◎智谷趋势| 傅斯特

　　2000年前操作花楼机进行纺织作业的人一定不会想到，2000年后的今天，虽然纺织市场需求依旧存在，但产业已经从根本上被自动化和智能化所彻底重塑。

　　AI的重构能力，正在让中国各行各业迎来“兴奋时刻“。

　　9月5日，百度智能云宣布升级工业解决方案开物——基于文心大模型重构，新开物将实现从“产线智能” 到 “企业智能” 再到 “产业链智能” 的“三步走”策略，为企业带来质的跨越和提升。

　　“在深耕工业领域的这几年，我们发现，很多工业企业在推进智能化升级时，面临着场景定制化开发成本高、使用门槛高的问题。”百度集团执行副总裁、百度智能云事业群总裁沈抖讲道，“大模型的出现，为我们提供了全新的解决方案。”

　　这次升级，也意味着百度开物平台AI应用从聚焦于垂直行业的特定场景化赋能转向为全产业链赋能，被投放于更加广泛的应用场景中，要用大模型和AI，对工业流程进行重构。

　　多年来，开物工业平台在质量管控、安全生产、工艺优化、生产调度，以及能耗管理这五个大的场景中积累了非常多的应用能力。

　　围绕企业现实，洞察根本需求，用AI的方式从端到端去为企业解决工作场景的问题，是过去百度和企业惯常的合作方式。

　　然而，大模型的出现，为产业重塑带来了新的机遇。

　　依靠大模型，企业不仅可以对过去单一场景进行统一调度，还可以将企业的经营数据、工艺管理、生产管理都可以通过人工智能的方式进行统一控制。当这种智能革新从根本上改变所有工业生产、管理和运营方式之时，全产业链的智能调配也将得以成为现实。

　　这是大模型赋能能力的质变，也是人类生产力的一次飞跃。

　　从普通用户感知较强的To C领域，快速下沉到To B的产业端，大模型正在从人们讨论的话题中走出来，实践于各个行业的赛道。

　　用AI全方位地开拓企业应用空间，已成为AI应用的全新价值锚点。

　　能力越大，责任越大；赋能越多，需求也就越多。

　　大模型的出现，让企业看到了更多的可能性，它们的需求也在产生变化。

　　如果对当下的企业大模型应用市场进行梳理，不难发现，市场在大模型上的需求主要分为三大类：

　　第一类是从效益出发的。

　　过去，在企业智能化的过程中，AI是否能够给各条产线带来效率的提升，是很多实体企业关注的重点。

　　实体企业做数智化转型，绕不开4个问题：

　　谁来承担成本？转型周期有多长？转型后的易用性怎么样？能带来多大效益？

　　对于很多实体企业来说，在当下的经济环境下，务实永远是第一位的。

　　因此，它们在使用大模型的时候，更加看重能效比，大模型能够为企业的生产和管理带来多少直接收益，是他们最为注重的要点。

　　在大模型诞生前，行业内比较普遍是小模型这种专注于“死磕”单一场景、单一任务的私人定制方案：比如质量检测、安全巡检等。它的优点是技术较为成熟，企业容易计算出投入产出比，缺点则是在成本上没有优势。

　　这也是过去很多实体企业迟迟没有进行智能化转型的关键。

　　第二类是在第一类的基础上，利用大模型对企业全部生产环节、经营数据、工艺管理进行统一调度，从而达成企业的真正完成智能化转型。

　　很多人可能会认为，这不就是一个由局部到总体的过程嘛，有什么特别？

　　正所谓聚沙成塔，集腋成裘，积羽沉舟，群轻折轴。

　　站在企业全局看AI大模型为企业的全生态智能化赋能，我们才能发掘其中的革命性意义。

　　大模型将会为企业带来智能生产的新范式：

　　首当其冲的，它会将员工从机械的劳动的中解放出来，这一点不言自明。

　　凭借引入大模型，员工不再需要投入大量时间去死记硬背常规内容，有问题只要问大模型，就能快速获得高质量的解答。同时，将大量的事务性工作交由大模型去完成，也可以将专家真正专注于高质量、富有创新性的工作。

　　而更重要的是，AI进入生产环节后，将会彻底将企业的知识体系从零构建并沉淀下来。

　　对于传统企业而言，最大的财富无疑是人。人不仅仅是生产力，还是创造力，是财富，也是知识。

　　一旦人离开企业，那么企业所积累的知识也将无疑被带走很一大部分。

　　与大模型深度结合后，企业可以凭借大模型强大的理解和生成能力，整合不同领域的知识，形成一个个独立的知识单元。

　　通过对企业全局数据和流程的有机整合，为创新团队提供完整的分析数据，帮助其快速获取知识，帮助员工非常快速地在创新流水线中循环和反馈，在拉高效率的同时，也拉高创新的可能性。

