該類標(biāo)簽可用于報表聚類展示；31內(nèi)容標(biāo)簽提?。涸诨鹕揭?00+“開箱即用”的汽車行業(yè)標(biāo)簽支持下，豆包大模型可基于應(yīng)業(yè)務(wù)部門；內(nèi)容觀點總結(jié)：豆包大模型能提取用戶反饋內(nèi)容中的主要觀點，例如其可將一篇3,000字的反饋精簡至200-300字，并結(jié)構(gòu)化地提煉核心觀點，從而幫助運營大幅提升對于內(nèi)容的理解處理效率；實時數(shù)據(jù)采集與分析：火山引擎數(shù)據(jù)產(chǎn)品助力用戶之聲管理平臺，可實時采集公私域數(shù)據(jù)，包含資訊、評價、投訴、建議等多個維度的圖文、視頻信息，并支持品牌、車系、車型的下鉆分析，維度涵蓋用戶聲量監(jiān)測、來源渠道分布等。落地效果在豆包大模型的幫助下，VOC管理平臺有效提升了賽力斯的用戶反饋閉環(huán)效率，縮短了處理時長，實現(xiàn)了用戶滿意度的提升；基于火山引擎提供的數(shù)據(jù)分析能力，賽力斯的風(fēng)險監(jiān)控水準(zhǔn)得以進(jìn)一步提升，并推動各個業(yè)務(wù)部門基于用戶反饋及時制定決策與實施，從而優(yōu)化企業(yè)運營。32企業(yè)介紹上汽乘用車：有效提升“用戶之聲”的反饋處理效率企業(yè)介紹上海汽車集團(tuán)股份有限公司（簡稱“上汽集團(tuán)”）作為國內(nèi)規(guī)模領(lǐng)先的汽車上市公司，努力把握產(chǎn)業(yè)發(fā)展趨勢，加快創(chuàng)新轉(zhuǎn)型，正在從傳統(tǒng)的制造型企業(yè)，轉(zhuǎn)變?yōu)槊嫦蛳M者提供移動出行服務(wù)與產(chǎn)品的綜合供應(yīng)商。需求驅(qū)動力需求驅(qū)動力主要需求：高效處理海量數(shù)據(jù)，精準(zhǔn)分析用戶反饋，快速響應(yīng)市場變化高效處理海量數(shù)據(jù)：需要快速處理和分析大量用戶的反饋信息，以確保不會錯失任何重要的用戶聲音；精準(zhǔn)分析用戶反饋：需要能夠準(zhǔn)確識別和理解用戶反饋中的關(guān)鍵點和情感傾向，以便更好地滿足用戶需求；快速響應(yīng)市場變化：需要通過高效的數(shù)據(jù)處理和精準(zhǔn)的反饋分析，獲得及時且有價值的洞察，以支持快速的業(yè)務(wù)決策，從而在競爭激烈的市場中保持領(lǐng)先。上汽乘用車與火山引擎合作重點上汽乘用車與火山引擎合作重點上汽乘用車工作重點：整合來自各類垂直媒體、論壇、微博、企業(yè)APP等渠道的用戶反饋數(shù)據(jù)，為豆包大模型的分火山引擎解決方案：33落地效果34企業(yè)介紹海爾消金：豆包大模型為信貸資產(chǎn)管理提質(zhì)增效企業(yè)介紹海爾消費金融成立于2014年，是由海爾集團(tuán)發(fā)起設(shè)立的持牌金融機(jī)構(gòu)，經(jīng)銀保監(jiān)批準(zhǔn)設(shè)立的全國性持牌消費金融公司，旗下?lián)碛小昂栂M金融”“夠花”兩款A(yù)PP,通過科技金融為用戶提供消費信貸服務(wù)。需求驅(qū)動力海爾消金與火山引擎合作重點海爾消金與火山引擎合作重點海爾消金工作重點：整理貸款知識、客戶信息、員工手冊等內(nèi)容，做好數(shù)據(jù)安全管理后，與豆包大模型連接，提升關(guān)鍵詞查詢和模糊匹配生成的準(zhǔn)確率；組織員工培訓(xùn)，學(xué)習(xí)大模型使用方式和建議，建立生成Prompt模板。通過扣子搭建適合不同業(yè)務(wù)人員的智能體。火山引擎解決方案：基于字節(jié)跳動豆包大模型精調(diào)的大模型，能夠滿足海爾消金90%以上的智能化場景需求，包括風(fēng)控、客戶服務(wù)、貸后資產(chǎn)管理、意愿度識別等；火山引擎提供了火山方舟大模型服務(wù)平臺、扣子AI原生應(yīng)用開發(fā)服務(wù)平臺、算力管理平臺等全棧式大模型工具；35提供完善的模型應(yīng)用數(shù)據(jù)治理體系，提供豐富多樣的獨享技術(shù)方案，嚴(yán)格遵循安全合規(guī)的要求，確保安全、合理地使用大模型。落地效果在資產(chǎn)管理過程中，通過與火山引擎的合作，引入豆包大模型能力，在初始應(yīng)用階段，效果提升達(dá)到15-20%；海爾消費金融坐席助手摘錄過程中可達(dá)到超過95%的準(zhǔn)確率。每天節(jié)約坐席專員1-3小時，同時提升智能問答系統(tǒng)的準(zhǔn)確率。