隨著大模型技術的成熟和應用的深入，人工智能開始滲透到各行各業，從制造業自動化到服務業的個性化推薦，從醫療診斷到金融風險管理，AI應用正在重塑傳統行業的面貌。

從現狀來看，大模型技術成熟度已經很高，但產業應用卻面臨著巨大鴻溝。與個人日常應用相比，大模型在企業生產經營中的應用要廣泛得多，也復雜得多。而大模型在產業特別是企業中得到大規模深入推廣，將是大模型真正的星辰大海。

構建產業生態體系

大模型在現實復雜場景中的應用，主要難點在于構建完整的產業生態體系，進而打通大模型應用的“最后一公里”。

在通用大模型基礎上，個人大模型和企業大模型快速得到應用落地，行業大模型也在繼續發展，是大模型最有價值的商業化方向。現階段，以個人和企業為核心的大模型產業生態體系正在形成，但行業大模型發展面臨諸多挑戰。

目前，個人大模型的應用軟件已經如雨后春筍般出現，在工作與生活場景中為用戶賦能。隨著大模型能力的增強和算力芯片的發展，嵌入大模型的個人AI終端產品也已誕生。個人大模型落地背后涉及硬件、軟件的技術革新，將個人終端產品拉入新的競爭賽道。

個人大模型的產業生態體系主要涉及數據供給、技術基礎設施供給、模型應用、服務與產品供給、安全與隱私等多個方面。在模型應用方面，個人大模型還可以提供個性化推薦、健康檢測、生產力工具等應用；基于個人大模型，還有定制應用、智能家居、智能攝像頭等產品服務。利用個人大模型，個人可以在學習、工作、生活、娛樂等多個方面提升體驗，實現個人生活的全方位升級和發展。

企業大模型的發展，為傳統行業帶來前所未有的轉型機遇。通過深度學習和大數據分析，企業能夠更精準地洞察市場動態，優化決策過程，提升運營效率。在這個過程中，企業不僅能夠實現成本降低和利潤增長，更能夠通過流程再造和價值再造，探索全新的商業模式和增長點。這種由內而外的變革，正在重塑企業的核心競爭力。

企業大模型的產業生態體系，主要包括基礎層、應用層和戰略層三大層面。基礎層包括數據供給、數據訓練，以及算力集群、儲存服務器等硬件和大數據平臺、云計算工具等。

應用層主要涉及市場與競爭、投資與財務、合作伙伴與生態系統、研發與創新、供應鏈、用戶與客戶等多個領域。其中，通過組織戰略合作，可以構建以企業大模型為基礎的生態系統。

戰略層主要涉及企業大模型的未來與發展、學習與優化、安全與合規三個方面。通過規劃大模型的未來發展、持續改進模型性能并保證過程安全合規，推動企業大模型的可持續發展。

行業大模型是針對特定行業領域應用的預訓練大模型。目前，制造、金融、醫療、游戲、法律、交通等行業，均憑借各自獨特的場景需求，搭建了行業大模型。這些行業大模型的意義在于深入理解和滿足行業的特殊場景，為行業智能化、高效化發展提供有力支撐。

未來，隨著技術的不斷進步和應用場景的拓展，更多行業將構建出符合自身發展需要的行業大模型。

然而，行業大模型的發展仍面臨著諸多嚴峻挑戰。

首要問題便是缺乏充足且高質量的行業數據庫。對于已經構建行業大模型的行業而言，數據庫需要不斷得到補充和完善，以適應行業的快速發展和變化。對于尚未構建行業大模型的行業，若無企業牽頭并提供豐富的行業經驗和資源，構建符合行業需求的數據庫將變得尤為困難。

其次，由于行業大模型無法給出可靠、可控的輸出，這給那些需要精確、唯一數據的生產場景帶來了潛在風險。目前，大模型基于Transformer架構尚無法根本解決這一問題，只能通過不斷優化數據與訓練方法，努力提高模型輸出的準確性。

