神州数码郭为：2025年，AI大模型商业化落地，专业性、泛化性亟需解决

如果说2023年是AI大模型元年，2024年是行业大模型元年，那么2025年将成为大模型实现大规模商业化应用的元年，在这一年中，很可能将成为很多大模型“生死存亡”的一年，而商业化做得好坏，将成为决定大模型公司“生死”的关键因素。

如何面向企业级客户的AI转型需求，提供从底层基础设施、到模型、到应用平台的全栈落地解决方案？神州数码董事长郭为进行了深入解读。

大模型将重构企业流程

从当下的发展上来看，大模型在企业侧的应用，将从重构企业流程开始。随着企业数字化转型进程的推进，企业对于流程管理的管理需求也在发生变化。原先，通过诸如ERP等管理软件，静态的流程管理就能满足企业需求的情况已经不复存在，基于业务敏捷性、流程敏捷性等需求的同时，企业还需要通过打通内部数据流，以满足让数据赋能业务的需求，这时候，企业就需要一个全新的流程管理，更为自动化，更高效的流程管理，成为企业追求的目标。

对此，郭为指出，随着企业数字化转型进程的推进，企业产品和服务的生命周期发生了翻天覆地的变化，企业对于业务速度的要求，以及业务流程的复杂度在逐渐提高，而大模型在企业流程中的应用，将企业原有的线性的流程打破，将以更多维的形式重构企业业务流程，“这也是我们如今提出AI for Process战略的原因，”郭为强调，“为了能让企业改变原有的业务流程，更精准的实施决策、营销等操作，提高运营效率，降低运营成本。”

与此同时，在郭为看来，数字时代，数据已然成为新的生产要素和核心资产，企业的服务和产品最终都将以数据资产的形式呈现，持续推动商业模式的创新与升级。而这种“重新编排”的关键核心，同样也将落点在重构企业流程。对企业而言，流程再造既是AI在企业应用中的难点，也是巨大的价值增长点。若能在流程再造中快速引入AI，将显著提升企业效率和竞争力。

而AI大模型的出现，也加速了企业流程重构的进程。通过大模型，企业能够自动处理和分析大量数据，减少人工干预，显著提升效率，并且通过AI技术，企业可以将重复性任务自动化。

另一方面，企业还能使用大模型，通过数据分析和预测，为管理层提供决策支持。

专业性、泛化性，挡在大模型商业化面前的两座大山

显然，AI已经成为当下最炙手可热的技术，如何将AI技术融入到企业的生产和业务流程中，实现降本增效，已经是如今各行业企业需要共同面对的话题。在上海⼈⼯智能实验室主任周伯⽂看来，⼈⼯智能的发展存在“⾼价值区域”。

“未来AGI的⽅向——如何让⼤语⾔模型在保持泛化能⼒的同时，能够精准解决专业问题，是当前AI发展的最⼤挑战。这不仅是技术问题，更是整个AI研究领域的战略性⽬标。企业需要找到一个方法，让大模型能够在确保通用性和泛化能力的同时，还能深度适配特定行业和企业的专业化需求，”郭为指出，“我们称之为‘通专融合’。”

通专融合，是郭为对于未来AI大模型真正实现商业化落地路径的研判。“通”“专”两个维度各自展开来看，“通”的层面上，大模型需要具备泛化的能力，以极低成本实现不同任务间的迁移。

“专”的层面来看，大模型又需要针对不同行业，不同企业，不同业务流程，具备充分的行业“Know How”，即具备丰富的行业专有语料数据，用于训练大模型，长江商学院会计学副教授 MBA项目学术主任、高层管理教育项目学术主任张维宁表示，在企业中应用大模型，就如同企业招聘专业人员一般，“企业不会招聘一个学会计的人写代码，也不会招聘一个写代码的人做财务，”张维宁指出，“这点在应用大模型的过程亦是如此，企业需要具有极高的专业性的大模型，才能具备极高的确定性，这才是大模型商业化的关键。”

从目前的应用来看，无论是“通”，还是“专”，在大模型商业化落地的过程中都还存在一些掣肘。而在郭为看来，只有解决了大模型专业性与泛化能力之间的平衡问题，才能让大模型成为变革生产力和创新能力的核心动力。

专业性方面，虽然大模型在自然语言处理等方面表现出色，但在一些专业性很强的领域，如医学、法律、金融等，其知识深度和准确性可能不够。例如，在医学领域，大模型可能无法准确诊断疾病或提供精确的治疗方案；在法律领域，可能无法准确解读复杂的法律条文。这些能力的不足，限制了大模型在这些专业领域的商业化应用。