后續(xù)支持海爾消金與火山引擎共同成立金融大模型聯(lián)合創(chuàng)新實驗室，致力于構(gòu)建消費金融垂直大模型，并在精準(zhǔn)營銷、智能客服、貸后管理、風(fēng)控等業(yè)務(wù)場景中持續(xù)探索大模型的創(chuàng)新應(yīng)用，加速海爾消金的智能化轉(zhuǎn)型進(jìn)程；海爾消金CIO“在引入大模型后，現(xiàn)在實際的落地效果非常顯著，最典型的要數(shù)海爾消金的貸后管理工海爾消金CIO“在引入大模型后，現(xiàn)在實際的落地效果非常顯著，最典型的要數(shù)海爾消金的貸后管理工作。此外在客服領(lǐng)域里邊，也對客戶意圖進(jìn)行識別，可以更精準(zhǔn)地理解客戶的意圖，還便于事后對客戶進(jìn)行管理?！?6企業(yè)介紹中國飛鶴：利用AI實現(xiàn)企業(yè)全面的AI轉(zhuǎn)型升級企業(yè)介紹作為全國乳品行業(yè)龍頭企業(yè)，中國飛鶴1962年創(chuàng)立于趙光農(nóng)場，迄今已有60多年歷史，是中國最早的奶粉企業(yè)之一。根據(jù)第三方調(diào)研機(jī)構(gòu)全新數(shù)據(jù)，2019年-2023年度，飛鶴連續(xù)5年銷量位居全國首位。同時，飛鶴奶粉連續(xù)兩年全球銷量第一，旗下星飛帆系列已連續(xù)3年成為全球第一大單品。截至2023年1月，中國飛鶴在嬰幼兒奶粉中市占率達(dá)21.5%，穩(wěn)居市場第一。需求驅(qū)動力飛鶴與火山引擎合作重點飛鶴與火山引擎合作重點飛鶴工作重點：重塑基礎(chǔ)設(shè)施能力，攜手火山引擎搭建先進(jìn)的云架構(gòu)、業(yè)務(wù)中臺和數(shù)據(jù)中臺，確保數(shù)據(jù)處理的高效性和業(yè)務(wù)流程的靈活性，支撐上層AI應(yīng)用運行；選擇AI能力中臺核心組成部分，面向?qū)嶋H業(yè)務(wù)場景和需求，重點建設(shè)大模型能力、數(shù)字人、數(shù)字孿生、智能推薦、音視頻、VR/AR等；將應(yīng)用場景分成用戶運營觸達(dá)、渠道銷售和企業(yè)管理三大類，每個類別下重點建設(shè)具體應(yīng)用場景，如追溯回答、消費者咨詢、優(yōu)選客服等，以滿足不同環(huán)節(jié)的需求?；鹕揭娼鉀Q方案：基于飛鶴信息化建設(shè)“3+3+2”的戰(zhàn)略藍(lán)圖，飛鶴聚焦搭建集成基礎(chǔ)設(shè)施層、能力層、接入層、場景層全覆蓋的AI能力中臺。通過明晰業(yè)務(wù)需求、愿景及資源狀況，火山引擎為飛鶴AI能力中臺做整體規(guī)劃，制定分步實施策略，促使中臺成功落地；37圍繞HiAgent平臺，火山引擎針對企業(yè)級市場進(jìn)行深度定制，提供成熟解決方案，通過段位劃分策略，幫助企業(yè)員工逐步掌握HiAgent使用，同時通過原廠輕咨詢、內(nèi)置最佳實踐和應(yīng)用效果評測，確保達(dá)到生產(chǎn)級標(biāo)準(zhǔn)。落地效果HiAgent平臺發(fā)揮了核心作用，將AI技術(shù)融入各個業(yè)務(wù)流程中，從而提升整體運營效率和市場競爭力，為數(shù)字化轉(zhuǎn)型提供了堅實基礎(chǔ)；某智能問答項目能夠處理廣泛的消費者咨詢，實現(xiàn)100%的問答響應(yīng)率，同時保持了超過95%的高準(zhǔn)確率。“AI大模型已在消費者服務(wù)、線下活動檢核、企業(yè)辦公、導(dǎo)購培訓(xùn)、數(shù)據(jù)分析和智慧農(nóng)牧等多個業(yè)務(wù)場景中廣泛應(yīng)用，為飛鶴的創(chuàng)新發(fā)展注入新動力。”38企業(yè)介紹中手游：為《仙劍世界》打造豐富的AINPC生態(tài)企業(yè)介紹中手游是領(lǐng)先的全球化IP游戲運營商，以IP為核心，通過自主研發(fā)和聯(lián)合研發(fā)，為全球玩家提供精品IP游戲。圍繞自有IP《仙劍奇?zhèn)b傳》，持續(xù)為粉絲創(chuàng)造精品內(nèi)容和互動體驗，打造世界級IP，并將《仙劍世界》打造成全球首個國風(fēng)仙俠虛擬世界。需求驅(qū)動力需求驅(qū)動力主要需求：為《仙劍世界》打造AINPC，落地RAG技術(shù)，保障游戲服務(wù)穩(wěn)定為《仙劍世界》打造AINPC：基于大模型搭建豐富的AI玩法，打造具有長期記憶和成長能力的AINPC；落地RAG技術(shù)：通過RAG技術(shù)進(jìn)一步提升模型的推理效果，優(yōu)化AI游戲內(nèi)容的表現(xiàn)；保障游戲服務(wù)穩(wěn)定：借助模型及系統(tǒng)穩(wěn)定強(qiáng)大的推理QPS保障能力，保障游戲服務(wù)穩(wěn)定運行。中手游與火山引擎合作重點中手游與火山引擎合作重點中手游工作重點：針對《仙劍世界》游戲中可落地大模型的場景進(jìn)行了深入探索，如意圖識別、情緒識別；對基座大模型、RAG解決方案中的向量數(shù)據(jù)庫等關(guān)鍵組件，進(jìn)行了大量評估，并搭建開發(fā)框架?