大模型的创新，不仅仅需要单点的创新，更要围绕AI-Native开展系统性地创新；不仅要在场景上广泛探索，更要在技术上形成突围。
大模型已成为当下IT产业无可争议的最大风口。
人工智能从概念提出至今已有半个多世纪，继“深蓝”和AlphaGo昙花一现之后，Transformer架构及ChatGPT的横空出世，再一次点燃全世界的热情，人工智能以更具象、接地气的方式呈现，大模型和生成式AI也开始走入更多人的视野。
过去的一年来，从互动问答、语音对话到文生视频，OpenAI屡次刷新热度；Google、Meta入局推出开源大模型，图谋一席之地；微软将GPT4.0集成到办公软件中，成为生产力工具；华为和苹果将手机语音助手接入大模型，加速端侧智能化。
AI产业的拐点已经来到，大模型正在重塑一切办公、生产和生活。
大模型火热的背后，英伟达成为最大的受益方。随着业界对AI算力的需求快速增长，GPU卡洛阳纸贵、一卡难求，其24/25Q1季报同比增长近4倍，达到260亿美金。受持续提升的业绩数据和不断放大的市场需求支撑，2024年6月18日英伟达市值达到3.35万亿美金，连续超越微软、苹果，成为全球市值最大的公司。
一切都在向着人们期待的方向发展，甚至有人喊出了“第四次工业革命已来”。
这波大模型浪潮并不如表面呈现的那样光鲜亮丽，几家欢喜几家愁。
根据红杉资本发布的报告，英伟达仅在2023年的芯片订单就高达500亿美元，赚得盆满钵满，而整个生成式AI企业的销售收入才30亿美元，多数企业距离盈利依然遥遥无期，甚至一些企业已经濒临破产的边缘。
如果淘金者持续淘不到金子，卖铲子的生意也终将不可持续。
不管是OpenAI、微软还是谷歌，这些AI的先行者都还没有找到稳定且持续的商业模式，更多的是为资本描绘了一副宏大的蓝图，以支撑市场的预期。
在国内，10亿参数规模以上大模型数量已远超100个。但还未形成成熟商业模式的大模型产业，已经开始卷起了价格，模型免费、Token降价、算力打折，多么熟悉的味道。在群雄混战的早期通过低价圈定一波用户和开发者无可厚非，适当的竞争有利于产业的良性发展，但无序的竞争将导致恶性循环，让大模型产业陷入死亡螺旋。
2023年底，Gartner发布AI新兴技术成熟度曲线，大模型和生成式AI正处在技术炒作周期的最高点，Gartner对生成式AI做出了极高的评价，认为它将AI的热度推向了一个新高潮，但也表达了对繁荣之下所掩盖的潜在风险的担忧。
市场最终要回归理性，只有真正为用户创造价值才能实现商业闭环、有更长远未来。
理想很丰满，现实很骨感！大模型从趋势到全面落地依然任重道远。
在这一波AI浪潮中，中国发展得怎么样？当网络上ChatGPT、Sora、英伟达的新闻铺天盖地袭来时，很多人不免产生焦虑：我们又落后了？
必须承认，我国在算力、算法和数据领域其实并不具备优势：高端算力卡被英伟达卡脖子无法供应，短时间内自有制程和设计又无法跟上；算法领域，虽然模型数量众多，但大多数是基于国外开源架构优化，缺乏自主性和领先性；数据领域，我们的开放数据和国外不在一个数量级上，中文语料严重不足。
AI的三要素，每一条都是致命伤！
但从另一个角度看，我国有全球唯一的全工业门类、最多的金融消费人群以及最大规模的政务和城市体系，产生了丰富的场景和私有数据，这些都成为发展行业大模型的天然土壤。于是，我们没有走大兵团正面突击的道路，而是化整为零围绕行业穿插作战，通过大模型赋能一个个行业细分场景，最终形成战略突围。
近两年，在用户和厂商的共同努力下，一些行业大模型已经开花结果。大模型已经逐步应用政务导办、公文检索、事件分拨等场景，帮助政府提升政务服务效率和城市管理效率；在矿山领域，大模型和云边协同帮助矿山实现增安提效，加速产业集群智能化；在铁路，基于视觉大模型的TFDS火车故障轨边图像检测系统，实现不停车的实时图像采集和分析，自动识别各种不同类型的铁路货车故障；基于大模型的气象预测方案，计算速度相比传统HPC的数值计算提升一万倍，更精准预测台风路径。
还有医药、制造、钢铁、金融等更多行业的场景在持续落地，我们正在走一条和国外不一样的务实之路，不跟风不冒进，沿着清晰的目标和节奏逐个打磨场景，这种涓涓细流，终将汇聚成智能化的汪洋大海。
行业大模型建设，知易行难。
