葛鸿志：AI时代，对行业大模型的思考

通过对AI大模型的战略定位和发展行业大模型的关键要素进行分析，指出行业大模型赋能产业的途径及实现落地的对策建议

行业大模型发展现状

AI大模型的战略定位

随着人工智能产业发展进程的不断加快，大模型的应用场景越来越广，各行各业纷纷着手大模型布局。和金融大国的大模型发展趋势不同的是，我国作为工业制造大国，对大模型的未来定位，更偏向于赋能各行业具体的工作。通过转变传统行业劳动模式，创造各行业的新质生产力，实现降本增效，创造更大价值。因此，我国AI在各行业垂直大模型领域的最佳落地方式是通过AGI的方式加持各行各业，即通过训练和学习掌握各行业的专业知识，使用专业领域的生产工具，结合海量生产数据，完成从局部生产力优化到全面生产力升级。特别是在中国社会老龄化背景下，AI有望优化例如矿山、化工等工作环境艰苦行业的人力结构资源，提升效率的同时降低劳动中可能存在的人身安全风险。

当前，算力已成为新质生产力的重要组成部分，各大厂商推出的预训练大模型参数越来越大，对AI算力的需求与日俱增。2022年至今算力呈指数增长，增长速度极快，从算力的增长上侧面也可以看出各行业对于AI的迫切需求。未来，随着AI技术的发展，模型持续迭代演进，算力需求还会持续增长且呈供不应求的趋势。

行业大模型发展的关键要素

优秀的行业大模型需要大量参数、大数据、大算力、大能源的支持，OpenAI首席科学家“大力出奇迹”的观点也强调了上述因素的重要性，即认为只要模型足够深、规模足够大、数据质量足够高，模型效果就更好。

同时，行业高质量的数据集已成为大模型产业成熟的关键点，构建高质量的数据集对于大模型的发展至关重要。企业往往面临不知道如何使用已有的庞大数据，或没有足够的数据来构建训练行业模型的情况，同时也没有“跨界”的专家对这些行业需求进行AI场景化，没有数据标注工程师对行业数据按照不同的场景进行标注。这些问题导致行业大模型在垂直领域落地第一步的成本极大，令企业望而却步。在此，建议可以发挥各高校在各行业专业数据积累方面的优势，与高校合作可以降低数据标注成本并提升数据质量，同时开设各行业“AI＋”的课程，培养“跨界”人才，加强产教融合，优化行业人力资源结构，解决企业专家断层、招工难的问题。

政策引领，AI赋能产业焕新

近年来，国家对人工智能产业的重视程度不断提升，出台多项政策文件引领人工智能产业发展。今年2月，国务院国资委召开“AI赋能产业焕新”中央企业人工智能专题推进会，提出要把发展人工智能放在全局工作中统筹谋划，深入推进产业焕新、加快布局和发展智能产业;工信部等6部门印发《算力基础设施高质量发展行动计划》，提出“算力＋能源”，搭建能源行业大模型赋能行业应用场景;浙江省于今年1月发布人工智能产业发展指导意见，计划加快构建以杭州市、宁波市为核心，其他地区特色差异化发展的人工智能产业发展格局。

行业大模型赋能产业的途径

实现行业大模型的四大关键举措

由L0基础大模型发展为L1行业大模型，需要通过以下四个举措来实现：一是沉淀行业知识，扩充适配于相应领域的知识；二是淬炼行业技能；三是对话专业工具，把专业知识通过大模型对话的方式降低工具使用的门槛；四是保障安全合规，由大模型评测工程师评估产品效果、产品安全等。

AI行业大模型落地方法论：“3层8步”

华为依据自身实践，总结出“3层8步”的行业大模型落地方法论：第一层是重新定义智能业务，第二层是开发与交付，第三层是持续运营智能应用。具体包括明确目标、高价值场景识别、重塑流程、组织变革、数据和知识工程、AI建模与发布、AI融入业务应用、AI持续运营等八个步骤。

行业大模型落地的对策建议

首先，在AI时代，大模型是算力、能源、人才、数据等综合国家产业体系的综合比拼，需要构建我国自有的生态体系。

其次，各行业的人才、数据是构建行业大模型未来竞争力的关键，要针对行业人才进行“跨界”培养，同时进一步构建行业数据运营体系，解决行业大模型垂直领域落地第一步的问题。

最后，行业大模型落地是长期马拉松，需要坚定投入决心，构建稳定自主可控的开发底座，降低AI开发门槛、提升AI应用开发效率，同时梳理大模型“教育”方法论，构建可持续运营、多方参与的数据交易体系才能推动行业大模型健康可持续地发展。

（作者系华为技术有限公司EI产品部大模型首席架构师，本文由浙江数字经济百人会供稿。）