；鹕揭娼鉀Q方案：提供豆包·角色扮演模型，助力中手游打造行為獨立、可對玩家的行為做出個性化的反應(yīng)游戲氛圍NPC；基于豆包大模型能力幫助中手游打造玩家專屬劍靈“圓滿”，其可為玩家提供問題解答、任務(wù)引導(dǎo)、功能喚起、智能傳送、戰(zhàn)斗BUFF、時辰播報等功能；通過召回能力優(yōu)秀的豆包·向量化模型、P90延時僅18.2ms的向量數(shù)據(jù)庫VikingDB等組件，搭建一站式RAG解決方案，為中手游建設(shè)游戲RAG知識庫提供技術(shù)支撐；39提供依托火山引擎充沛公有云GPU資源池打造，底層算力充足，且支持分鐘級完成千卡擴(kuò)縮容的大模型服務(wù)平臺火山方舟。落地效果基于豆包大模型打造的AINPC生態(tài)在《仙劍世界》游戲中被全面應(yīng)用，塑造了一個對于玩家而言陪伴感更強(qiáng)的游戲世界；火山引擎RAG解決方案，幫助游戲精靈“圓滿”具備了更智能的輔助功能，例如其可以根法說明等，從而減少玩家在游戲中的阻礙感，提升游戲樂趣；中手游技術(shù)中心總監(jiān)“目前大模型已經(jīng)在中手游項目開發(fā)流程中的多個環(huán)節(jié)投入應(yīng)用?；鹕揭孢@樣一位高效、值得信賴的云服務(wù)商伙伴，在這中間扮演著至關(guān)重要的角色?！被鹕椒街燮脚_充分滿足了中手游對于游戲的高RPM/TPM中手游技術(shù)中心總監(jiān)“目前大模型已經(jīng)在中手游項目開發(fā)流程中的多個環(huán)節(jié)投入應(yīng)用?；鹕揭孢@樣一位高效、值得信賴的云服務(wù)商伙伴，在這中間扮演著至關(guān)重要的角色?！?0浙江大學(xué)介紹浙江大學(xué)信息技術(shù)中心：落地全方位大模型應(yīng)用體系，構(gòu)造智能化教育環(huán)境浙江大學(xué)介紹浙江大學(xué)是一所特色鮮明、在海內(nèi)外有較大影響的綜合型、研究型、創(chuàng)新型大學(xué)，設(shè)有7個學(xué)部、40個專業(yè)學(xué)院（系）、1個工程師學(xué)院、2個中外合作辦學(xué)學(xué)院、7家直屬附屬醫(yī)院。截至2023年底，學(xué)校有全日制學(xué)生67656人、國際學(xué)生5514人、教職工9557人。2022年，浙江大學(xué)入選第二輪“雙一流”建設(shè)高校。需求驅(qū)動與創(chuàng)新驅(qū)動需求驅(qū)動與創(chuàng)新驅(qū)動主要需求：融合大模型能力，獲得跨越式發(fā)展融合模型能力：大模型時代技術(shù)背景下，校園教學(xué)、科研、管理、服務(wù)等系統(tǒng)，亟待融入大模型能力，使得各系統(tǒng)更加智能化，各系統(tǒng)組成的校園系統(tǒng)更加智能化；融合模型能力：在政策背景下，全校師生亟待平臺支持，以實踐人工智能的學(xué)習(xí)；獲得跨越式發(fā)展：浙大西湖之光算力聯(lián)盟已經(jīng)建成了良好的基礎(chǔ)設(shè)施，由火山引擎大模型方案構(gòu)建的AI應(yīng)用，將繼續(xù)推動自身的發(fā)展和基礎(chǔ)設(shè)施的發(fā)展。浙江大學(xué)信息技術(shù)中心與火山引擎合作重點浙江大學(xué)信息技術(shù)中心與火山引擎合作重點浙江大學(xué)工作重點：圍繞教學(xué)、科研、教務(wù)、校園服務(wù)、本地生活等需求，建設(shè)體系化解決方案；解決場景多、多方協(xié)作、時間緊、效果要求高的全方位挑戰(zhàn)?；鹕揭娼鉀Q方案：火山引擎HiAgent平臺為建設(shè)“浙大先生”門戶及AI科學(xué)家等系列智能體場景應(yīng)用，提供了四大能力支持：多模型接入和多維數(shù)據(jù)整合：實施多模型接入策略，根據(jù)不同場景應(yīng)用需求精選最合適的模型，以多維數(shù)據(jù)整合能力有效處理不同數(shù)據(jù)庫的多樣化業(yè)務(wù)數(shù)據(jù)，為各場景應(yīng)用提供可靠的數(shù)據(jù)支持；41集成化工作空間協(xié)同開發(fā)：高效構(gòu)建并利用集成化工作空間，實現(xiàn)多供應(yīng)商之間無縫的數(shù)據(jù)流轉(zhuǎn)與深度協(xié)同開發(fā)，減少“數(shù)據(jù)孤島”信息摩擦，確保整個開發(fā)鏈路每個環(huán)節(jié)都能基于最新、最準(zhǔn)確的數(shù)據(jù)決策行動，提升應(yīng)用開發(fā)的迭代效率和質(zhì)量；靈活的發(fā)布與集成機(jī)制：通過靈活地發(fā)布和集成Chatbot、Copilot、Agent多種形式的AI應(yīng)用，實現(xiàn)“浙大先生”大模型應(yīng)用體系的多元化，幫助師生按需自動化處理日常任務(wù)；模型應(yīng)用自動化調(diào)測優(yōu)化：提供效果評測、應(yīng)用Tracing、Debugging等能力，支持工作流速應(yīng)用的迭代優(yōu)化，確保應(yīng)用在實際場景中的穩(wěn)定性和可靠性。