*智能體時代，AI正從 “神壇” 走向 “人間”*
從通用大模型到行業大模型，人工智能的新風口開始吹到了AI智能體(AI Agent)，AI開始從“神壇”走向“人間”。
近日，多個科技巨頭都帶來了以“智能體”爲代表的AI應用，螞蟻集團發布了三款AI新品並推出獨立AI原生App“支小寶”，同時啓動支付寶智能體生態共建計劃，推出智能體開發平台“百寶箱”；
騰訊元寶品牌智能體專區正式上線，首批邀請了11家合作夥伴入駐，包括同程、微盟、華潤三九等，共同打造精品AI智能體應用生態；OpenAI 也被曝計劃在今年秋天推出代號“草莓”的全新 AI，對進一步打造智能體具有重要意義。
科技巨頭的新動作似乎都在傳遞一個信號，那就是在AI商業化的過程中，服務于普通大衆的“智能體”正在成爲行業普遍看好的應用方向。
在智能體加速落地的當下，圍繞“應用”的競爭也將變得更加激烈，不同企業該如何卡位競爭？想要打造智能體的“超級生態”，大家還需要往哪個方向努力？
01 科技巨頭卷向“智能體”
隨著 ChatGPT的爆火，“智能體”概念開始引起行業的廣泛關注，它就像曾經存在于科幻片中的智能助手，可以根據人類的指令來執行任務，並通過搜索、分析、調研實現自主理解，最終不斷優化反饋內容。
但AI的發展並不能一蹴而就，在過去一年，各大科技企業先是圍繞通用大模型進行了一場爭分奪秒的較量，目前爲止，中國10億參數規模以上的大模型數量已超100個。
但在“百模大戰”之後，科技企業都開始面臨同一個困境，那就是通用大模型要找到適合自己的應用場景，其實並沒有那麽容易，隨著同質化應用不斷增多，甚至還有點“雞肋”。
于是，各大科技企業開始加快對智能體的探索。去年，比爾蓋茨談到了對人工智能的展望，他提到智能體會改變每個人與電腦互動的方式未來人們將不再需要爲不同的任務使用不同的應用程序，只需通過自然語言告訴設備想要做什麽。
百度董事長李彥宏也在今年的公開場合中多次提到“智能體”，他表示智能體是生成式AI的未來趨勢，不僅能對話，還具備反思和規劃能力。
從通用大模型到行業大模型，科技企業都試圖用大模型能力來賦能行業和場景，但要精准洞察企業和用戶的需求並不容易，一不小心就會變成“爲創新而創新”。
但“智能體”的出現意味著科技企業開始“反客爲主”，不再聚焦于如何挖掘需求，而是用AI強化用戶需求，讓他們自己提出需求，再解決需求。
目前，智能體已在教育、金融、醫療等多個行業實現落地。紮克伯格曾預言，未來智能體或達到數十億，最終數量可能超過人類。
不過，國內智能體領域雖然玩家衆多，但科技企業間的競爭卻是目標明確——大廠搶生態，小廠搶應用。
一方面，百度、阿里、騰訊、字節跳動等大廠均推出了一站式智能體開發平台，比如阿里的 “芝士餅AI”、字節跳動的“口子”、百度文心智能體平台等。
由于互聯網大廠在用戶規模、場景矩陣有較深厚的積累，能夠借助自身在內容生態等領域的優勢，爲智能體的開發和變現提供渠道，進一步豐富智能體的發展生態。
日前，百度發布了首個智能體聯盟解決方案，其表示已經跑通了智能體生態的閉環，能夠實現智能體分發+變現一體化解決方案。
據百度董事長李彥宏表示，百度文心智能體平台已經吸引了 10 萬家企業、60 萬名開發者，目前，已有18%搜索結果由AI生成，智能體的日均分發量已經突破了1000萬大關。
另一方面，以智譜AI、面壁智能等爲代表的大模型創企，則將目標聚焦于垂直場景的智能體應用。
