附上本期直播時(shí)間軸，幫你快速跳轉(zhuǎn)感興趣的部分

00：03：39  AI發(fā)展的幾個(gè)階段

00：10：04  資本如何看待AI公司的發(fā)展前景？

00：15：55  AI對(duì)于企業(yè)的意義和價(jià)值

00：24：18  企業(yè)在訓(xùn)練模型的過程中，還有哪些問題？

00：34：25  資本對(duì)AI賽道和對(duì)企業(yè)有什么判斷？

以下為對(duì)話實(shí)錄，經(jīng)筆者整理：

萬寧：星塵數(shù)據(jù)在數(shù)據(jù)標(biāo)注領(lǐng)域進(jìn)入的傳統(tǒng)業(yè)務(wù)有哪些？

章磊：星塵數(shù)據(jù)是國(guó)內(nèi)最早一批專注于AI數(shù)據(jù)的創(chuàng)業(yè)公司，經(jīng)歷了每一波AI創(chuàng)業(yè)浪潮和AI技術(shù)的顛覆，并且深入與每個(gè)時(shí)代處于“風(fēng)口浪尖”的公司進(jìn)行了合作，幫助他們創(chuàng)造了更大的價(jià)值。從最初NLP應(yīng)用，到2018年前后的自動(dòng)駕駛，我們?yōu)閹准臆嚻髲?到1解決了他們首款量產(chǎn)（自動(dòng)駕駛）車輛的算法問題。在大模型問世之后，我們也與頭部的大模型公司進(jìn)行深入的合作，共研創(chuàng)新技術(shù)，解決大模型發(fā)展中遇見包括幻覺、指令跟隨等在內(nèi)的各種問題。

我們觀察到AI的演進(jìn)路徑是：從最初的CV、NLP等一些簡(jiǎn)單的模型算法的落地，到自動(dòng)駕駛，需要通過大量感知型數(shù)據(jù)標(biāo)注來解決常識(shí)性的問題，再到認(rèn)知型的問題，再到現(xiàn)在，隨著大模型學(xué)習(xí)互聯(lián)網(wǎng)知識(shí)已經(jīng)告一段落，就進(jìn)入了專家型知識(shí)學(xué)習(xí)和交互型知識(shí)學(xué)習(xí)的階段，還有就是像具身智能等與環(huán)境進(jìn)行數(shù)據(jù)交互的階段。

此外，數(shù)據(jù)也從低價(jià)值階段向著高價(jià)值轉(zhuǎn)變，原先一條數(shù)據(jù)可能幾塊錢、幾毛錢，但是現(xiàn)在一條數(shù)據(jù)可能幾十塊錢、幾百塊錢，甚至幾千塊錢。

在此基礎(chǔ)上，未來到底還需要多少數(shù)據(jù)呢？——這是目前大家經(jīng)常問的問題。我認(rèn)為答案是：無窮無盡。因?yàn)槲覀冃枰蕾囈惶椎讓蛹夹g(shù)——機(jī)器學(xué)習(xí)，學(xué)習(xí)的內(nèi)容就是我們標(biāo)注好的知識(shí)，或者一些交互型的知識(shí)，學(xué)習(xí)的過程是無窮無盡的。如果機(jī)器能夠達(dá)到自我學(xué)習(xí)了，那么人類的意義又在哪里？但這一天離我們還很遙遠(yuǎn)，至少在未來的幾十年內(nèi)，AI還需要不斷通過人類提供的數(shù)據(jù)進(jìn)行學(xué)習(xí)和演進(jìn)，同時(shí)學(xué)習(xí)的方式和內(nèi)部機(jī)制也在不斷演進(jìn)。接下來的幾年，我們?nèi)匀豢梢钥吹?，AI會(huì)不斷攻破一個(gè)又一個(gè)人類認(rèn)為不可企及的知識(shí)高峰。這里面包括了數(shù)學(xué)競(jìng)賽的問題、前沿物理學(xué)，以及DNA基因等方面。這是我認(rèn)為星塵數(shù)據(jù)存在最大的意義。

