9月19日，华为云AI用户峰会举办，众多大咖嘉宾聚而论道，围绕大模型如何与行业深度融合，关于技术和非技术的实践难题，企业的共性需求和个性要求如何满足，大会试图回答专属于这代人的时代叩问。也许，答案就藏在华为云这1000多家AI用户落地人工智能场景的心声和华为云沉淀400多人工智能行业场景的方法论中。其实百度CEO李彦宏也多次谈到，少些通用大模型，多些专用大模型，最终取决于应用场景，更取决于成本。

曼哈顿研究所高级研究员Mark P. Mills认为，正如汽车、无线电、互联网等革命性技术，新技术在改变世界之前，都会经历漫长的蛰伏期，绕不过发明创造、商业可行、大规模推向市场三个阶段。

“颠覆性创新”通常每个阶段持续20年左右。例如在汽车发明（1886年）之后多年，T型车设计才出现（1908年），到了20世纪20年代末，美国汽车渗透率上升到20%。

有时创新发生得也会快一点，从“分组交换”的想法到创建互联网不到10年，万维网公开商业化花了20年时间，但只用了10 年时间就看到了显著的市场渗透。

AI技术为时代创造了一个极限弯道赛段，在探索未知的过程中，隐藏在背后的迷雾和暗礁若隐若现。仅就目前来看，企业落地大模型的共性难题，包括场景、数据、成本、IT架构、实践等方面，相互交织又相互联系。

目前学术界与产业界已经达成共识，大模型不是“万能药”，只有把大模型置于具体的场景中，才能兑现技术价值，避免陷入“拿着锤子找钉子”的窠臼。在很多业务场景中，百亿级别参数大模型已经足够，十亿级参数大模型也应用颇多。识别大模型落地场景大致可以分为三大方向，商业价值决定了是否值得做，场景成熟度决定是否能做，持续运营空间决定了是否可进化。事实上专家们提出的模型可扩展性，就是“可进化或可升级”。

在中国科学院院士梅宏看来，现阶段AI的成功源于深度学习，这只是AI研究的一个子领域，其本质是数据驱动的智能、计算实现的智能，即“数据为体、智能为用”；在深度学习算法没有出现原理变革的前提下，大模型对数据的依赖越来越严重，对算力的消耗也越来越巨大。在这种情况下，数据规模和质量就成为影响大模型落地的关键因素。

企业数据可能存在缺失值、噪声数据、重复数据等质量问题，需要进行数据清洗。数据加工也是常见的需求，这可能涉及到数据的转换、编码、特征提取等操作。例如将文本数据转换为向量表示，以便大模型能够进行处理和学习。

构建一个大型语言模型可能需要耗费数百万美元甚至更多的资金用于购买高性能的GPU和NPU等计算芯片，以及支付高昂的电力费用和数据中心运营成本。即便企业采取云服务的方式，也需要考量成本。数据的收集、清洗和标注也需要投入大量的时间和金钱，构建一个高质量的数据集可能需要数千小时的人工工作。

企业应用大模型不仅需要评估启动成本，更要考虑运营成本。研究公司Gartner表示，将AI直接部署到公司的系统中，成本可在500万至2000万美元之间，预计到2025年底，30%的生成式 AI项目将因为这些高昂的费用而被放弃。

除此之外，在推动大模型落地的过程中，企业还需要关注IT架构、场景成长路径、人才培养和组织变革等问题，大模型要实现规模化落地，仰仗于形成新共识，也才可能降低成本，大模型落地才有业务价值。

对于国内外企业界和相关政府部门，都需要关注起高盛6月份发布的《生成式AI：投入过多，收益过少？》报告，其中提到，以美国为例，未来几年科技巨头、企业和公共部门将在生成式AI上投入约一万亿美元的资金，但目前来看，这些投资似乎并没有带来预期的回报。

“尤其是自从1956年的达特茅斯会议之后，人工智能技术和产业经历了三起三落，少有一类技术能够跨越如此之长的周期，既不归于沉寂也尚未实现规模爆发（人民网的评论）”。这个事实说明，AI是个不成熟的“老技术”，这方面，类似于电动车。

（完）

参考资料：

中国汽车业的版图和要点