隨著科技發(fā)展，技術(shù)的革新，當(dāng)前大規(guī)模的能力大家是如何看待的呢？下面這篇文章是筆者整理分享的關(guān)于大模型在To B領(lǐng)域的相關(guān)內(nèi)容，對(duì)此，感興趣的同學(xué)可以進(jìn)來了解了解更多相關(guān)內(nèi)容。

一、如何正確看待大模型的能力

以chatGPT為代表的大模型技術(shù)在上半年席卷全球，沉寂多年的科技游民們又找到了新的應(yīng)許之地，一個(gè)個(gè)把朋友圈的All in 區(qū)塊鏈/元宇宙改成了all in AI。

盡管openAI的開發(fā)者大會(huì)成為了新的科技春晚，但不得不承認(rèn)的是國內(nèi)大模型和北半球的氣溫一樣，從數(shù)據(jù)上看最近趨于冷靜，大家都覺得這個(gè)技術(shù)大有可為但是確實(shí)又很難看到實(shí)質(zhì)生產(chǎn)力大幅提升的案例。

從筆者的角度看，冷靜是正確全面看待新技術(shù)的必要前提，我們只有知道大模型能做什么、不能做什么，才能更好的找到適合其應(yīng)用的場(chǎng)景，畢竟，如果有人告訴你一項(xiàng)技術(shù)無所不能的不是騙子就是壞人，不然你就讓大模型炒個(gè)魚香肉絲試試。

1. 大模型不能做什么?

相比較大模型能做什么，不能做什么可能才是被忽略的因素，也是在應(yīng)用上不得不避免的坑：

①鸚鵡學(xué)舌

我相信不少人在使用大模型的應(yīng)用之后，都有一個(gè)先驚喜后去昧的過程，大家發(fā)現(xiàn)最大的問題在于其本身是一個(gè)語言模型，核心原理在根據(jù)提出的問題，逐字生成答案，每個(gè)新字的生成取決于前面所有的字的組合，根據(jù)前面的概率預(yù)測(cè)下一個(gè)最合適的字是什么。

舉個(gè)例子，正常來說只有在理解函數(shù)和幾何三角形之后，我們才有可能理解三角函數(shù)的知識(shí)，但是對(duì)于大模型而言，在輸出數(shù)據(jù)訓(xùn)練的過程中只提供三角函數(shù)相關(guān)的語料，不提供其他的函數(shù)和幾何的語料，他也可以模仿之前學(xué)過的內(nèi)容，生成出正確的答案。

這種方式有個(gè)形容詞叫鸚鵡學(xué)舌，這就是純語言模型和我們學(xué)習(xí)知識(shí)不一樣的地方，也就是說大模型的智慧涌現(xiàn)中至少邏輯推理能力和人是不同的路徑。

鸚鵡學(xué)舌就帶來大家在用大模型的時(shí)候最大的問題，缺少核心觀點(diǎn)性的輸出，看起來總是很擅長寫正確的廢話，輸出的每個(gè)字都對(duì)，但是缺少信息量，缺少一錘定音的結(jié)論，是平均水平的堆砌，體現(xiàn)出大模型能寫詩，但是寫不出李白水準(zhǔn)的詩。

②幻覺問題

第二個(gè)大模型被詬病很多的就是幻覺問題，體現(xiàn)在一本正經(jīng)的胡說八道，這一點(diǎn)并不是大模型本身的錯(cuò)。

因?yàn)楹芏鄷r(shí)候準(zhǔn)確和靈活是不可兼得的，就像一個(gè)人的性格很難同時(shí)體現(xiàn)出既謹(jǐn)慎又熱情，大模型的泛化效果好，很多時(shí)候體現(xiàn)出一個(gè)人的特質(zhì)，但是我們要知道即便是人，做很多工作的時(shí)候也會(huì)犯錯(cuò)，要求高度準(zhǔn)確的只能是機(jī)器和規(guī)則，所以大模型目前看起來不適合做專業(yè)細(xì)分容錯(cuò)性低的工作