落地效果僅花7天時間，就實現(xiàn)了“浙大先生”大模型應(yīng)用體系的完整、高效構(gòu)建，讓AI應(yīng)用走進(jìn)課堂、校園、實驗室等場景，為超過6萬名在校師生等打造了更智能化的教學(xué)教務(wù)、科研創(chuàng)新、校園生活等全新體驗；在大模型能力支持下，“浙大先生”應(yīng)用體系為用戶提供高度定制化的AI服務(wù)與支持，全面促進(jìn)浙江大學(xué)教學(xué)、教務(wù)、科研智能化升級與效率提升：門戶：無縫對接浙大統(tǒng)一身份認(rèn)證系統(tǒng)，師生可憑校園賬號輕松登錄并享受相關(guān)服務(wù)AI科學(xué)家：提供全學(xué)科數(shù)據(jù)庫、知識庫、通用AI科研助手等工具，快速鏈接算力平臺、模型庫、算法庫，大幅提升科研效率課堂智能問答：深度融合大模型與向量數(shù)據(jù)庫，精準(zhǔn)處理教案、考試要求等課堂資料，即時解答學(xué)生疑問、提升學(xué)習(xí)效率與質(zhì)量教務(wù)咨詢：以智能交互提供專業(yè)教育咨詢，強(qiáng)化政策文件檢索與理解，助力學(xué)生高效掌握教務(wù)信息百事通助手：整合超600項網(wǎng)上服務(wù)事項，覆蓋學(xué)習(xí)、生活、行政等多個場景，為師生提供全方位辦事指引本地生活助手：精準(zhǔn)捕捉意圖，為師生篩選、推薦貼合需求的餐飲，并提供頁面地址及推薦理由，滿足多樣化用餐生活需求慧學(xué)外語：提供豐富多樣、高效使用的課程信息與學(xué)習(xí)對話體驗，助力外語學(xué)習(xí)42企業(yè)介紹蘇泊爾：構(gòu)建AI驅(qū)動的“居家食養(yǎng)健康”物聯(lián)場景生態(tài)企業(yè)介紹蘇泊爾成立于1994年，2004年在深交所上市，是中國炊具行業(yè)首家上市公司。蘇泊爾擁有6大研發(fā)制造基地，分布在杭州、武漢、紹興、玉環(huán)、柯橋和越南，通過持續(xù)創(chuàng)新和對品質(zhì)的始終堅持，在小家電行業(yè)保持領(lǐng)先地位。產(chǎn)品涵蓋烹飪用具、廚房電器、家居與個人護(hù)理電器等多個領(lǐng)域。云饌平臺是蘇泊爾旗下的智慧生活共創(chuàng)平臺，為消費者居家健康烹飪?nèi)珗鼍疤峁┝祟I(lǐng)先的解決方案。需求驅(qū)動力主要需求：提供個性化健康食譜，增強(qiáng)蘇泊爾APP使用體驗，建設(shè)智能炒菜機(jī)生態(tài)需求驅(qū)動力提供個性化見刊食譜：提升廚房烹飪品類電器的內(nèi)容生產(chǎn)效率，同時滿足消費者對于個性化專屬譜的需求；增強(qiáng)APP體驗：提供多場景中食譜智能檢索和推薦體驗；蘇泊爾與火山引擎合作重點建設(shè)智能炒菜機(jī)生態(tài)：提升智能炒菜機(jī)生態(tài)服務(wù)能力，為炒菜機(jī)用戶提供一日三餐“居家食養(yǎng)健康”主題的配餐服務(wù)。蘇泊爾與火山引擎合作重點蘇泊爾工作重點:基于扣子專業(yè)版，打造云撰食譜創(chuàng)作、云饌AI尋味、云饌居家食養(yǎng)健康等智能體；優(yōu)化以往PaaS-SaaS-APP的軟件架構(gòu)模式，借助“AgentasAPI”方式實現(xiàn)智能體與蘇泊爾APP、蘇泊爾IoT產(chǎn)品直連，提升開發(fā)效率和用戶體驗?；鹕揭娼鉀Q方案：火山引擎扣子專業(yè)版提供了靈活編排搭建AI智能體的能力，加速蘇泊爾云饌系列智能體的構(gòu)建；扣子平臺靈活的API支持，令蘇泊爾以“AgentasAPI”的方式應(yīng)用智能體成為可能：云撰食譜創(chuàng)作：結(jié)合用戶綁定的廚電產(chǎn)品及家庭飲食情況，智能體可借助豆包大模型和文生圖能力，為用戶生成專屬的個性化健康食譜；43云饌AI尋味：可在扣子專業(yè)版的智能體編排技術(shù)支持下，于蘇泊爾APP尋味欄目中，實現(xiàn)多場景食譜智能檢索和推薦等功能；云饌居家食養(yǎng)健康：借助扣子平臺智能體語音交互OpenAPI、音色克隆、音色合成API等能力，提升蘇泊爾智能炒菜機(jī)的服務(wù)水平，為消費者提供每日三餐“配餐式”的健康美食日歷服務(wù)。落地效果云饌食譜創(chuàng)作智能體針對蘇泊爾旗下電飯煲、電壓力鍋、烤箱、空氣炸鍋等重點品類，月均服務(wù)超15萬蘇泊爾APP會員，好評度逐步提升。云饌AI尋味智能體日均服務(wù)蘇泊爾APP會員一日三餐2萬多次。*數(shù)據(jù)取自蘇泊爾云饌平臺，2024年10月至今。