從數(shù)據(jù)標(biāo)注行業(yè)角度出發(fā)，我們也從由互聯(lián)網(wǎng)、科技公司領(lǐng)投的企業(yè)，到自動(dòng)駕駛、車廠領(lǐng)投的方向，再到接下來我們已經(jīng)做了很多央國(guó)企，比如能源、交通、法律、金融保險(xiǎn)等領(lǐng)域，現(xiàn)在各行業(yè)都有我們的應(yīng)用案例。這是因?yàn)槟Ｐ偷拈T檻已經(jīng)下降到各行各業(yè)都能夠應(yīng)用的階段。在這個(gè)階段，星塵數(shù)據(jù)不僅提供數(shù)據(jù)標(biāo)注，還提供了數(shù)據(jù)平臺(tái)、模型搭建的解決方案、顧問等服務(wù)，幫助各行業(yè)企業(yè)真正通過AI實(shí)現(xiàn)賦能。

萬寧：請(qǐng)介紹一下水木清華基金，以及從投資人角度出發(fā)，如何看待諸如星塵數(shù)據(jù)這樣的AI創(chuàng)業(yè)企業(yè)的未來？

丁昳婷：水木清華校友種子基金主要專注于投資清華校友相關(guān)的初創(chuàng)企業(yè)。我們成立于2014年前后，陸續(xù)進(jìn)行到了第五期基金。在AI方面，從之前的CV，逐漸到大模型相關(guān)的AI技術(shù)，清華校友圈從事AI行業(yè)的人很多。所以我們也比較早開始在AI方面的投資，從上一代AI開始，到大模型，再到具身智能等方向與相關(guān)產(chǎn)業(yè)都投了很多項(xiàng)目。比如星塵數(shù)據(jù)這樣的企業(yè)，還有一些AI安全相關(guān)的企業(yè)。我們創(chuàng)立的初衷就是致力于成為清華校友創(chuàng)業(yè)第一站，給予校友在早期創(chuàng)業(yè)的科技項(xiàng)目提供一些幫助。

關(guān)于AI應(yīng)用方面，我認(rèn)為數(shù)據(jù)基座是非常關(guān)鍵的，近段時(shí)間也能感受到大家對(duì)數(shù)據(jù)的關(guān)注度很高，包括硅谷投資熱點(diǎn)也在向數(shù)據(jù)相關(guān)領(lǐng)域轉(zhuǎn)移。

從我們的觀點(diǎn)出發(fā)，無論是之前的自動(dòng)駕駛，還是模型數(shù)據(jù)，甚至是CV技術(shù)的階段，大量?jī)?yōu)質(zhì)數(shù)據(jù)的獲取一直都是各行業(yè)能夠應(yīng)用AI技術(shù)的前提。我們認(rèn)為星塵數(shù)據(jù)所做的事情，就是在AI的“掘金”時(shí)代“賣鏟子”，為AI提供了核心要素，提供了標(biāo)注能力，以及對(duì)整個(gè)世界理解的能力。這點(diǎn)在國(guó)際上也是，比如一些與星塵數(shù)據(jù)類似的美國(guó)企業(yè)，在美國(guó)也得到了資本界的認(rèn)可，估值也很高，這也體現(xiàn)了資本市場(chǎng)對(duì)于這個(gè)環(huán)節(jié)價(jià)值的認(rèn)可度。

基于此，我們認(rèn)為，不管AI發(fā)展到了什么時(shí)代，數(shù)據(jù)一定是基礎(chǔ)，就像剛剛章總所說的，隨著AI向各行各業(yè)滲透，大家在希望更好地?fù)肀I的過程中，數(shù)據(jù)這個(gè)環(huán)節(jié)的價(jià)值會(huì)越來越大，越來越受重視。