③缸中的大腦

第三個(gè)就是大模型只是一個(gè)語言模型，有點(diǎn)像是一個(gè)泡在缸中的大腦，只有神經(jīng)元的輸入輸出，但沒有軀體，只有建議沒有辦法獨(dú)立執(zhí)行，無法根據(jù)環(huán)境反饋及時(shí)調(diào)整行為，或者是根據(jù)反饋進(jìn)行學(xué)習(xí)和迭代，這一點(diǎn)估計(jì)要等具身智能技術(shù)成熟后才能克服。

2. 投入產(chǎn)出比是技術(shù)應(yīng)用的關(guān)鍵

在上面的幾大問題之后，也并不是說大模型就是在割韭菜，而是說要正確看待大模型的特長和優(yōu)勢(shì)，在面對(duì)一項(xiàng)全新的技術(shù)時(shí)，取決于如何錨定這項(xiàng)技術(shù)，以及希望通過這項(xiàng)技術(shù)解決什么問題？

大模型技術(shù)一開始讓人覺得驚艷，是和傳統(tǒng)AI類產(chǎn)品在對(duì)話理解、文本生成上的生產(chǎn)力的對(duì)比而產(chǎn)生；但是在實(shí)際應(yīng)用中錨定的對(duì)象就不是傳統(tǒng)AI了，而是以前做這塊工作的人，與人相比，確實(shí)在很多方面也只屬于勉強(qiáng)及格。

這就出現(xiàn)了當(dāng)下的大模型應(yīng)用大量的以應(yīng)用小助理（ChatBot或者copilot）的形式出現(xiàn)，作用屬于錦上添花但不是雪中送炭，還不能真正幫助解決細(xì)分領(lǐng)域的問題，但是對(duì)于企業(yè)而言動(dòng)輒幾百上千萬的投入，確實(shí)沒法算過來這個(gè)賬。

當(dāng)下的核心應(yīng)該是盡量的減少大模型應(yīng)用的成本，同時(shí)找到適合大模型特性的高價(jià)值場(chǎng)景，在To C領(lǐng)域已經(jīng)經(jīng)過了理性回歸的過程，但是在To B領(lǐng)域，大模型怎么用，如何設(shè)計(jì)商業(yè)模式還沒有確切的定論。

二、To B 領(lǐng)域大模型商業(yè)化分析

To B 領(lǐng)域不同行業(yè)、不同客群、不同的業(yè)務(wù)領(lǐng)域都非常細(xì)碎，不同路徑的應(yīng)用方案不具備可比性，因此我們根據(jù)客戶的大小與應(yīng)用場(chǎng)景的專業(yè)程度進(jìn)行劃分，形成下圖的四個(gè)象限：（X軸為客戶屬性，從小客戶逐漸到大客戶；Y軸為業(yè)務(wù)屬性，分為專業(yè)場(chǎng)景和通用場(chǎng)景，最后分成四個(gè)象限）

1、第一象限

大客戶通用場(chǎng)景，典型客戶有大型國有銀行、運(yùn)營商、能源、電力等，在這個(gè)象限內(nèi)，客戶往往有很強(qiáng)的科技能力，像工行2022年在科技領(lǐng)域的投入是260億，有超過3萬人的科技團(tuán)隊(duì)，此類客戶最終大模型傾向自研。

面向這類客戶的通用方案其實(shí)就是基礎(chǔ)能力底座和訓(xùn)練平臺(tái)等工具鏈，最終客戶在此基礎(chǔ)上會(huì)自己做應(yīng)用層的開發(fā)。

此領(lǐng)域考驗(yàn)的是廠商的技術(shù)能力，華為、訊飛、智譜、BAT等在這一層，本層聚焦在通用大模型的競(jìng)爭，因?yàn)橐源笮脱雵鬄橹?，價(jià)值上主打自主可控和大國博弈的戰(zhàn)略占位。

2、第二象限

小客戶通用場(chǎng)景，在這一象限，主要考驗(yàn)的是廠商的產(chǎn)品化能力，因?yàn)樵诓煌袠I(yè)之間差異很大，面向小客戶，真正通用的主要也就是辦公、人事、財(cái)務(wù)、客服這種不涉及核心業(yè)務(wù)的領(lǐng)域。

