行业转型升级从数字化向智能化迈进,与其将全部注意力放到大模型与AGI的进化当中,更需要同步关注企业主体在数智化转型过程中的需求、痛点以及待解问题,并以需求与应用驱动的方式倒逼人工智能的发展与进化。
围绕工业制造、零售、医疗健康、金融、娱乐、政府等行业,针对其行业发展的关键驱动力与挑战、AI在行业智能化发展的关键价值,以及核心环节/场景的典型案例,全面展开产业AI智能化应用全景。
以企业为主体,围绕其可持续发展,业务创新,降本提效等核心需求,针对营销/服务、办公协同、研发、企业安全等各个环节进行深入剖析,展开企业AI智能应用全景与规划建议。
人工智能发展进入生成式人工智能时代,大语言模型所呈现的“涌现”能力,正在推动人类社会向AGI的方向持续探索,这将贯穿科技公司与研究机构相当长周期的关注焦点
企业经营与发展是当下的核心命题,人工智能,尤其是LLM开启的人工智能,对于AI商业价值的探索与实践带来哪些变化,是本次研究的重点
知识更新与自主学习能力,目前大语言模型仍然为静态数据驱动的学习范式,无法实现新知识的快速学习与迭代,尤其是涉及到时效数据与专有数据的场景下存在 障碍,OpenAI正在通过Plugins生态来突破这一局限
垂直领域泛化能力,通用任务的卓越能力已经显现,但是进入垂直细分领域与知识体系下,大模型的性能与泛化能力仍然需要增强,行业大模型训练是当前挑战的 破局之道之一
长期记忆能力,目前正在通过增大上下文容量、数据向量化,以及AI agent等多种方式探索突破
训练与微调成本,该训练成本仅针对企业应用基础模型结合行业知识与数据集进行训练与微调的成本,并非基础大模型训练成本,与上述“垂直领域泛化能力”相 对应,该成本仍然为行业知识壁垒显著的企业必须承担的成本,开源基础模型在一定程度上可以降低这一阶段的训练成本
推理成本,大模型在参数体量巨大的情况下,仍然存在较高的推理成本,这方面可以通过模型压缩与剪枝等技术的发展进一步降低
模型能力与业务场景的适应成本,这部分成本虽然由于人机交互方式的变化显著降低,但是前期仍然需要考虑提示工程在特定场景的磨合成本
模型安全与可控制性问题,这是人工智能普遍面临的问题,大模型并不能幸免,包括模型攻防、数据注入等问题;同时,模型能力来自于“涌现”,需要进行模型 能力,尤其是生成结果的可控制,方能进入到生产环境
对齐问题,既包括人工智能与人类社会价值观保持一致,也包括与不同国家价值观,不同类型企业经营以及商业法则相匹配等,前者最为关键,这也是目前最为关 注的AI不受控制的风险之一,目前在通过RLHF与RLAIF不同方式来实现
隐私与数据安全问题,无论是大模型的训练推理,还是对话应用的过程中,都存在过多的隐私暴露与数据安全风险,这有赖于技术突破和监管合规的进一步建立
模型应用可靠性:工业领域,尤其是生产制造流程,最重视安全、可靠和稳定,相应地,工业制造领域最核心需要保障应用的可靠性,这就对人工智能模型,包 括大模型提出了更高的要求。
应用成本挑战:从大模型驱动的AI应用方面,应用成本需要大幅度降低,目前定制化千亿参数通用大模型的成本难以被客户接受;算力成本仍然高居不下,训练 卡价格仍然在上升,同时,未来考虑到未来LLM不断升级,训练推理成本或将持续上行;相应地,垂类大模型能够达到参数量、效果、成本和场景的匹配,此外, 模型蒸馏压缩、采用MoE架构,小样本微调等技术路径也能够有效降低成本,加速落地。
行业Knowhow与数据资源挑战:与其他行业不同,工业场景相对来说数据样本量较小,AI训练相对困难,相应地,工业数字孪生可以通过仿真的形式生成大量 数据,帮助AI模型深度优化,同时,也仍然需要制造企业强化自身数据积累与沉淀,从而提升AI应用现实可行性。关
大模型将柔性融入工业制造流程,成为工厂智能中枢。大模型的出现为工业智能注入了更为强大的认知能力,将能够深入理解适应不同的生产环境和工厂特点, 实现AI与传统工业设备的高度契合。通过全面理解从生产流程到设备状态的各类工业应用场景,提供智能化的监控和调度能力。柔性融合更加突显了大模型对原 有工业流程的适应性和灵活性,并为工业制造的持续创新提供了可能 。
AI将与工业大数据深度融合,成为工业智能化的关键推动力。AI通过挖掘分析工业大数据中的潜在关联和模式,将数据转化为实质性的智能决策和洞察,提供更 准确实时的数据分析、决策支持、需求预测等关键能力,帮助企业更好地规划生产计划、优化库存管理等,实现降本增效,提升工业智能化水平。
生成式AI的应用将为工业知识的沉淀和传承提供强力支持。生成式AI通过将大量的工业数据、技术文档和专家经验整合,可构建更为智能高效的知识体系,这将 支持企业有效沉淀和传承核心领域的工业知识,不仅能为工厂提供实时指导和支持,还有助于应对人才流失和知识断层问题。
人工智能重塑零售行业,将以“商品”为核心的“研→产→供→销→服”的直线式价值链,向以“用户”为中心的闭环式价值链升级, 通过实时、场景化的用户旅程互动,深度洞察消费者需求,并以数据为依归,联动线上与线下多个触点,形成智能全渠道生态,实现用 户需求导线的业务ROI分析以及智能决策,从而实现长期客户价值的提升。
零售行业企业数字化基础能力挑战:企业需要具备数据基础,或者具备数据沉淀能力。一方面是,尤其是在消费愈发理性与细分的背景之下,不同品类、品牌与 商品,都具备相当专业的背景知识与信息,即便AI应用与大模型具备基础能力,但是仍然需要企业提供优质数据进行训练,从而达到预期中的与用户进行良好对 话与互动的能力;进一步,企业应用AI进行销量分析与经营决策,则更依赖于高质量数据,以及在业务与SKU丰富多变的情况下,实现模型的动态应对等。
数据连接挑战:AI应用的基础是数据沉淀和实时分析,但是零售行业仍然面临产业环节众多,各个环节之间存在数据壁垒的问题,相应地,这在一定程度上阻碍 了数据的应用,并进而影响了AI应用落地的效果。
利润低,ROI测算需要更加明晰方能进一步落地:零售行业注重利润率,对于技术应用的探索虽然秉承开放态度,但是极度关注其ROI的测算,相应地,AI应用也 需要寻求点状突破逐步验证其价值。
AI应用将由点及面全面铺开,一方面全业态,全业态增加AI应用,形成数据触点与链接;另一方面,将渗透零售产业链各个环节,相应地,持续进行数据互联互 通,形成良好地AI应用基础将变得愈发重要。
大型零售企业/平台将成为产业生态的核心,这样的企业/平台具备优质数据资源与资产,聚拢用户运营与价值增长的生态运营策略与落地手段,带动相应品类与 行业的整体升级与数智化增长,对于零售行业而言,这意味着零售入口潜在的变化,同时,对于品牌企业而言,也需要形成以自身品类与产业链主思维的经营发 展策略,从而在大平台生态体系下构建自身的核心优势。
本文仅供参考,不代表我们的任何投资建议。幻影智库整理分享的资料仅推荐阅读,用户下载的资料仅学习,如需使用请参阅报告原文。