　　而第三类，则是在前面的基础上，百尺竿头更进一步。

　　当企业的AI数智化转型彻底成型，政府将会对产业链的分布有更为全面的认识，可以帮助地方政府在招商引资中补足和增强产业链决策，提出更为全面的指引性意见，AI将成为产业大脑，促进产业链的全局优化。

　　可以预见，大模型的普及将会成为智慧城市工业未来式的重要抓手。

　　眼下，所有人都在对大模型竞相追逐。

　　技术侧，巨头、中小企业和初创公司争相赛马，一场激烈竞逐的“千模大战”正在上演。

　　而在产业端，许多企业则需要从大模型的千军万马之中寻觅符合自身需求的那一个。

　　总的来说，当前B端企业对大模型的需求主要有两类：

　　一类是用好大模型，另一类是做好大模型。

　　目前市场上数量最为庞大的企业，其实都是“用好大模型”的企业。

　　对于它们而言，拿来大模型就能来用是最直接的需求。更加深入一点的，大多是借助大模型来直接开发垂直领域的AI应用，或是结合自身掌握的行业数据，用基础大模型精调出更贴合实际场景的行业大模型。

　　如何找到适合自己的大模型，是他们首先要面临的问题。

　　要想挑选到一个适合自己的大模型，模型效果、迭代速度和工具链三个方面是关键，而百度提供的公有云服务提供了非常有针对性的解决方案。

　　在模型效果上，目前百度智能云千帆平台上已经入驻了42个主流的大模型，企业可以根据自己业务的需要和场景来选择一个或多个大模型。

　　作为一个开放平台，千帆不仅仅是收纳了足够多的模型，还对这些模型进行了增强，比如：

　　针对像Llama2这种英文效果较好而中文效果欠佳的大模型，百度智能云进行了中文语言增强，重点提升国外主流大模型在中文场景的表现效果。

　　性能增强，可以全面提升大模型训练和推理效率。训练Llama2的总体吞吐可以提升25%，推理性能甚至可以提升2倍以上。

　　千帆平台还对开源模型提供了长上下文的增强，满足包括知识增强、长期记忆增强、文档知识问答在内的各种长上下文场景的推理需求。

　　此外，千帆平台上已经预置了41个高质量有行业特色的数据集，用户只要点击几个按纽就可以完成微调提高模型的效率。

　　针对AI芯片迭代速度快的特点，千帆平台在底层做了大量的适配和验证工作，兼顾了国内外的这些主流的芯片和操作系统，这样不同厂商不同代际的算力资源就可以混合部署在同一个平台里，高效的配合使用。更重要的是客户的算法不需要大量改动，只需要少量修改就可以在硬件上运行。

　　而针对门槛较低的普通用户在调用大模型时效果不好的问题，千帆平台则在数据集上下了足够的功夫。

　　目前，在千帆平台上提前内置了103套高质量的prompt模板，也提供了自动化prompt功能，可以帮助客户快速生成优质的prompt。以前光是调试接入、验证评估就需要算法团队投入一星期的时间，现在基于千帆一站式的工具链，客户当天就可以跑通一个模型并且看到效果，把真正的时间快速投入到应用的开发阶段。

　　而且，这些通过大模型微调出来的垂直类AI，完全托管在百度智能云的云端，无需操心复杂的算力部署和日常运营的管理维护问题。

　　另一类想要做好大模型的，是希望自建大模型的企业。

　　这类客户数量并不多，但又足够重要，往往都是大企业居多。

　　很多大企业不仅是买一个大模型，而是希望获得一种能力，最终拥有一个“只属于自己的大模型”。

　　虽然训练大模型的成本和技术壁垒都非常高，但技术可控、数据安全和功能定制才是大企业关注的重点。

　　针对这部分用户的核心需求，百度研发了高效的集群组网故障的管理机制，可以快速完成故障的定位和恢复，使得这个模型有效训练的时间占比超过了95%以上，极大降低了训练的成本。

　　大模型训练的多卡运行中，还面临一个问题怎么样保障GPU集群的性能，基于分布式的并行训练策略，千帆大模型平台在万卡规模的集群中加速可以达到95%，这样整个集群的整体算力就可以充分发挥出来。

　　针对这类用户所关注的数据安全问题，千帆平台为每个客户提供了企业级的安全，在模型安全方面千帆为不同的模型厂商设计了可信的专用隔离域，重点保护模型资产的安全。在内容安全方面千帆预置了安全模块可以有效控制输入输出的安全风险，在数据安全方面，千帆提供了从模型到数据到日志的全链路加密，为模型厂商和用户提供可信的执行环境。