而这些行业的专有数据的获取，一方面受限于当下各个企业数字化程度参差不齐，数据质量不高等问题的困扰，没有充足的行业专有语料用于训练AI大模型，另一方面，受限于数据安全、隐私保护等顾虑，企业不愿意将核心数据用于在相对开放的环境中训练大模型。

泛化能力方面，大模型首先要面对的就是跨领域、跨专业的挑战。大模型在训练时通常是基于特定的数据集和任务，当应用于新的领域或任务时，其泛化能力可能会受到限制。例如，一个在新闻文本上训练的大模型，在处理科技论文或文学作品时，可能无法取得理想的效果。这就需要不断优化模型结构和训练方法，提高其跨领域的适应性。

除此之外，泛化性还涉及到模型的鲁棒性和可靠性。在面对各种噪声、异常数据或恶意攻击时，大模型需要保持稳定的性能，避免出现错误的输出。例如，在自动驾驶领域，模型必须能够在各种复杂的路况和天气条件下准确识别道路和障碍物，确保行车安全。如果模型的泛化性不好，就可能导致严重的后果。

AI企业级落地，从“工位级”开始

2024年，AI大模型如何在企业侧落地的问题，成为了几乎所有企业都在思考的问题。这个问题在2025年初将会继续成为企业和AI大模型服务商探索的方向之一。IDC中国区副总裁钟振山表示，从市场发展上看，大模型市场已经逐渐从做基础测试、底层算力和平台搭建等方向，转向了服务类的应用场景市场。

解决大模型的泛化能力与专业性之间的平衡是大模型商业化落地能否成功的关键因素，虽然现阶段各方仍处于探索阶段，但从市场上看，AI相关的企业级服务已经呈现出了爆发的趋势。

IDC针对中国市场的调研分析显示，2024年，中国市场已有33%的企业落地Gen AI应用服务，其中18%计划增加新一轮投入，有25%的企业正在投资建设Gen AI应用，Gen AI项目的成功率已接近企业满意度临界点。到2030年，生成式AI会累积带来近20万亿美元的经济收入。

另一方面，应用场景才是当下数字技术能否商业化的关键，对于大模型而言亦是如此。从场景角度出发，助手类的场景是目前业内公认的大模型比较容易实现大规模商业化应用的场景之一。

郭为以汽车营销这个细分场景为例与钛媒体APP分享了AI大模型在该场景中的应用，他表示，原本的汽车营销，销售人员很难准确的捕捉到客户的需求，需要多轮的交流下来，才能为用户匹配到合适的车型，对于车企来说，浪费了大量的人力、财力，还有可能错失潜在用户。而对于用户来说，也需要做很多攻略，才能选择到适合自己的车。

当利用AI大模型的能力，赋能营销场景后，用户进店，销售人员就能根据用户公开的授权数据，得到用户过往在汽车行业的数据，“销售很容易就能知道用户买过什么车，在什么地方买的，此次关注什么样的车型等具体的信息，”郭为进一步指出，“同时，还能在与用户的交流中，通过后台的大模型，实时反馈给销售人员一些数据，快速匹配到用户心仪的车型，促成交易。”

除了汽车营销领域外，电商交易售前、售中、售后等多个场景也是大模型可以“大展身手”的方向。郭为表示，某头部电商品牌就利用了神州问学的智能体技术，构建了意图识别的基础框架和标准流程，“通过整合大模型的能力，和智能体工作流的构建，提取工程的分类细化以及检索增强生成等技术，实现了对电商售前、售中和售后等10余类的购买者意图，以及每一类意图中具体流程参数的精准识别。”郭为指出。

据了解，基于该品牌方内部测试结果显示，项目的整体意图识别精准率和召回率已经超过了98%，显著优于原有的基于规则的问答系统，指标结构明显超出了客户的预期。

在企业中，类似的场景还有很多，从卷参数到卷应用，大模型的市场竞争已经进入下半场，而如何做好大模型落地的最后一公里，已经成为众多AI公司和行业企业关注的焦点，助手类的大模型应用也将在2025年“百花齐放”，如何平衡好泛化能力与专业性之间的天平，将成为这个过程中，企业重点探索的方向。（本文首发于钛媒体APP，作者｜张申宇，编辑丨盖虹达）