蘇泊爾AIOT中心總監(jiān)張作強(qiáng)蘇泊爾AIOT中心總監(jiān)張作強(qiáng)“蘇泊爾聯(lián)合豆包大模型與扣子AI智能體平臺，深入居家健康烹飪等多領(lǐng)域，以'AgentasAPI'直連產(chǎn)品，優(yōu)化了IoT平臺架構(gòu)，提效研發(fā)且用戶體驗得以優(yōu)化。憑技術(shù)創(chuàng)新構(gòu)建'居家食養(yǎng)健康'物聯(lián)生態(tài)，賦予烹飪電器人格化體驗，給消費者帶來智能便捷的健康烹飪新生活?！?4企業(yè)介紹海底撈：基于智能化客戶評價分析，打造更好餐飲服務(wù)企業(yè)介紹海底撈品牌創(chuàng)建于1994年，歷經(jīng)二十多年的發(fā)展，海底撈已經(jīng)成長為國際知名的餐飲企業(yè)。截至2022年12月底，海底撈擁有上千家直營餐廳。海底撈多年來歷經(jīng)市場和顧客的檢驗，成功地打造出信譽(yù)度高、融匯各地火鍋特色于一體的優(yōu)質(zhì)火鍋品牌。2018年9月，海底撈于港交所掛牌上市。需求驅(qū)動力需求驅(qū)動力主要需求：高效完成客戶評價分析海底撈與火山引擎合作重點海底撈與火山引擎合作重點海底撈工作重點：建設(shè)數(shù)據(jù)中臺，整合顧客餐后評價、投訴工單、第三方餐飲平臺點評與評價等反饋；打造后端環(huán)境進(jìn)行數(shù)據(jù)治理，過濾無效內(nèi)容，將有效評價推送至大語言模型?；鹕揭娼鉀Q方案：基于豆包大模型，火山引擎為海底撈搭建了用戶評價分析模型，通過對用戶評價進(jìn)行情緒、觀點的高效智能抽取，形成服務(wù)質(zhì)量、菜品質(zhì)量洞察。豆包大模型具有更強(qiáng)性能，可通過語言處理能力，對顧客評價中有關(guān)環(huán)境、菜品、服務(wù)等不同維度內(nèi)容進(jìn)行抽取，同時判斷顧客評價時正向/負(fù)向情緒：從全局角度，對顧客評論給出“好中差”整體評價結(jié)論；提供進(jìn)一步精細(xì)化分析能力，從服務(wù)、產(chǎn)品、衛(wèi)生、性價比等多個角度判斷顧客情緒。提供不同顆粒度總結(jié)報告，以直觀、數(shù)字可視化形式呈現(xiàn)在海底撈數(shù)據(jù)中臺，方便查閱。45落地效果落地效果在火山引擎豆包大模型能力幫助下，海底撈實現(xiàn)了高效、精準(zhǔn)的用戶評價分析，為門店績效管理及后續(xù)經(jīng)營管理的持續(xù)迭代與優(yōu)化提供了指導(dǎo)?！癆I在餐飲行業(yè)的應(yīng)用，不能一味地考慮邊際效用，也需要結(jié)合服務(wù)體驗，海底撈是以服務(wù)立足的企業(yè)，在AI方案的選擇上，也一直在追求“以人為本，體驗第一”的原則?！?6更多企業(yè)落地案例實踐招商銀行落地智能體，形成更全面AI能力客戶需求：加速智能化轉(zhuǎn)型：推動AI創(chuàng)新從高性能基礎(chǔ)設(shè)施向智能體多元場景拓展；提供更智能化、個性化客戶服務(wù)：以自然流暢語言交互方式，滿足金融行業(yè)用戶多樣化個性需求。解決方案：火山引擎為招商銀行的智能化創(chuàng)新提供了擁有低門檻智能體構(gòu)建能力的扣子平臺，以豐富的企業(yè)級插件、靈活的集成機(jī)制、多模型適配能力，加速招商銀行AI能力落地應(yīng)用：以扣子平臺為依托，招商銀行舉辦了為期三個月、范圍覆蓋全行的“大模型應(yīng)用創(chuàng)新大賽”，加速大模型及智能體技術(shù)在金融行業(yè)的融合應(yīng)用，推動更多金融智能體項目涌現(xiàn)；依托扣子平臺打造的“掌上生活優(yōu)惠”及“財富看點”等智能體，為用戶提供生活優(yōu)惠查詢以及市場行情分析等一系列服務(wù)。落地效果：打造的智能助手以更自然的交互方式，以及更智能化、個性化的服務(wù)，提升用戶滿意度及粘性；招商銀行內(nèi)部大模型及智能體技術(shù)的普及，為后續(xù)更多貼合自身業(yè)務(wù)需求的AI智能體構(gòu)建奠定了基礎(chǔ)。領(lǐng)克汽車將AI打造成銷售顧問的得力助手客戶需求：產(chǎn)品知識培訓(xùn)：優(yōu)化內(nèi)訓(xùn)流程，強(qiáng)化銷售顧問知識體系，理解客戶需求；智能化工具助理：智能化建檔，匹配現(xiàn)代消費者購買行為，豐富銷售工具，建立健全現(xiàn)代化工具。解決方案：火山引擎與領(lǐng)克汽車構(gòu)建了同SalesCopilot技術(shù)深度融合的豆包大模型銷售助理，以及實時對練和評級系統(tǒng)、用車知識工具等：豆包大模型銷售助理：通過豆包大模型，銷售顧問可以獲取關(guān)于本品和競品汽車產(chǎn)品的深度知識，以及市場趨勢的即時更新，更好地理解客戶需求和優(yōu)化銷售策略；實時對練和評級系統(tǒng)：SalesCopilot提供的對練系統(tǒng)能夠模擬各種銷售場景，讓銷售顧問在實際接待和跟進(jìn)客戶前，能夠充分練習(xí)并提升應(yīng)對各種問題的能力；用車知識工具：銷售顧問可以通過這一工具快速訪問到關(guān)于汽車維護(hù)、操作和功能的詳細(xì)信息，并可以通過客戶手冊，查閱以視頻等方式輸出的豐富內(nèi)容，從而獲得準(zhǔn)確而詳細(xì)的產(chǎn)品知識。