萬寧：回溯技術(shù)的演進(jìn)，AI在企業(yè)的意義和價(jià)值是什么樣的？

章磊：我相信當(dāng)下，絕大部分企業(yè)都會(huì)購(gòu)買DeepSeek的一體機(jī)，但當(dāng)部署了之后，DeepSeek是否真正解決了公司業(yè)務(wù)當(dāng)中的問題？我相信很多公司的答案都是：沒有。

為什么？因?yàn)镈eepSeek學(xué)的是互聯(lián)網(wǎng)知識(shí)，通用知識(shí)。但在企業(yè)內(nèi)部業(yè)務(wù)環(huán)節(jié)，每家企業(yè)的業(yè)務(wù)知識(shí)都不一樣，怎么樣能讓一個(gè)通用大模型去解決私有化業(yè)務(wù)場(chǎng)景中的問題呢？我認(rèn)為，最好的辦法就是：通過企業(yè)私有化的數(shù)據(jù)，訓(xùn)練出一個(gè)私有化的大模型和私有化的AI技術(shù)，這是現(xiàn)在大多數(shù)企業(yè)所面臨和忽略的一個(gè)問題。

同時(shí)，我認(rèn)為一些簡(jiǎn)單的推理問題、信息檢索的問題，可以通過RAG解決，但企業(yè)最核心的業(yè)務(wù)的問題，仍然需要私有化大模型去解決。而且，很多企業(yè)都存在信息墻——內(nèi)部信息是不能通過外部通用大模型使用的，而這個(gè)時(shí)候，就更需要一個(gè)私有化的大模型。

在這個(gè)過程中，企業(yè)會(huì)面臨很多問題。首先是“幻覺”問題?；糜X問題不是技術(shù)問題，也不是架構(gòu)問題，而是數(shù)據(jù)質(zhì)量、數(shù)據(jù)分布、數(shù)據(jù)重復(fù)、數(shù)據(jù)矛盾等問題，有噪音，以及“臟”數(shù)據(jù)，都會(huì)導(dǎo)致幻覺問題。這個(gè)問題就需要通過高質(zhì)量編排的訓(xùn)練數(shù)據(jù)解決。

星塵數(shù)據(jù)通過MorningStar這樣一個(gè)以數(shù)據(jù)為中心的數(shù)據(jù)平臺(tái)解決這些問題。同時(shí)，還需要區(qū)分業(yè)務(wù)邏輯和知識(shí)之間的關(guān)系。很多時(shí)候問一個(gè)帶著業(yè)務(wù)邏輯的問題，不僅是一個(gè)通過知識(shí)+通用落地就能回答的問題，而是需要有業(yè)務(wù)邏輯關(guān)系來解決的。我們通過MorningStar平臺(tái)將客戶的業(yè)務(wù)思維鏈整理出來，讓其具備特定業(yè)務(wù)場(chǎng)景下的推理能力，再結(jié)合業(yè)務(wù)中的數(shù)據(jù)，梳理好一本精心編排的“教科書”，讓模型進(jìn)行學(xué)習(xí)。

另一個(gè)挑戰(zhàn)是：正在被逐步解決的多模態(tài)的問題。如何將業(yè)務(wù)中Word、PPT這樣的文件，轉(zhuǎn)化為一條條的訓(xùn)練數(shù)據(jù)，需要一個(gè)轉(zhuǎn)化過程，這個(gè)過程可能是半自動(dòng)化的，也可能是全自動(dòng)化的。當(dāng)然，在這個(gè)過程中，我們也碰見過數(shù)據(jù)量不夠的問題。一些企業(yè)當(dāng)中，真正了解業(yè)務(wù)的人往往是企業(yè)高管，這些高管的時(shí)間十分寶貴，可能一周都安排不出一小時(shí)與我們進(jìn)行溝通建設(shè)思路之類的問題。所以，在這方面，我認(rèn)為多模態(tài)業(yè)務(wù)數(shù)據(jù)，再加上核心業(yè)務(wù)人員的時(shí)間投入是必要的，這樣才能將一些類似于工業(yè)內(nèi)部智能制造的數(shù)據(jù)，結(jié)合到企業(yè)真正業(yè)務(wù)過程中，真正落地好AI應(yīng)用。