更適合之前在這些領(lǐng)域有業(yè)務(wù)積累的廠商，通過大模型延展服務(wù)的場(chǎng)景、提升服務(wù)的效果，例如微軟office copilot和飛書在辦公領(lǐng)域的積累，金蝶、用友這樣在財(cái)務(wù)領(lǐng)域的積累，此處最考驗(yàn)各個(gè)廠商利用技術(shù)實(shí)現(xiàn)產(chǎn)品化的能力。

3、第三象限

小客戶專業(yè)場(chǎng)景，創(chuàng)業(yè)公司最有可能在這個(gè)領(lǐng)域長出一些小而美的應(yīng)用，基于大廠出的L0層的通用模型和L1層的行業(yè)模型，在此基礎(chǔ)上生長出L2層的場(chǎng)景層應(yīng)用。對(duì)于一些非常細(xì)分的場(chǎng)景如視頻剪輯、包裝設(shè)計(jì)等可能存在產(chǎn)品或者是服務(wù)總包的模式。

但是這樣的探索也是險(xiǎn)象環(huán)生，很容易陷入低ROI的魔咒，對(duì)于這類客戶需要產(chǎn)品本身確實(shí)能解決剛需，還需要解決付費(fèi)意愿的問題，肯定是一條荊棘叢生的路，但是這里可能也是創(chuàng)業(yè)者最容易切入的領(lǐng)域。

4. 第四象限

大客戶專業(yè)場(chǎng)景，在這個(gè)領(lǐng)域主要比拼的是解決方案的整合能力，需要對(duì)于行業(yè)以及核心業(yè)務(wù)有深入理解，以金融機(jī)構(gòu)為例，有像恒生、宇信、神州信息、中科軟、軟通動(dòng)力等IT服務(wù)商，這里不同客群不同行業(yè)的需求差異很大，所以會(huì)有較多的定制工作，利潤率較低，甚至有很多合作以人力服務(wù)的形式開展，核心需要拼各廠商解決方案的能力。

這些IT服務(wù)企業(yè)可以結(jié)合自身的業(yè)務(wù)特點(diǎn)，以開源模型打底訓(xùn)練出L1層的領(lǐng)域大模型和L2層的場(chǎng)景應(yīng)用模型，進(jìn)而對(duì)垂直領(lǐng)域賦能。

三、To B 領(lǐng)域大模型的應(yīng)用展望

從chatGPT發(fā)布開始，筆者一直關(guān)注行業(yè)應(yīng)用，從現(xiàn)在觀察的結(jié)果看，總體各個(gè)廠商之間卷底層能力為主，應(yīng)用開發(fā)不足，目前還沒有出現(xiàn)一款殺手級(jí)的AI原生應(yīng)用，當(dāng)然每項(xiàng)技術(shù)逐漸成熟都需要周期，我們?cè)噲D從以下幾個(gè)維度來分析下大模型最可能以何種路徑實(shí)現(xiàn)應(yīng)用層的百花齊放：

1. 價(jià)值主張：從“降本增效”到“拓寬工作半徑”

從深度學(xué)習(xí)開始，行業(yè)就面臨對(duì)于AI價(jià)值的評(píng)估缺少錨點(diǎn)的問題。大部分企業(yè)會(huì)以降本增效為評(píng)估依據(jù)，為企業(yè)節(jié)省10個(gè)人，那就按照10個(gè)人工資的20%-30%來收錢。

但是這樣的價(jià)值模型在大模型時(shí)代是有巨大的問題的，大模型本身瞄向通用人工智能，通過一個(gè)模型來解決多個(gè)不同任務(wù)，這就意味著任務(wù)非標(biāo)化程度很高，高頻高價(jià)值的重復(fù)勞動(dòng)基本在小模型時(shí)代就已經(jīng)被逐一解決，處理剩下來非標(biāo)的任務(wù)面臨兩個(gè)難點(diǎn)：