落地效果：更精準(zhǔn)地滿足客戶需求，提供個性化、更高效的服務(wù)，助力銷售業(yè)績成功達(dá)成，打造業(yè)務(wù)增長新空間；靈活的底層算力支持，使得領(lǐng)克汽車能夠以極低成本快速落地大模型，降低端側(cè)推理成本。47想法流基于模型多模態(tài)能力保障更強(qiáng)用戶互動客戶需求：提升用戶互動性：打造嚴(yán)格遵循人設(shè)要求，且具備基本常識對話問答能力的AI角色，以主動開啟新話題等方式推進(jìn)聊天進(jìn)展，增加用戶粘性；多場景支持：希望獲得對多個細(xì)分專業(yè)場景中、用戶不同交互行為的支持；服務(wù)穩(wěn)定：為保證更好的對話體驗，提升用戶留存率，需要延時穩(wěn)定在40-50ms，并保障RPM&TPM請求。解決方案：火山引擎為想法流提供了效果更強(qiáng)的豆包大模型，以多模態(tài)AI能力，幫助平臺為用戶提供豐富奇妙的內(nèi)容體驗：以提供PE提示詞調(diào)優(yōu)方式協(xié)助AI游戲的制作，并將制作指南開放提供給PGC創(chuàng)作者參考；通過豆包大模型語音合成、圖片人臉合成等多模態(tài)能力，支持多場景中不同交互行為需求；通過MoE架構(gòu)模型和充足資源保障，滿足客戶對延時和RPM/TPM的要求。落地效果：通過接入豆包大模型，想法流獲得了用戶每日互動次數(shù)1.5-2.5倍、人均互動輪次1.5-3.5倍于其他模型的增長，部分內(nèi)容場景中人均對話高達(dá)150輪以上。同時，在火山引擎千萬級TPM資源保障下，平臺線上請求成功率達(dá)99.95%，token間時延平均控制在40-50ms內(nèi)。深維智信借大模型獲營銷能力、培訓(xùn)效率雙提升客戶需求：解決方案：火山引擎為深維智信提供了豆包大模型，以模型能力對運營數(shù)據(jù)分析過程進(jìn)行提效，同時以模型能力加持、實現(xiàn)更智能的對話模擬，幫助提升客服能力：火山引擎提供豆包多種窗口尺寸模型及角色扮演模型，滿足多場景需求；分析銷售會話數(shù)據(jù)，提供基于語義的智能質(zhì)檢配置和分析，識別客戶異議、卡點分析、關(guān)鍵矛盾、交易復(fù)盤，實現(xiàn)銷售過程透視，服務(wù)銷售管理；通過AI提煉高頻問題、真實需求、客戶畫像，從客戶聲音出發(fā)，科學(xué)制定銷售策略，借助精準(zhǔn)營銷提升轉(zhuǎn)化效率。落地效果：語義分析的召回率相對于常規(guī)質(zhì)檢工具提升55%以上，幫助客戶將新人入職培訓(xùn)時間縮短50%，少22%，平均人效提升31%。48和府撈面以模型能力提效用戶評論分析客戶需求：用戶評論分析：分析用戶評論數(shù)據(jù)，識別情感傾向并對其進(jìn)行分類；經(jīng)營策略調(diào)整：基于用戶對菜品口味、門店服務(wù)質(zhì)量的評價，調(diào)整經(jīng)營策略。解決方案：扣子專業(yè)版提供低代碼開發(fā)環(huán)境，使得沒有編程基礎(chǔ)的業(yè)務(wù)人員也能輕松完成智能體的開發(fā)。和府的業(yè)務(wù)人員借助扣子產(chǎn)品的強(qiáng)大編排能力和豐富的插件功能，結(jié)合豆包大模型的技術(shù)支持，實現(xiàn)了更高效、更精準(zhǔn)的用戶點評分析：通過豆包大模型的強(qiáng)大文本分析能力，對用戶評論數(shù)據(jù)進(jìn)行情感分析，精準(zhǔn)識別正面、負(fù)面、中性等情感傾向；基于模型的多層次理解，結(jié)合環(huán)境、服務(wù)、菜品等關(guān)鍵詞，對評論進(jìn)行智能分類，并提取相關(guān)標(biāo)簽，綜合準(zhǔn)確率超過95%。分析結(jié)果以JSON格式輸出，便于開發(fā)團(tuán)隊進(jìn)行后續(xù)數(shù)據(jù)的處理和應(yīng)用。落地效果：和府撈面打造的“顧客點評分析”智能體，能夠替代人工、高效完成顧客點評工作，為門店建立對顧客的高效洞察，并為其在菜品、服務(wù)等方面進(jìn)行策略調(diào)整提供了有力依據(jù)。中和農(nóng)信借助扣子完成抖音生態(tài)內(nèi)容質(zhì)檢客戶需求：解決方案：借助扣子專業(yè)版強(qiáng)大的編排能力和豐富的插件能力，中和農(nóng)信在沒有耗費研發(fā)人力資源的情況下，實現(xiàn)了質(zhì)檢智能體的開發(fā)上線，完成了過去單靠人力無法做到的工作。