綜合來看，要解決企業(yè)內(nèi)部問題，不僅需要一個(gè)錘子（工具），還需要企業(yè)有“能工巧匠”，同時(shí)還要有時(shí)間的投入和耐心，以及公司內(nèi)部達(dá)成落地AI應(yīng)用的共識(shí)和決心，才能真正解決AI落地的問題。

萬寧：除了業(yè)務(wù)人員時(shí)間投入不足之外，企業(yè)在訓(xùn)練模型的過程中，還有哪些問題？

章磊：第一點(diǎn)，企業(yè)一定要有耐心。就好像人們對(duì)自己的子女有很大的耐心，能夠反復(fù)地傳授他們知識(shí)、培養(yǎng)能力，一點(diǎn)點(diǎn)地成長(zhǎng)。AI的學(xué)習(xí)能力比人要強(qiáng)很多，但這個(gè)學(xué)習(xí)的過程也需要人們給予更多的耐心。

第二點(diǎn)，在應(yīng)用AI方面要有決心，因?yàn)锳I已經(jīng)是一個(gè)不可逆的趨勢(shì)。我們發(fā)現(xiàn)很多企業(yè)的業(yè)務(wù)人員內(nèi)心還存在僥幸，他們覺得，AI不好用，就不用了，公司就不推廣AI應(yīng)用了。這是不可能的，公司肯定會(huì)推廣AI應(yīng)用，只不過是快慢的問題。

第三點(diǎn)，管理層要制定好機(jī)制。讓中層、一線員工，有足夠的時(shí)間使用AI、迭代AI、磨合AI。同時(shí)還要推行良好的管理機(jī)制、競(jìng)爭(zhēng)機(jī)制、分享機(jī)制，將資源分配到AI應(yīng)用上，才能做好AI落地。

第四點(diǎn)，企業(yè)不要“單打獨(dú)斗”，要通過生態(tài)解決問題，而不要內(nèi)部自己研究。像星塵數(shù)據(jù)這樣的，具備充足行業(yè)解決方案經(jīng)驗(yàn)的公司有很多，即便企業(yè)所處行業(yè)有一些獨(dú)特的問題，也能通過其他行業(yè)的一些經(jīng)驗(yàn)，加速企業(yè)在行業(yè)內(nèi)落地AI應(yīng)用的進(jìn)程。

萬寧：在AI落地，以及智能體落地的過程中，星塵數(shù)據(jù)會(huì)給客戶怎樣的建議？

章磊：我覺得要在有耐心的前提下，做到“小步快跑”。一個(gè)項(xiàng)目需要從前期咨詢/溝通、數(shù)據(jù)策略、模型架構(gòu)策略、設(shè)計(jì)，到小規(guī)模驗(yàn)證，然后再到大量數(shù)據(jù)合成、標(biāo)注，準(zhǔn)備好數(shù)據(jù)，再到模型訓(xùn)練、部署、應(yīng)用、集成，最后再到數(shù)據(jù)迭代、模型迭代，是一個(gè)很長(zhǎng)的鏈路。這個(gè)過程中，也會(huì)出現(xiàn)剛剛提到的幻覺、思維鏈不對(duì)等問題，這些問題就需要一點(diǎn)點(diǎn)去解決。沒有一個(gè)企業(yè)的業(yè)務(wù)問題是可以通過通用大模型一下就解決的。