夯實關鍵要素支撐

數據、算力、算法和工具，是大模型應用的基礎關鍵要素，它們共同構成了大模型發展的基石。

數據的質量直接影響著大模型訓練的成本與結果。隨著市場對大模型能力要求的不斷增加，對高質量、精細化、定制化的數據需求日益凸顯。對于文本類數據集與圖像數據集，基于分類、目標檢測、語義分割、序列標注等不同的任務也表現出不同樣態。AR、自動駕駛等場景的出現，實時圖像數據采集和數據自動標注的技術亦在快速發展。

大模型訓練數據的來源愈發豐富，數據構建的主體由大模型建設商、數據服務商逐漸向個人、企業、行業主體發展。數據構建由通用向私域延伸，個人、企業、行業構建私域數據集的意識加強。這些推動了數據建設平臺的發展，數據傳輸、整理的工具軟件愈發豐富、便捷。

數據交易將推動數據建設平臺與數據交易方式逐漸完善，數據版權化意識加強，數據付費成為未來趨勢，定制訓練數據集的需求激增。根據Cognilytica數據，2021年全球人工智能訓練數據市場需求約為42億美元，預計到2027年將增長到220億美元。

推動構建高質量數據的同時，要加強數據治理。從企業來看，大部分企業的數據治理工作面臨著數據量龐大、數據種類繁多、數據管理效率低的挑戰，目前尚未出現通用、可靠的數據管理工具，數據治理僅是企業的單兵作戰。同時，加強數據治理也是保障國家安全、社會穩定和公民權益的迫切需要。企業數據如何合理合規，并能保障數據所有者的利益，將是未來行業大模型發展的關鍵。

算力是大模型落地的物質基礎。據預測，2022——2027年，中國智能算力規模年復合增長率將達到33.9%，同期通用算力規模年復合增長率為16.6%。我國智能算力需求的增長速度遠超過通用算力增加速度。

大模型落地應用的前提是算力基礎設施的搭建。目前，企業應用大模型，如果采用純自建算力設施的方式，將面臨軟硬件采購、機房搭建、系統運維等困難，容易陷入投入高、回報低的困境。購買云算力，將成為企業突圍算力壁壘的有效途徑。

私有云在維護企業數據隱私和業務安全的技術上，能夠為企業提供基本的計算服務；公有云可以彌補私有云算力的不足，在通用的場景下進一步滿足計算要求。以“私有云+公有云”的方式搭建自身混合算力將成為企業搭建算力的通用范式。

算法是大模型的骨架。當前大模型的主流架構仍是Transformer，未來融合檢索增強生成+知識圖譜的架構或將成為新潮流。

為了讓更多的企業、開發者可以便捷地將大模型應用于自身業務，大模型工具鏈應運而生。工具鏈包含大模型訓練框架、模型社區、應用開發工具、模型試驗與評估、模型試驗管理、數據標注、模型部署、模型監控與可監控平臺、向量數據庫等，可以大致分為服務于模型開發者的模型訓練工具、模型調用工具和服務于模型應用者的一體化模型服務平臺。

大模型工具的不斷發展，將逐漸降低大模型訓練和調優的技術門檻，使得大模型訓練、調優流程愈發簡單。

典型場景應用示范

智能經營管理：某國有大型裝備制造企業成立AI團隊，按照“技術服務業務發展”的思路，做了深入的業務AI需求調研，總結出23個AI應用場景，并快速展開市場調研與技術預研，最終以漸進式的方式選擇提升整體AI形象的交互式人工智能數字人項目作為試點，拉開了企業新型AI應用的序幕。

智能設計研發：國內航空制造企業與第四范式在CAD工業軟件上進行共創，引入“式說”大模型，通過語音提問，找到所有與目標設計相類似的三維數模零件，給出多種數模組裝方案，使傳統的開發形式向數字化轉型，提高了研發效率，縮短了研發設計實現周期。

智能供應鏈管理：順豐通過大模型技術，推出了多項智慧化服務應用。順豐小哥服務中心集成了Agent能力，可以驅動API調用和知識庫檢索，準確提取收寄標準、運費標準、收派操作等問題中的關鍵信息，為快遞員生成簡單易懂的業務解決方式；其智能通系統從各國海關官網不間斷地爬取、整理、解讀最新的關務規則與收寄標準，并自動轉譯、分析和提煉，幫助員工快速理解和應用復雜的國際貿易規則，顯著提升物流管理的效率和服務質量。