借助扣子單Agent（LLM模式）搭建，并將智能體發(fā)布為API，實現(xiàn)了每天都通過API來自動獲取員工自媒體賬號的視頻內(nèi)容并進(jìn)行效果分析；智能體主要依靠視頻理解插件和豆包大模型的能力進(jìn)行信息獲取和處理等批量、自動化場景，免除了意圖識別、工具調(diào)用的時間延遲。落地效果：扣子提供的低代碼搭建環(huán)境、豐富的插件和強(qiáng)大的workflow組件，使得中和農(nóng)信智能體的開發(fā)過程中幾乎沒有耗費研發(fā)資源，2人經(jīng)過3天的開發(fā)和調(diào)試就達(dá)到了滿意效果，成功上線。49攻克有徑跨越大模型落地技術(shù)難題基于對眾多企業(yè)應(yīng)用實踐的總結(jié)分析和對技術(shù)應(yīng)用的研究，IDC總結(jié)了大模型部署落地的技術(shù)路徑。這套路徑融合了實際操作中的寶貴經(jīng)驗，為企業(yè)引入和應(yīng)用大模型提供了清晰的指南，確保了大模型技術(shù)落地的高效性和穩(wěn)定性，助力企業(yè)的智能化轉(zhuǎn)型。大模型落地部署技術(shù)步驟資源投入計劃資源投入計劃人才資金數(shù)據(jù)經(jīng)驗?zāi)Ｐ瓦x擇模型精度模型效果參數(shù)規(guī)模效果評估響應(yīng)時間TPMRPM應(yīng)用建設(shè)路徑建設(shè)周期落地場景覆蓋廣度創(chuàng)新深度應(yīng)用上線跨平臺/跨數(shù)據(jù)源版本管理算力準(zhǔn)備性能安全測試效果調(diào)優(yōu)PromptRAGSFTRLHF模型接入性能測試云端接入API管理開發(fā)平臺搭建LLMOpsAgentAPI管理數(shù)據(jù)平臺來源：IDC，202451資源投入計劃：資源投入計劃：確定團(tuán)隊建設(shè)路徑，整合大模型開發(fā)人才、調(diào)優(yōu)人才、數(shù)據(jù)人才、業(yè)務(wù)人才，重點考慮是否需要引入外部人才或展開外部合作，保證大模型開發(fā)應(yīng)用各環(huán)節(jié)的充足人才儲備；保證資金階段性的持續(xù)投入，并制定里程碑，讓每項成果都能被看到；盤點內(nèi)部數(shù)據(jù)，制定數(shù)據(jù)采集、數(shù)據(jù)清洗和數(shù)據(jù)治理計劃，使其更好服務(wù)于AI大模型的訓(xùn)練和推理；考慮企業(yè)內(nèi)部是否有可以直接學(xué)習(xí)和引用的模板和經(jīng)驗沉淀，打造差異化壁壘。模型選擇：模型選擇：了解大模型市場提供產(chǎn)品的功能特性和應(yīng)用效果，面向需求定制，使用內(nèi)部和外部測試集來測試模型效果，并充分體現(xiàn)評估集對業(yè)務(wù)指標(biāo)的考量，選擇評測指標(biāo)達(dá)到業(yè)務(wù)需求的模型；從模型實際落地的效果、可參考的實踐案例和demo來挑選模型；從訓(xùn)練和推理效率、延遲以及調(diào)用成本方面挑選最合適規(guī)格的大模型，可參考模型大小、硬件支持水平、服務(wù)SLA水平；重點考慮該模型與企業(yè)目標(biāo)業(yè)務(wù)場景的匹配度，是否需要調(diào)優(yōu)或經(jīng)過簡單調(diào)優(yōu)即可上線應(yīng)用來解決問題。效果評估：效果評估：在選擇模型后，企業(yè)應(yīng)考慮從具體落地的場景和使用效果出發(fā)，來預(yù)測模型上線后的業(yè)務(wù)指標(biāo)達(dá)成率、實際體驗效果、各功能平均時延、最大吞吐等工程指標(biāo)；52預(yù)估需要調(diào)整優(yōu)化的投入和開發(fā)難度，確保使用者擁有最好的AI應(yīng)用體驗，實際效果和響應(yīng)時間的長短會極大影響用戶的感受和留存率。應(yīng)用建設(shè)路徑：應(yīng)用建設(shè)路徑：明確建設(shè)周期，制定詳細(xì)的時間計劃和關(guān)鍵時間節(jié)點，做到多線程統(tǒng)一管理；了解大模型的應(yīng)用邊界，從賦能方向、使用人群等確定大模型的落地場景；算力準(zhǔn)備：算力準(zhǔn)備：隨著大模型應(yīng)用廣度和深度的增加，大模型的覆蓋范圍和使用頻率會規(guī)?；嵘?，推理時算力資源的消耗額度也將同步增加；企業(yè)應(yīng)重點考慮算力購買規(guī)模，制定階段化、梯度上升的算力準(zhǔn)備策略；明確算力資源的使用消耗方式，傾向選擇可以實現(xiàn)瞬時響應(yīng)和擴(kuò)縮容的服務(wù)；算力有公有云、私有云等多種方式，應(yīng)根據(jù)自身業(yè)務(wù)體量和實際需求挑選成本最優(yōu)、服務(wù)最合適的方案。