比如面向C端市場的月之暗面，推出了擅長多語言對話、長文本處理的Kimi；面向B端市場的面壁智能瞄准手機、汽車等智能終端推出MiniCPM；針對金融行業打造智能體開發平台的深擎科技等。
從實際應用層面來看，C端智能體大多以智能助手定位爲主，通常具有對話式服務、個性化服務等功能；B端智能體則需要提供更爲專業和定制化的服務，包括集成數據標注、模型微調等，以滿足企業在運營、管理、生産等方面的特定需求。
目前，也有部分大模型創企嘗試打造智能體商店或平台，Kimi在今年5月上線了Kimi+智能體商店，旗下有20多個由官方提供的智能體；釘釘則發布了AI助理市場，用戶可以根據自己的想法和需求打造智能體，僅一個月就有700多個AI助理上架。
不過，相較于互聯網大廠而言，大模型創企旗下的智能體商店或平台，更多還是聚焦于平台自身更熟悉的應用場景，通過智能體獲得更多用戶數據反饋，同時吸引更多新增流量，本質上還是爲了幫助大模型尋找商業變現的路徑。
所以，如果說智能體會成爲AI時代的網站，大量智能體將會形成新的AI生態，那麽這種“超級生態”大概率還是會在互聯網大廠中“開花發芽”。
互聯網大廠憑借多年來的積累和布局，不僅擁有強大的流量，還具備了豐富的生態矩陣，以及廣泛的場景布局，可以爲智能體提供強大的數據支持和應用場景，加速智能體的市場推廣和用戶接受度，最終形成一個更加智能、互聯、高效的超級生態。
02 螞蟻搶先闖入“生態大戰”
因此，互聯網大廠們也把目光聚焦于智能體生態建設。比如螞蟻集團近日推出了AI 生活管家“支小寶”，主打服務型AI原生應用；AI 金融管家“螞小財”；AI 健康管家三款AI新品，以及智能體開發平台支付寶“百寶箱”。
移動互聯網時代，用戶需求由各種APP和小程序承載，各科技企業依靠開發應用來盈利，但從APP逐漸“輕量化”叠代至小程序這點可以看出，用戶其實並不需要那麽多APP，甚至說厭倦被APP綁架的生活。
隨著AI行業的不斷發展，未來必然會出現更自然的人機交互方式，智能體將會充當中間的溝通橋梁，App將解構成顆粒度更小的服務，由智能體擔當智能耦合的角色，在這樣的背景下，智能體將有望成爲新的流量入口，所以，提前布局智能體，對大廠的商業生態非常重要。
以螞蟻旗下的AI應用爲例，其背靠支付寶生態而生，但它們的AI能力也能進一步賦能螞蟻構建更全面的智能體生態，兩者的結合將會是“1+1＞2”。
一則，以支付寶爲核心的AI應用具有更強的場景分發能力。支付寶在出行、政務、醫療、理財等場景均服務億級用戶，數據顯示，有6億用戶用支付寶看病就醫，有5億用戶用支付寶日常出行，這些都將成爲螞蟻智能體的落地場景，以及龐大的用戶流量基礎。
以“支小寶”爲例，其打通了支付寶的數字生活生態，用戶可以通過對話“支小寶”，實現快速訂票、點餐、打車、查詢附近吃喝玩樂等，推動AI真正走入人們的生活。
二則，螞蟻爲旗下的智能體生態提供了足夠的算力支持。近日，螞蟻公布了其自研的百靈大模型最新研發進展，可以直接理解並訓練音頻、視頻、圖、文等多模態數據，並通過多模態模型實現ACT技術，讓智能體具備一定規劃執行能力。
在業界共識中，原生多模態被認爲是通往AGI的必經之路，能夠使AI更好地理解人類世界的複雜信息，也讓AI落地應用時更符合人類的交互習慣。
三則，發揮螞蟻集團的高效連接能力，讓智能體連接真實的商業服務。螞蟻旗下的數字金融業務可以說是千行百業的“毛細血管”，本身就有成熟的商業機制和商業閉環，智能體可以借助這些管道走向實體商業，滿足個性化、深度定制化的場景和生態需求。