①任務(wù)中存在大量的鏈?zhǔn)焦ぷ鳎乱徊降墓ぷ魅蝿?wù)依賴于上一步的輸出結(jié)論，需要對(duì)于工作的整體做規(guī)劃和相機(jī)決策，然而現(xiàn)階段的技術(shù)很難串聯(lián)多個(gè)斷點(diǎn)任務(wù)。

舉個(gè)例子，員工往往是看了一個(gè)新聞后覺得有意思，然后去查閱搜索相關(guān)市場(chǎng)資料，下載數(shù)據(jù)之后進(jìn)行分析，根據(jù)分析的結(jié)論去進(jìn)一步尋找其他材料，進(jìn)行二次加工，最后根據(jù)分析的結(jié)論再去寫個(gè)報(bào)告。

這個(gè)過程中涉及多個(gè)業(yè)務(wù)流程和斷點(diǎn)工作，當(dāng)下的技術(shù)解決還存在較大的難點(diǎn)，如果只解決其中一個(gè)環(huán)節(jié)，就出現(xiàn)前面講的作為小助手有點(diǎn)用但是作用并不大的問題。

②大模型本身的成本就很高，往往存在人沒省下來但是系統(tǒng)建設(shè)還多花錢的情況。形象舉個(gè)例子：假如有10個(gè)人的團(tuán)隊(duì)，每人每天工作10小時(shí)，在大模型應(yīng)用提效10%之后，可能出現(xiàn)的結(jié)果是10人每天工作9小時(shí)，而不是9人每天工作10小時(shí)。

大模型不但不能替代掉1個(gè)人，還存在需要新增系統(tǒng)建設(shè)的費(fèi)用，對(duì)于員工可能是高興的，但是對(duì)于企業(yè)主付費(fèi)的意愿就低了很多。

從價(jià)值上講，大模型應(yīng)用的價(jià)值錨點(diǎn)不應(yīng)該是降本增效，尤其不要和中小企業(yè)講降本增效，大企業(yè)可能處于政治正確或戰(zhàn)略投資的角度推進(jìn)產(chǎn)品的應(yīng)用，有更多的耐心，而中小企業(yè)只要一算賬，投入產(chǎn)出比始終是過不去的坎。

相反，筆者認(rèn)為大模型應(yīng)該是讓員工做到很多以前做不到的事情，在人省不掉的情況下，可以擴(kuò)展員工的工作能力半徑。

例如之前寫文案不具備設(shè)計(jì)能力，需要和設(shè)計(jì)人員合作實(shí)現(xiàn)營銷方案設(shè)計(jì)，但設(shè)計(jì)是個(gè)低頻的卻卡脖子的需求，這個(gè)時(shí)候通過大模型生成圖片來增加以前文案的工作能力，一個(gè)人干2個(gè)事，這套敘事反而是企業(yè)主非常歡迎的。

2. 相比理解對(duì)話和交互，生成能力更能直觀體現(xiàn)大模型的價(jià)值

現(xiàn)在很多團(tuán)隊(duì)對(duì)于大模型的應(yīng)用主要聚焦在對(duì)話交互領(lǐng)域，應(yīng)用大模型的理解能力，但生成能力往往更容易產(chǎn)生價(jià)值感。

舉個(gè)例子，對(duì)話能力的提升往往是從語義理解能力90%提升到95%，這種5個(gè)點(diǎn)的提升往往不容易感受到，就像很多年前智能手機(jī)剛出來的時(shí)候有團(tuán)隊(duì)做電池管家，是可以提升5%的電池的使用壽命，但是給用戶的感知卻不明顯。

相反，生成能力是能夠直觀感受到生產(chǎn)力的，大模型一下子生成大段大段的內(nèi)容，可以演示出肉眼可見的生產(chǎn)力，而不需要絞盡腦汁的想應(yīng)用價(jià)值怎么體現(xiàn)這一AI行業(yè)難題。

