大模型并不是简单的对话，它润物细无声地贯穿整个服务体系。

7月27日，由《中国企业家》杂志社主办的2024（第二十四届）中国企业未来之星年会在上海举行。在“前沿微课”环节，智谱AI COO张帆进行了名为“大模型的企业级应用探索与实践”的主题分享。

精彩要点如下：

1.AI变成了所有人都可以使用的基础生产要素。它变成基础生产要素以后，所有的上层建筑都会重构，我们的协作方式、组织方式、用户体验、商业模式都会变化。

2.今天大模型已经开始在各种各样的地方落地，无论是消费、制造、游戏、医疗、教育、文旅等领域，都带来了直接的价值。

3.企业判断大模型是否ready，我见过两种极端的思维。一个，是把它当成许愿池，好像什么都可以搞定；另一个，是无时无刻找一些大模型干不成的事，证明它不行——这两个极端都不对。

4.大模型并不是简单的对话，它将润物细无声地贯穿整个服务体系，在每一次循环中把这些能力沉淀下来，成为我们的核心竞争力。

来源：中企图库

以下是张帆的演讲实录（有删减）：

大家肯定比较熟悉，ChatGPT发布之后，只用了2个月，全球用户过亿，是一款绝对的现象级产品，在此之前TikTok也用了9个月时间。而且，现在大部分人对大模型的理解，并不是概念，而是我们感受到了应用，所以大模型已经是可以落地的技术。

我们看到了IDC、Gartner等预测机构对大模型都非常有信心。Gartner预测，2024年1月，在生产中接入生成式AI或大模型的企业达到21%，到2026年，超过80%的企业都会接入生成式AI或大模型。麦肯锡预测，到2030年前，它有望为全球经济贡献7万亿美元的价值，中国进一步释放生成式AI总效益的1/3。

目前看起来这个预测一点也不激进。

AI从诞生到现在差不多有七八十年了，为什么这次能让大家获得高度共识，成为让大家极具热情的应用技术？2010年前后我们已经在应用AI了，只不过当时在搜索以及视频网站的推荐都在应用，这就是所谓的AI0.5时代。那时候的AI每个都是独立应用，一个单词做一个实现，选一个数据训练一个模型，任何一个错误都可能导致白做。那时，AI是高门槛技术，只有互联网大厂才能应用。

到了2013～2014年，我们看到一个变化，就是神经网络的突破，这一突破一下子把算法层统一了，这就是AI1.0时代。**大家都用一个算法，某种程度上带来了AI的第一次普惠，让AI的成本和门槛比原来下降一个数量级。**这就激发了大家的应用，从互联网大厂开始转移到产业和行业里，这也是大家真正把它和产业结合了。

AI2.0时代是什么？大模型把一切都统一了，从算法到模型，再到任务，全都统一了，包括未来的多模态，它会进一步带来普惠。另一方面，它把产品和门槛下降了两个数量级，让AI变成了一个基础技术，不再是高端技术。例如，企业内部做一个文档或者简历抽取，如果想要有还不错的效果至少需要两三个高阶工程师做半年。而两三个高阶工程师的薪水半年可能就是两三百万元，成本非常高。但是，今天利用大模型，可以用一个不同编程的运营或者产品经理，花一个礼拜的时间，就能做到和以前一样甚至更好的效果。

所以，AI变成了所有人都可以使用的基础生产要素。它变成基础生产要素以后，所有的上层建筑都会重构，我们的协作方式、组织方式、用户体验、商业模式都会变化。

说一下智谱AI，我们是2019年成立的公司，成立之初就把机器像人一样思考作为我们的使命，也是AGI的另一种表述。成立之初，我们就专注于大模型的研究，发布了完全自主知识产权，我们的模型叫GLM。