當然，目前具備場景、算力、連接能力的互聯網大廠，並不只有螞蟻一家，甚至可以說各家有各家的優勢。
比如百度擅長搜索，也離流量入口更近，李彥宏就曾表示，搜索是智能體分發的最大入口；字節近年也在積極布局本地生活、金融等領域，同時憑借內容優勢吸引了大量的用戶流量。
因此，新一輪的智能體爭奪戰，雖然從流量入口開始，但最終考驗的卻是企業的生態運營能力，企業前端要有足夠的場景化牽引力，內部要有流暢的場景協調能力，外部要有創新的模式，以及提供持續優化的用戶體驗，才是智能體時代優秀的“流量入口”。
03 落地容易，爆款難出
雖然，科技企業都在努力成爲智能體時代的“APP STORE”，但“超級應用”依然重要，其能爲大廠背後的智能體生態帶來更豐富的流量價值。
只是目前來看，智能體落地容易，但要出爆款卻很難，要讓智能體真正“用起來”，並實現商業變現，成爲企業開發智能體的重要挑戰。
從B端層面來看，近年金融、醫療等垂直領域，都有一大批智能體應用落地，比如在金融領域，智能體可以負責財富管理、風險評估等業務；在醫療領域，智能體則能用于智能診療、影像判斷方面。
但在商業模式的探索上，還存在不少難題。一是醫療、金融領域的容錯率極低， 大模型的准確性成爲金融行業采用生成式AI的重要堵點。
二是垂直智能體與大模型的商業邏輯並不相同，前者是聚焦垂直行業，解決問題；後者則是創造需求，引來流量。不同的商業邏輯導致垂直行業智能體發展往往容易受到場景限制，很難從細分市場走向通用市場，盈利前景也有很大不確定性。
在C端層面，目前智能體的功能還比較單一，盡管部分智能體在特定場景下展現了一定實用性，但仍是以語言模型的應用爲主，一不小心就會淪爲“聊天機器人”，與傳統的app或小程序相比並未展現出壓倒性的優勢。
當前的智能體還需要持續提升“思考和理解”能力，在內容深度和互動質量等方面做出實質性突破，才能滿足更多元化、高要求的場景融合需求。
因此，盡管當前智能體的創建門檻很低，一個用戶甚至一天就可以創建幾十個，但它目前還代替不了傳統應用市場。
或許，“超級應用”還在醞釀當中，但要長出“花”來，好的土壤也是必不可少的。當前大廠們都在積極打造智能體生態，其中一個原因就是探索智能體生態的商業閉環，打通技術賦能、場景應用、流量分發幾個環節，智能體才能找到商業化的可能，“錢景”必然是進一步孵化智能體生態的重要前提。
隨著智能體生態的進一步豐富，智能體將具備更好的協作能力，畢竟單個智能體的理解、生成、邏輯和記憶等基礎能力始終有一定的“天花板”，將智能體投入到場景協作中，它們才有望進一步“進化”。
從這一點來看，或許螞蟻旗下的幾款AI應用不一定是市場上最“頂尖”的，但能夠率先投入到場景中來“實踐”，就已經意味著它們具有更大的進化空間。
當前，中國智能體市場正處于快速發展階段，不同類企業的參與爲市場注入了更多活力，但大模型能力何時能夠再提升一步，讓“智能體”真正具有想象力和創造力，恐怕還是要“實踐出真知”。---[來源 : 伯虎財經bohuFN/作者 : 楷楷]
*格靈深瞳趙勇：論大模型時代的AI産品進化 | 2024 ITValue Summit數字價值年會*
9月11日-14日，由钛媒體與ITValue共同主辦的2024 ITValue Summit數字價值年會在三亞舉行。此次峰會主題爲“Ready For AI”，交流經驗教訓，交叉行業思考，推動創新交易，以創新場景爲基礎，共同探索AI驅動下數字經濟時代的全新機遇，共同打造一場數字經濟時代的AI創新探索盛宴。