3. 多模態(tài)一定是未來

信息的生成、傳輸、應(yīng)用基本都會(huì)遵循從簡單到復(fù)雜，從抽象到具象的過程。我們回想下微信出來的過程，交互媒介也是先文字、再語音對(duì)講、然后圖片表情和視頻、最后是小程序等復(fù)雜信息的綜合體，從各個(gè)維度去構(gòu)建豐富的表達(dá)體系，形成護(hù)城河。

從大模型的浪潮來看，現(xiàn)在最大的應(yīng)用還在文字，其次是圖片，視頻剛剛起步。從應(yīng)用價(jià)值來看，如何設(shè)計(jì)商業(yè)模式，核心是要考慮投入產(chǎn)出比。

而文字的生成投入產(chǎn)出比提升不明顯，如果要讓生成的文字賣出錢的話，就需要生成的文字具備高價(jià)值，無非就兩種可能，獨(dú)占高價(jià)值信源或者是生成質(zhì)量極高，否則就很難在To B的場(chǎng)景賣出價(jià)錢，但這兩點(diǎn)對(duì)于大模型來說都不容易。

反觀我們看下圖片或者視頻，因?yàn)橹谱鲌D片/視頻有門檻，生成的成本要遠(yuǎn)高于文字，如果大模型可以批量的生成一堆適合特定場(chǎng)景的圖片和視頻，那性價(jià)比就會(huì)比招1個(gè)設(shè)計(jì)或者外包給設(shè)計(jì)團(tuán)隊(duì)便宜。

筆者認(rèn)為未來圖片、視頻在價(jià)值體現(xiàn)的想象空間更大，而大模型平臺(tái)型公司則會(huì)因?yàn)槎嗄B(tài)的接入而逐漸形成自己的護(hù)城河。

4. AI Agent—大模型時(shí)代的小程序

上一節(jié)提到微信，我記得微信很久沒有重大更新了，最近的一個(gè)大的交互迭代是小程序，小程序是當(dāng)時(shí)所有人認(rèn)為短期會(huì)被高估，但長期會(huì)被低估的產(chǎn)品。

隨著這幾年的應(yīng)用基本也印證了當(dāng)時(shí)的預(yù)測(cè)，那我們想想，大模型時(shí)代的小程序是什么呢？能不能通過大模型生成一個(gè)小程序？

如果大模型本身能對(duì)任務(wù)進(jìn)行規(guī)劃拆分，應(yīng)用自身的代碼生成能力，形成一個(gè)個(gè)的代碼集合，讓每個(gè)模塊解決一個(gè)具體問題，通過任務(wù)拆解后分布執(zhí)行，能夠形成完整的任務(wù)閉環(huán)，這才是To B行業(yè)大家期待的樣子。

形象的場(chǎng)景就是：現(xiàn)在你問他怎么點(diǎn)外賣，他只能跟你不疼不癢的講外賣怎么點(diǎn)，假裝給你點(diǎn)了外賣提供情緒價(jià)值；AI agent成熟后則可以規(guī)劃幾個(gè)步驟。

首先登錄你的外賣賬號(hào)，然后生成一段代碼，對(duì)接到外賣平臺(tái)的接口，然后下訂單，最終訂單到了再通過接口反饋通知到你，完成服務(wù)閉環(huán)，這才是決定這一波大模型在To B領(lǐng)域高度商業(yè)高度的關(guān)鍵。

從ChatBot到Copliot，再到Agent，隨著量變的發(fā)生，總有一天技術(shù)會(huì)達(dá)到應(yīng)用投入產(chǎn)出比的臨界點(diǎn)，之后就會(huì)進(jìn)入質(zhì)變環(huán)節(jié)，而前面這段黎明前黑暗的路不會(huì)太短，只有決心、毅力以及每一次遇到問題解決問題的具體積累，才是這些廠商All in AI之后的資產(chǎn)，而不是明年再把All in AI改成All in量子或者All in 生物科技什么的。

考驗(yàn)企業(yè)家智慧的是在未產(chǎn)生商業(yè)爆發(fā)的前夜，如何保證自己不下牌桌，如何熬到最后看到技術(shù)真正的解放生產(chǎn)力、發(fā)展生產(chǎn)力的那一天。