智能生產制造：聯想在產品質量檢測環節，用大模型輔助自動化光學檢測系統進行光學檢測。如，通過大模型對捕捉到的屏幕圖像進行處理，識別出屏幕缺陷，如劃痕、污漬、色差等，從而能達到每小時超過300臺筆記本電腦屏幕的檢測速度，識別更加準確且大大節省人力成本，顯著提高生產效率。

工藝優化：某省煙草制造工廠巧妙融入智能體技術，實現從原料加工到成品產出的全流程智能化管理。該工廠開發了專屬的人工智能算法和智能體，并建立自己的算法管理平臺與智能知識庫，使制絲生產線上的設備實現自我監測與調節，并實現產線整線水分穩態預測與控制，有效提升生產精度與效率。同時，構建工藝質量智能管控系統，結合大數據分析與機器學習算法，為產品質量的持續優化提供科學依據。

智慧醫療：成都某綜合三甲醫療機構，通過多款智能體和AI應用，顯著提升服務品質與管理效率。部署了營銷顧問智能體，對銷售流程對話的深度語音分析，精準提煉交流精髓，生成階段性客戶畫像，為實施標準化、持續性的客戶關系管理提供了有力支持?？蛻舴罩悄荏w通過智能分析客戶的情緒波動、具體需求及潛在顧慮等信息，定制出更為貼心的診后服務方案。在醫生問診環節，引入智能輔助系統，能有效沉淀并提煉大量客戶交流信息，生成標準化的綜合診斷記錄，結合多維度的客戶畫像，智能輔助醫生進行數據分析，不僅提高了問診效率，還顯著增強了診斷的專業性和精確度。

智慧教育：河南省某市教體局，通過AI智能體以及教育行業大模型，圍繞“教、學、評、管、測”五大業務類，實現18個大模型實踐場景。通過個性化教學和即時反饋，教師調整教學內容，學生獲得個性化指導，提高了學習效率和興趣。通過數據統計和分析支持科學決策，優化了學校的管理流程，提升了整體教學質量和管理水平。

（作者為國家工業信息安全發展研究中心標準所、全國兩化融合標委會（TC573）、《數字化轉型》期刊和聯想集團聯合課題組）

延長線：

生成式AI ：指能夠生成新內容的人工智能系統，如文本、圖像、音頻、視頻等。當前最先進的生成式AI大多基于大模型實現，但生成式AI也不必然依賴大模型，而大模型也可分為生成式和判別式。
數據標注 ：指對原始數據如文本、圖像、音頻、視頻等，添加標簽、注釋或元數據的過程，使數據成為模型可理解和學習的“知識”。它是模型訓練的關鍵前置步驟，直接影響模型的性能和準確性。
預訓練 ：指在大規模未標注的數據上進行初步訓練,以學習數據的通用特征和規律，可以節省時間和資源、提高泛化能力、快速適應新任務能力等，是大模型核心技術之一。
微調 ：是在預訓練的基礎上，通過少量標注數據進一步優化模型，使其能夠更好地適應特定任務的需求。
蒸餾 ：是一種模型壓縮技術，通過讓一個小模型（學生模型）模仿一個大模型（教師模型）的行為或知識，從而在保持較高性能的同時，大幅減少模型的計算量和存儲需求。
基座：是指支撐模型開發、訓練和部署的底層技術框架、硬件資源及配套工具，涵蓋硬件、軟件、算法和工程化能力的綜合體系。隨著模型規模持續擴大，基座的優化（如降低訓練成本、提升能效比）將成為AI競爭的關鍵領域。
智能體（Agent）：指能夠感知環境、自主決策并執行動作以實現目標的實體。智能體可以是一個軟件程序、機器人，甚至是生物，通常利用大模型作為“大腦”，結合感知和執行模塊，形成一個完整系統。