格靈深瞳創始人、董事長、CEO趙勇以《是虛假繁榮還是爆發前夜？論大模型時代的AI産品進化》發表了主題演講。他表示，格靈深瞳要做一家AI時代的産品公司，在泛安防、工業檢測、人機交互等領域持續深耕，深度理解用戶和場景，用好的産品爲廣大客戶創造更大的價值。
趙勇指出，之前AI之所以落地難，主要原因在于交付成本高、有效數據少、泛化能力弱。而大模型帶來的是一個構建行業AI應用的全新技術範式。
用大模型解決物理世界中的原子操作問題，可以做到99.99%的體驗感。並且在該領域，未來3-5年會出現一批優秀成果，能夠基于人工智能生成物理世界的API。
當然，技術只是基礎，産品和場景才是應用落地的關鍵。
以下爲格靈深瞳創始人、董事長、CEO趙勇演講實錄，經钛媒體編輯整理：
今年，紅杉資本分享的一項數據發現，僅過去一年，AI公司購買英偉達GPU的花費就已經超過500億美元，而目前所有AI公司産生的營收總和卻遠低于這個數值。這意味著，AI行業的落地還在早期，還沒有出現真正意義上的killer app。
那麽AI落地難在哪兒？以自動駕駛爲例，2009年我博士畢業後，花了很大精力解決谷歌自動駕駛項目中有關視覺算法的問題。十年過去，中國仍未出現一家真正規模化商業運營的自動駕駛汽車公司。我們離真正安全且可商用的無人駕駛還有較長的路要走。
相較之下，AI在安防領域取得了一定成功。市場需求推動了安防産品的發展，也給國內的AI公司帶來了第一次大規模商業落地的契機。
NLP領域也曾經歷“百箱大戰”，但很多用戶購買了智能音箱後發現，産品遠未達到自己預期的智能交互水平。去年大模型的湧現，智能音箱産品的性能有所提升，包括在汽車場景下的語音通話能力也有所增強。這讓我又有了新的期待。
總結來講，過去AI之所以落地難，主要原因在于交付成本高、有效數據少、泛化能力弱。
而大模型帶來的是一個構建行業AI應用的全新技術範式。大模型理論上可以通過付出較少的成本，來高效解決長尾需求從而降低交付成本，通過通用能力來解決少樣本數據的問題，同時大幅提升模型的泛化能力。舉幾個例子。
格靈深瞳在銀行安防領域深耕多年，在視頻智能化應用這個細分領域做到了行業第一，過去幾年爲客戶開發了幾十個場景算法，公司自研的視覺大模型在銀行這個場景落地後，很多算法的性能和穩定性得到了極大的提升；
在軌道交通領域，公司研發的巡檢機器人主要應用于高鐵、地鐵等列車的日常巡檢場景，檢測識別列車的零部件缺陷、故障等，但是這些真正有價值的負樣本數據量不大，且很難窮舉，因此以前我們的做法是跟客戶一起去造一些負樣本數據，比如故意弄壞一些零部件，然後作爲負樣本數據進行標注，但這樣的效率很低。
現在，我們用AIGC的方式生成了大量的負樣本數據，同時軌交大模型上線後，相關算法的准確性得到了顯著提升，軌交運維場景的很多長尾需求也得到了解決；在教育領域，格靈深瞳服務于學校的體育教學和考試場景，體育的項目很多，跳繩、仰臥起坐、籃球、遊泳、踢毽子等，以前的模型泛化能力不強，因此我們需要針對每一個項目采集數據，訓練模型，大模型能很好地解決這些問題。
有一點我需要提一下，我們通常理解的大模型往往代指的是大語言模型，目前的應用主要集中在聊天機器人和AI助手等輕量級應用上。但實際上，大模型並不僅僅包括大語言模型，視覺大模型和多模態大模型在産業界有更大的想象空間。