　　而且，千帆平台还特别为此提供纯软件平台交付与软硬一体交付两种私有化部署模式，充分满足用户的隐私和安全需求。

　　借助大模型的赋能，企业从此不再重复造轮子，而是把精力聚焦在最核心的业务逻辑上。

　　每一次科技革命，都是通过改变生产力和生产方式，从根本上改造了我们所生活的世界。

　　当人们都在说科学技术是第一生产力的时候，所有人都把技术的落地都当作理所当然。

　　但是，当我们有一天真的站在技术革命风暴来临之前的海岸，人们才发现，原来科技和工业的结合，从来就不是顺其自然，而是分属于不同逻辑的耦合。

　　科技公司对现实的洞察，才是让科技与工业、大模型与制造业结合的关键。

　　在百度智能云智慧工业总经理常城看来，现在的大模型真正解决的是工业当中的决策性问题。

　　要解决此类问题，就要从系统层面看如何整体的做决策和调度。

　　因此第一步，要构建完整的数字化底座能力和跨越多场景的比较完善的智能化的应用产品矩阵，要到毛细血管当中去，数据必须是真实可靠可用的，应用也得是真正能解决问题的，是能控制到设备的；

　　第二步，大模型要和行业的数据结合，要增强通用大模型对于行业知识的理解能力，这样的话才能真正做到系统级的决策。

　　作为文心大模型面向企业市场的统一界面，千帆大模型平台正在实实在在地服务企业，改变工业生态。

　　目前，百度已联合行业客户发布了涵盖电力、燃气、金融、航天、传媒、城市、影视、制造、社科等领域的行业大模型。全栈技术积累，以及超多应用场景覆盖，百度已经展现超强的生态先发优势。

　　在2023百度云智大会的智慧工业分论坛上，不少百度智能云的合作伙伴分享了一些令人印象深刻的案例。

　　在百度过去深耕的产线智能赛道上，百度智能云已经是驾轻就熟。

　　人效和能耗的优化，往往是最普遍也最能立马见效的。

　　比如在3C行业，传统的人工智能质量检测，都是做小模型，通过一个机器识别技术解决某一个产品、某一个场景问题，但是不同的板型、不同工艺，几乎存在220种缺陷。

　　如果用传统方式就需要做一个又一个小模型。模型不仅要求高，而且交付周期也很长。如今，通过CV大模型技术加持，可以快速建立起一个模型，面对所有缺陷。

　　苏州的一家合作伙伴，就使用了这样的技术，卡点率下降86%，质检效率大幅提升。中电互联总工程师朱达平在分论坛上讲述了联合百度智能云发布的PCBA产业基于轻量化5G专网的AOI质检大模型，这是首个AI质检行业模型，降低了每条生产线的成本，实现了综合产能的大幅提升。

　　如今，具有全栈优势的百度智能云，在大模型重构开物之后，加速将自己的赛道延展到了企业智能方面。

　　港口是一个比较复杂的应用场景。货物来到港口后，首先要在堆场进行麻纺，之后有人员理货，之后放到船边，通过门机、暗桥放到船上做配载，之后还有船位的泊位计划。

　　在大模型落地前，流程如此复杂的多个应用化场景，企业通常需要做数字化堆场，做配载计划，对于人员进行自动排班，还可以港机上做调度，在内外集卡上做车辆智能化调度……通过引入大模型，可以将多个复杂应用场景的小模型融合到一起，基于大模型对港口作业流程的深度理解，实现各流程严丝合缝的完美调配。

　　目前在山东的日照港已经成功落地了数字化堆场整体调度的一套平台软件，使设备利用率、场地利用率、周转率和整体作业效率都得到了显著的提升。

　　港华集团高级副总裁席丹介绍了联合百度智能云打造的智慧运行平台情况，提升了燃气行业的数字化运营和安全运营水平。目前已有十几家企业上线。席丹表示，期待未来大模型可以在燃气行业发挥更大作用。

　　大模型不再是一个单选题，而更是一个综合题。在这个新的时代帆船上，产品、服务、安全等全部都需要成为必需品，甚至是从企业的层面来看，也更是刚需品。

　　就在上个月底，OpenAI 推出了面向大型企业的 ChatGPT 企业版（ChatGPT Enterprise），并号称这是迄今为止最强大的 ChatGPT 版本。而在 ChatGPT Enterprise 之后，OpenAI 未来还将推出适用于较小型企业的 ChatGPT Business。

　　一切都发生得太快了。

　　人们倏然间发现，百度早已在B端布局。

　　作为中国人工智能领域的先行者与领导者，百度在过去十年一直保持着压强式的研发投入，累计超过1400亿元，是少有实现应用、模型、框架与芯片四层全栈布局的人工智能公司。

　　其从“产线智能” 到 “企业智能” 再到 “产业链智能”的改造工业路线图已经日渐清晰，凭借强大的AI技术能力、丰富的行业经验，庞大的用户规模，完善的生态建设，百度已经率先进入了大模型落地的深水区。

　　无论是美国的亚马逊、微软与谷歌，还是中国的百度，他们都已经受益于B端客户在大模型领域的AI算力需求或场景应用需求增长，实现了颇为可观的业绩增长。

　　当千帆过尽，人们方始对世界的重构与重塑后知后觉。

　　其实百度从未离开，他们只是提前感知了先验的召唤，转向了他方——那被称为不可见的世界。