政企业务场景复杂多样，很难用通用大模型去应对。此时我们应该意识到，卷参数量、卷Token数、卷集群规模、卷价格都毫无意义，行业大模型落地更需要关注工程化的问题。
一、软硬协同发展
除了模型本身外，大模型还涉及开发平台、开发框架、计算架构以及各类工具，以及多样性算力、高性能存储和高带宽网络等硬件基础设施。在分层解耦架构的基础上，需要从性能、可靠性、可维护性以及兼容性等方面，进行端到端的集成设计和验证。比如软硬件全链路可视化运维、算网协同的低时延大带宽网络、基于亲和性的算子加速等，确保系统不仅跑得好，更要跑得稳。
二、采用AI-Native的云基础设施
AI-Native的云基础设施正成为越来越多企业的优先选择。基于公有云训练基础大模型，在本地私有云中结合私有数据通过二次训练和微调，这种混合云方案兼顾效率与安全，已成为大模型建设的新范式，同时云边协同的架构还可以有效简化海量边缘的管理，应对工业场景海量边缘接入的需求。它相比非云的部署模式，还能提供对通用算力和AI算力的统一调度，并基于其丰富技术栈覆盖数据、模型和应用开发全流程，降低开发门槛。
三、建立AI开发工作流，促进模型确定性交付
大模型是一个系统工程，其交付过程涉及数据管理、模型开发环境、模型训练、推理部署的全流程数十个环节，传统的开发机制很难解决跨团队协作和迭代开发的难题。要降低模型开发过程的不确定性，需要建立一站式AI开发工作流，帮助企业快速构建跨团队协同开发、高效迭代的机制，同时通过标准化、自动化的流程提高模型的交付效率与交付质量。
四、重视数据工程，打造优质数据集
模型性能是由数据质量和算法设计共同决定的，当前AI训练数据缺乏系统化的治理工具，甚至部分工作需要人为处理，存在集成、清洗和标注效率低，以及价值观的问题。打造高质量的AI大模型，必须构筑核心的数据工程能力，为大模型高质量供数。一方面可以借助开放的数据授权运营平台，获取高质量的数据；另一方面，针对内部数据需要引入自动化和智能化的手段，构建数据清洗、标注和质量评估体系；同时通过数据质量分析、成分分析、场景配比和智能配比能力，建立数据配比到模型效果的反馈优化机制，基于应用效果反馈持续调优，实现价值观对齐。
五、建立赋能机制，繁荣产业生态
生态是发展大模型不可或缺的一环。需要从技术生态、数据生态、模型生态和应用生态四个层面，去构建AI时代开放、可闭环、有质量的生态体系。这个过程中，政府和行业头部企业的作用不可忽视，可以带头建立如联创实验室、模型和应用商城、需求对接会、创新大赛等，并通过资金赞助、人才培养、政策扶持等多方面的牵引，通过行政手段打造中立的区域性赋能平台；行业头部企业在开展自身业务创新的同时，也可以通过技术、数据、模型和应用赋能行业和产业链上下游，从单企智能化走向行业智能化。
六、开展持续运营
大模型落地面临缺经验、缺人才、缺能力的挑战，大多数企业都是边实践、边总结。需要将这些经验和能力固化下来，逐步形成覆盖了大模型落地的全流程的工程能力，包括前期的顶层设计、POC测试、规划实施，中期构建优质数据集、开展场景分析和模型开发，以及后期的运维运营等。大模型运营和建设同样重要，缺少运营机制，大模型平台很难持续发挥价值。因此，需要打造适合企业的流程、组织和人才队伍，持续开展技术、生态、用户运营，不会断优化老场景、发掘新场景，最终实现全面智能化。
大模型创新，归根结底是技术之争，根深才能叶茂。
大模型的创新，不仅仅需要单点的创新，更要围绕AI-Native开展系统性地创新，不仅要在场景上广泛探索，更要在技术上形成突围。
近年来，国内涌现了一批代表性的科技企业，如寒武纪、地平线、壁仞科技、讯飞、摩尔线程、华为、阿里、百度等，他们坚持投入人工智能创新，推动AI产业升级。
2023年，百度 “文心一言”、阿里 “通义千问”和讯飞 “星火”陆续推出，华为也发布盘古大模型3.0，提出“AI for industries”的理念，并基于华为云Stack推出了业界首个大模型混合云。近期HDC2024上，华为云盘古大模型5.0升级亮相，打造全系列、多模态和强思维能力，进一步诠释“解难题、做难事”的愿景，同时发布大模型混合云十大创新技术，通过AI-Native的系统性创新，加速企业专属大模型落地。
创新者往往孤独，但注定不凡。
不仅需要沉下心，更要有“板凳要坐十年冷”的战略耐性。
我们终将迎来AI的黄金时代。