在算法層面，大語言模型的智能湧現有其原因。本質上，NLP研究的是人類符號語言，它本身就具備語義，大量的互聯網內容都是由文字構成，而這些信息同時又是廣泛開放且容易獲取的。文本數據可以做無監督訓練，因此在純數字世界做機器學習相對簡單。
讓我們把視線從數字世界轉移到物理世界。在視覺領域，攝像頭捕捉的往往是物理世界中的自然數據，視覺數據不能直接用于無監督學習，且規則約束永遠無法窮舉，而行業數據又無法通過公開渠道獲取，因此大模型在物理世界中的應用價值更大。
與此同時，人工智能技術在物理世界中的交付，比數字世界要難。但是越難走的路，往往走通後的收獲越大。盡管從視覺數據中獲得Insight，比文本信息更難，但相應的價值更高，也更值得做。
與數字世界不同，物理世界不存在一個穩定可靠的API。今天，我們的方法是用大模型解決物理世界中的原子操作問題，然後在上層去做組合應用，從而解決不同複雜場景下的問題，這樣可以做到99.99%的體驗感。並且在該領域，未來3-5年會出現一批優秀成果。這也是格靈深瞳未來幾年的工作重心。
而在數據方面。數據孤島問題的形成原因之一是，客戶不願意將數據分享出來。我的建議是，如果想推動數據孤島問題的解決，大客戶最好直接找科技公司交付項目，不需要太多集成商作中間商去交付。這會增加數據流動的障礙。此外，模型訓練需要非常多標注數據，今天人工標注成本依然很高，我們多年前就開始用自動標注的方式來處理數據。
此外，我認爲行業Insight跟行業數據一樣重要。去年OpenAI的CEO說過一段話，我挺反對。他說，大模型出來後，所有的産品經理會失業，不需要太多套殼應用。但在我看來，對場景、客戶以及業務流程的深刻了解，還是極其有價值的，只有那些願意躬身沈入到行業中的公司才能真正解決客戶的問題。
一方面把AI算法與特定行業場景深度融合的經驗，是難以在短期內獲得的；另一方面，跟很容易從開源數據學習到的語言信息不一樣，視覺的東西沒見過或者沒做過，你就是不知道，只有深耕行業，才能積累到足夠多的有效數據。
大模型再厲害，也無法替代産品文化，未來優秀的産品經理和産品文化，對交付AI産品來說極其重要。
算力方面。今天最強大的H100的CUDA核數量也只有1.5萬個，而人腦神經元的數量約1000億個，差距非常大。大模型的潛力還沒有被充分挖掘出來。
但是，如果每個場景都通過大模型進行實時視覺處理，非常不現實。大模型很重要，但它不能獨立地主導一切，相當長一段時間裏還需要小模型。而它又不同于傳統深度學習的小規模模型，現在更多是依賴于大數據，在場景裏通過大模型蒸餾出小模型，實現輕量部署。
同時，在中心端用大模型去彌補小模型帶來的性能差異。所以，我們在産品落地時采用了很多方法來分散算力，在邊緣側用小模型處理實時任務，在中心端側用大模型驗證，這種模式成本比較低。
當然，歸根結底，技術只是基礎，産品和場景才是應用落地的關鍵。唯有深耕行業，AI才能開花結果。格靈深瞳致力于做一家AI時代的産品公司，在泛安防、工業檢測、人機交互等領域持續深耕，深度理解用戶，理解場景，用好的産品爲廣大客戶創造價值。---來源: 钛媒體-
*缺錢、缺人，企業應用AI如何應對不確定性 | 2024 ITValue Summit數字價值年會*
AI大模型來了，有很多系統性問題需要解決。大模型還有諸多不確定性問題伴隨，這導致客戶與廠商雙方都需要在組織層面、技術策略上去做相應改變，保持積極投入的同時也需要保持冷靜客觀。