開發(fā)平臺搭建：開發(fā)平臺搭建：搭建LLMOps平臺，保證AI大模型的開發(fā)建設(shè)和管理擁有完整的工具鏈條，具備全棧平臺能力；利用外部AI廠商成熟的Agent工具實現(xiàn)AI大模型的快速開發(fā)和應(yīng)用，直接使用預(yù)置的豐富垂直場景化模板和工具；53隨著模型版本、上線應(yīng)用場景的增多，做好統(tǒng)一API接口的管理；為AI大模型采集、產(chǎn)生和使用的多模態(tài)數(shù)據(jù)搭建可靠的數(shù)據(jù)平臺底座，實現(xiàn)文本、圖像、視頻等多樣化數(shù)據(jù)的一體化管理。模型接入：模型接入：從場景安全需求、數(shù)據(jù)隱私保護(hù)需求、管理便捷程度、成本等方面來選擇模型的接入方式，如云端接入、API管理或線下部署；重點考慮后續(xù)調(diào)優(yōu)的成本以及模型更新的代價；目前來看，云端接入是多數(shù)企業(yè)的選擇，且在后續(xù)模型版本更新后也能通過更低的成本實現(xiàn)無縫銜接。效果調(diào)優(yōu)：效果調(diào)優(yōu)：可選擇Prompt工程、RAG知識庫等簡單、低代碼、無代碼方式進(jìn)行效果調(diào)優(yōu)，需重點考慮AI廠商是否具備豐富的經(jīng)驗沉淀、算法模型和模板預(yù)置，如RAG過程中提供成熟的嵌入、檢索和重排序模型；選擇SFT、RLHF等復(fù)雜方式進(jìn)行調(diào)優(yōu)；這一過程需要更高水平的開發(fā)人員對大模型的架構(gòu)、參數(shù)和訓(xùn)練數(shù)據(jù)進(jìn)行調(diào)整。性能安全測試：性能安全測試：在模型上線前最關(guān)鍵的步驟是進(jìn)行性能安全測試，包括性能、安全、風(fēng)控測試，對內(nèi)容生成效率、數(shù)據(jù)內(nèi)容泄露風(fēng)險、敏感詞等進(jìn)行測試；例如TPM（Tokens Per Minute每分鐘Tokens數(shù)量）、RPM（RequestsPerMinute每分鐘請求數(shù)），保證大流量、高并發(fā)場景下運行穩(wěn)定；重點考慮互聯(lián)網(wǎng)場景應(yīng)用更深、服務(wù)人數(shù)更廣的AI廠商，其擁有更多的數(shù)據(jù)和經(jīng)驗，在測試時水平更高，可以有效避免安全和敏感問題。54應(yīng)用上線：根據(jù)業(yè)務(wù)場景重點考慮AI大模型的跨平臺、跨系統(tǒng)上線，統(tǒng)計應(yīng)用上線出口，明確是否需要開發(fā)額外的用戶界面、客戶端，還是與已有服務(wù)界面融合即可；做好底層數(shù)據(jù)的管理，保證模型上線后不同使用群體、不同問題和任務(wù)可以在既定的規(guī)則和使用范圍下應(yīng)用數(shù)據(jù)，同時保護(hù)用戶的數(shù)據(jù)隱私；做好版本管理，以應(yīng)對模型應(yīng)用的增多、測試和更新。落地三要素在大模型落地的眾多技術(shù)步驟與細(xì)節(jié)之中，精準(zhǔn)選模、開發(fā)平臺、伙伴與同行這三個方面顯得尤為關(guān)鍵。精準(zhǔn)選模確保了所選模型與業(yè)務(wù)需求的高度匹配，為后續(xù)應(yīng)用打下堅實基礎(chǔ)；開發(fā)平臺則是模型訓(xùn)練與優(yōu)化的關(guān)鍵場所，直接影響到模型的性能發(fā)揮與落地效率；而伙伴與同行則關(guān)乎技術(shù)支持、資源共享與協(xié)同創(chuàng)新，對于模型的成功落地同樣至關(guān)重要。5.2.1模型的選擇：企業(yè)實現(xiàn)AI轉(zhuǎn)型的關(guān)鍵5.2.1模型的選擇：企業(yè)實現(xiàn)AI轉(zhuǎn)型的關(guān)鍵充分的業(yè)務(wù)場景論證將保證商業(yè)應(yīng)用的成功。實驗室環(huán)境下的模型水平與實際業(yè)務(wù)落地存在一定認(rèn)知差距，企業(yè)需要重點考慮該模型背后是否有更大的使用量、有充分的業(yè)務(wù)場景論證；更多的模型使用可以保證更快的迭代升級，包括通用基礎(chǔ)模型和多場景的模型家族，能帶來更好的、更貼合業(yè)務(wù)場景的、可以帶來真正商業(yè)價值的AI服務(wù)。55多模型家族給企業(yè)更多的選擇空間和更緊密的匹配度。面向不同業(yè)務(wù)場景，企業(yè)需要文生文、文生圖、聲音復(fù)刻、語音合成、語音識別、視頻生成等多樣化、多模態(tài)模型，并實現(xiàn)多源數(shù)據(jù)的同時接收、判斷、思考、處理、檢索、生成需要的內(nèi)容，以選擇與業(yè)務(wù)高度適配的大模型服務(wù)體系。模型應(yīng)具備廣泛塑造、即時可用的靈活性。大模型作為企業(yè)創(chuàng)新提效工具，5.2.2一站式大模型服務(wù)平臺：解決模型部署