今天我们有了非常完备的模型矩阵，语言模型既有1.5B、3B的端侧模型，而且这些端侧模型已经“跑”在了汽车上，包括AIGC、手机、NAS，我们也开源了6B，目前为止全球累计下载量已经超过了1600万。今年1月发布之后，GLM-4基本上达到了GPT-4的平替了。我们还开源了9B模型，它也是唯一一个可以直接跑到百万窗口（的模型），而且完全开源了，大家都可以应用。我们开始了All Tools的服务，不仅可以在浅水区执行，也可以在深水区，可以拆解动作、执行动作，甚至自己写代码、执行代码，让模型的应用进入深水区。

还有多模态的模型能力，简单讲讲它有什么用。第一张图上面有三个小房子，问大模型，它会说有四个，因为旁边还有半个房子，所以它推理旁边还有第四个房子。以前只是图生图，但现在它已经可以基于图做推理，这就是带来的深度应用。

来源：受访者

同时，我们把大模型的应用场景和天花板拉得更高，非常复杂的表格可以不做任何针对性训练，就可以直接输出markdown，降低了AI的门槛。

来源：受访者

昨天我们发布了生成式视频模型，很多人进行试用之后反馈良好。昨天我们也看到了很多生成的有意思的视频发到了朋友圈。它当然有很多不完美，但这只是第一个版本，相信大模型迭代的速度，它会非常快地进步和进化。

我们致力于通过AGI打造全新一代的MaaS平台，让大家可以随时微调我们的千亿模型，让每个人都用自己的私有模型。我们适配了国内端侧模型，还适配了国内40个厂家的信创芯片，应用上更加自由。

今天大模型已经开始在各种各样的地方落地，无论是消费、制造、游戏、医疗、教育、文旅等领域，都带来了直接的价值。

看几个例子。在汽车领域，从文本模型到文生图模型、图像理解模型做成了一个组合，如果再分层，有部分在端侧，有部分在云侧，做了部分的矩阵组合。在车里的文本模型可以解决原来很难解决的问题：比如聊天，以前的语音助手很难支持多轮的对话，它可以继续聊下去；比如车控，以前只能简单地开窗、关窗，现在可以复杂车控，条件意图以及隐含意图都可以搞定。车外景物识别，是外部信息和内部信息的感知，比如问前面的车是什么牌，还可以问是不是系了安全带，小朋友是不是爬上去了等等，有很多应用场景。

还有手机和音响助理，大模型带来了明显超越传统方法的效果。还有销售助手，当销售给客户打电话，把声音录下来之后，就能转成结构化的需求和结构化的用户画像。还有撰写文案，改写、缩写、生成PPT等等。

**企业判断大模型是否ready，我见过两种极端的想法。一个，是把它当成许愿池，好像什么都可以搞定；另一个，是无时无刻找一些大模型干不成的事，证明它不行——这两个极端都不对。**显然我们知道今天的大模型相当于iPhone1.0，上面的应用一定比PC好吗？不一定，但起码是一个开始，我们找到合适化的程度以及试点，找到对应的负责人并且给予合理的期待，这是我们的关键。

从模型的角度应该怎么思考呢？我们发现今天很多人在应用模型的时候，切入点就是错的，这不是模型能搞定的事。

大模型时代如何构建自己的竞争力，就是四个维度：**选择合适的基座模型，与之搭配相适应的组织，重新定义在新的生产工具下的数据资产，并且找到业务场景与之融合。**变成一个正向的飞轮，让每一轮飞轮都变成数据资产，沉淀一部分。

在选择基座模型的时候要算大账，算整体支出和业务的整体成本。组织方面，并不是技术越强越好，也不是人越多越好，如何恰如其分地选择在模型上应用需要的技术，我觉得很重要。同时，过去的数据资产，全部都是建立在结构化体系上的，我们做知识图谱和业务系统也好，永远都是要结构化，但结构化注定只是少量数据。

今天大模型背景下，更广泛的数据、非结构化的数据都会变成资产，极大地外延了资产的边界，为资产带来了全新的定义。在此之后，就是要解决在数据之上如何把数据转化为业务场景的问题。大模型并不是简单的对话，它将润物细无声地贯穿整个服务体系，在每一次循环中把这些能力沉淀下来，成为我们的核心竞争力。