9月11日-14日，由钛媒體與ITValue共同主辦的2024 ITValue Summit數字價值年會在三亞舉行。此次峰會主題爲“Ready For AI”，交流經驗教訓，交叉行業思考，推動創新交易，以創新場景爲基礎，共同探索AI驅動下數字經濟時代的全新機遇，共同打造一場數字經濟時代的AI創新探索盛宴。
在本次年會“Ready For AI”的圓桌對話中，小即是大創業投資合夥人楊巍主持，馬上消費CTO蔣甯、龍湖集團CIO、千丁數科總經理李博、南方航空科技信息與流程管理部副總經理趙磊等專家立足于各自行業，就數字化轉型與AI大模型技術浪潮中的企業AI應用路徑、技術組織人才資金等難題展開討論，希望能給行業發展帶來幫助和啓發。
大模型浪潮下，如何應對變化
2022年末，大模型技術以ChatGPT爲代表，標志著人工智能領域的一個重要裏程碑，不僅推動技術飛速發展，還開啓了市場對大模型廣泛應用場景的預期。
在蔣甯看來，大模型技術代表新質生産力，正引發生産力、思想、管理、技術和文化等五大方面的變革。
從生産力角度，數據作爲生産要素，大模型成爲生産工具，二者形成了新的革命性能力。相較于過去，AI多在生産流程等方面實現效率改善，而今大模型可在AI決策層面，實現突破，釋放人類産能。
二是思想變革。大模型帶來的是平權，所有的知識、決策、體驗，有了巨大提升。
三是管理。過去所有都是圍繞確定性構建數字化系統，但大模型是缺乏確定性的。其本質是持續學習的，且始終存在幻覺，在企業內部應用時往往通過數據飛輪驅動持續改進。大模型應用需要依靠管理革命的支撐持續推行。
四是技術革命。現在國際頭部科技公司都在思考一個問題，即如何讓數據通往大模型的道路更加平坦，實現數據平台建設。針對不同場景或領域需要應用不同模型，包括對話式、生成式，如何同時接入多個大模型，這背後必須有一套新的數據體系和模型治理平台/工具。
五是文化。共創的文化是未來主題，沒有任何一個團隊能夠將這件事情做成，而是需要專業化分工、相互協作溝通的機制。
過去一段時間內，馬上消費圍繞著五個方面的變化，做了三件事：一是推動組織變革、二是提升團隊能力、三是加速技術創新。
團隊層面，要求全員學習使用大模型；組織上，構建新型數據平台團隊，對數據平台和大模型平台體系進行重新調整；技術創新上，企業需要積極應對，既要實現數據要素與大模型的深度融合，也要推動大模型使用的“微調優”，以便更好地適應變化。
不確定性時代的應對策略
但並非所有企業都能快速跟上時代步伐，大模型多種革新因素的交織下，無論是企業還是經營個體，都在面臨巨大壓力。
在楊巍看來，“大語言模型的應用，一腳油門也許就可以做到95%的程度，但是我們不能把這樣的應用當作一個傳統IT系統上線，必須在技術上和工作流程上去處理這百分之幾的幻覺，才能真正在業務中發揮作用。”
“在AI大潮裏，從來沒有感受到領導在此次AI浪潮中表現出的如此焦慮、欣喜、沖動的複雜情緒。”趙磊表示。
趙磊的經驗是：盡管領導很焦慮，管理好高層領導的情緒價值，是IT人的額外要務，也是基礎。其次要有頭腦十分清醒的AI整體規劃，不擅長的事情不要輕易嘗試，也不要把資源投入到不擅長的領域。
“比如算法層面，要尊重專業技術公司，不要試圖在技術上超越他們。而在數據層面，也只有我們熟悉民航業的IT人員，才有能力做好。只有這樣，才能共同實現業務場景創新。”他表示。
對于龍湖而言，2019年開始組建AI團隊，核心要求是基于産品和場景，而不是基于項目立項，拆出900多個場景，分析哪些場景可以優先提效。
在李博看來，AI落地短期內還無法替代人類，更多是建立人機交互的提效，重構人機合一的新運營流程。2022年後雖然有了大模型的嘗試，但目前來講，可能更適合容錯率較高的場景，而在生成式方面，也存在某些偏見、細節刻畫不足的問題，還需要時間持續解決。
在B端的落地，大模型的落地會更晚一點，模型作爲生産力工具，基于業務場景做人機合一流程上的改造，最終實現降本增效。
下一代，李博預估，大模型會成爲機器學習的基礎，所有的模式識別、機器學習各項算法都會基于大模型訓練，最終企業會基于統一的AI智能體平台實現AI驅動的場景應用。
爲此，李博的建議是，企業調整時會有顛覆式想法，制定目標往往有高倍績效。因此，一定要把賬，效率算在前面，業務和技術一起想路徑，才能找到新的做法。
如果把這件事情幹好，企業要有三個能力：一是低成本試錯的能力，如果成本太高就等不到場景跑出來；二是長期系統性的思考能力，一定要把技術結合到業務流程和場景中；三是全方位防忽悠的能力，不要被外界的忽悠而影響。
客戶、廠商，都在選擇符合自身的最佳路徑
期間，各行業企業客戶紛紛主動探索AI路徑，試圖先一步上馬。
對于地産行業和航空業的兩家龍頭企業，他們基于自身業務的考量，也正走出不一樣的應用路徑：
對于龍湖而言，李博指出，“大模型現在放下身段，價格越來越便宜，完全沒有必要自己搭建底座了，我們搭建了智能體平台，基于開源項目，對接各個大廠的大模型，其主要精力還是放在智能體相關業務場景。例如，空間智能體、流程智能體，以及數字員工，面向一線員工的助理和智能問題，幫助他們及時解決問題。”
爲此，龍湖希望從ChatBI入手，可以實時獲得各類數據，對企業産生價值。傳統的報表開發周期長，且爲格式化，很多時候無法應對快速變化。換言之是，以大模型驅動的交互式的數據分析。
而對南方航空而言，趙磊指出，傾向于“上三路打前期，下山路打中後期”策略：
對于通用行業或場景，比如代碼助手、行政助手、智能客服，用“上三路打前期”，直接使用通用大模型，爲企業提供持續積極的反饋；
對于能夠體現航空企業自身的IT實力和業務實力的場景，對企業業務轉型有幫助的，用“下三路打中後期”，深度開發大模型，做民航業的行業大模型。如飛行員的編排，過去是用運籌學算法，但是無法體現飛行員的個性化特征。這往往就會涉及航空業底層邏輯、操作規則，以及圍繞規則之上形成的飛行員畫像。這些都不是通用大模型能解決的問題。
“我們希望做民航業的行業大模型，也願意爲大模型廠商的研發投入付費。大模型要麽給企業産生現金收入，要麽是提高員工和領導滿意度。我們選擇了後者，將幾百個功能模塊改造成爲基于大模型交互式、一站式服務的平台，爲員工提供服務。即大模型驅動的企業IT系統的入口。”趙磊表示。
馬上消費圍繞四個維度，即技術戰略的規劃、技術治理的完善、技術平台的構建和關鍵技術點的突破，踐行AI與企業發展的深度融合，布局“大模型+”模式創新和實際應用。
在企業發展過程中，數字化積累至關重要。蔣甯認爲將這些數據與大模型的應用相結合，構建屬于企業自身的大模型，是一項關鍵戰略。例如，馬上消費去年發布首個金融大模型“天鏡”，目前該大模型在交互、分析以及決策等方面均發揮出了重要的作用。
從關鍵技術點維度來看，蔣甯認爲數據生成，數據管理，原數據技術，大模型自動打標，以及大模型認證技術，都是未來大模型構建需要關注的關鍵技術點。
最後，在談到企業導入大模型最適合的案例時，蔣甯認爲數據背後即是業務，在保證數據安全的前提下，從數據密集度高、質量好的業務開始導入大模型，會産生更優的效果。---（钛媒體）