舉個(gè)例子，比如法務(wù)行業(yè)，客戶需要撰寫某一個(gè)專業(yè)領(lǐng)域的法務(wù)合同。這個(gè)過程中就會(huì)遇見很多問題，比如，無法通過RAG進(jìn)行多份合同的沖突分析、證據(jù)鏈構(gòu)建，法律原則適用度判斷，這些都無法通過信息檢索來解決。就需要通過先學(xué)習(xí)法律基礎(chǔ)知識(shí)，內(nèi)化法律語義和推理，然后構(gòu)建復(fù)雜的證據(jù)鏈，沉淀專家經(jīng)驗(yàn)，再將專家策略邏輯寫成代碼，轉(zhuǎn)化為可以訓(xùn)練的內(nèi)容，這些都需要一點(diǎn)點(diǎn)迭代完成。

再比如制造業(yè)。需要多模態(tài)的能力，而RAG很難通過圖像特征、工藝參數(shù)深度關(guān)聯(lián)，進(jìn)行參數(shù)溯源，復(fù)雜因果推理，工藝優(yōu)化建議等能力，這時(shí)候模型就需要學(xué)習(xí)制造工藝材料學(xué)等一些知識(shí)，并在多模態(tài)數(shù)據(jù)上進(jìn)行溯源歸因，將專家經(jīng)驗(yàn)沉淀下來，這個(gè)過程也是漫長(zhǎng)的。

像RAG、Agent、Workflow都屬于工程類，是人類邏輯能夠快速理解的，我相信企業(yè)業(yè)務(wù)人員肯定會(huì)有比較聰明的人，能夠快速地掌握這些工具鏈去解決問題。但真正要解決數(shù)據(jù)的問題，才能在這些工具鏈上解決問題。我們認(rèn)為，Agent、Workflow是一個(gè)短暫過渡的產(chǎn)物，當(dāng)GPT5、GPT6出來之后，你會(huì)發(fā)現(xiàn)，其實(shí)不需要這些工具流，因?yàn)樗且粋€(gè)人的邏輯鏈，而真實(shí)的問題復(fù)雜度非常高。

就像自動(dòng)駕駛，原先在L2的時(shí)候，車企為了趕交付周期，寫了上萬條規(guī)則，但后來特斯拉就使用端到端，將規(guī)則全部?jī)?nèi)化成深度的信息。我相信大模型也是一樣，通過Workflow會(huì)發(fā)現(xiàn)，補(bǔ)丁加了很多，規(guī)則加了很多，最后很難網(wǎng)簽執(zhí)行，因?yàn)樗荒芙鉀Q一個(gè)具體的小問題。但如果它是一個(gè)公司的業(yè)務(wù)大腦，最后公司的業(yè)務(wù)形態(tài)也會(huì)轉(zhuǎn)變，原來是以人為中心，計(jì)算機(jī)輔助，現(xiàn)在是以模型為中心，人不斷“喂養(yǎng)”這個(gè)模型，這樣模型才能越來越好用，真正解決企業(yè)的問題。

萬寧：作為投資人，在AI落地方面，對(duì)賽道和對(duì)企業(yè)有什么判斷？

丁昳婷：AI已經(jīng)從原先的提升某個(gè)環(huán)節(jié)的效率，走向大家更期待AI能夠直接交付一個(gè)結(jié)果，或者說是深度理解業(yè)務(wù)流，然后幫助企業(yè)在某些業(yè)務(wù)中，交付更好的結(jié)果。

我們看到在很多行業(yè)，或者說業(yè)務(wù)方向上，AI更容易落地。比如在AI營(yíng)銷，或者客服（售前），通過學(xué)習(xí)大量數(shù)據(jù)，與顧客進(jìn)行溝通，或者售后方面的一些預(yù)溝通。這些相對(duì)容易落地的方向，已經(jīng)有越來越多的團(tuán)隊(duì)涉足這些領(lǐng)域。

如果要更深入到整個(gè)企業(yè)的流程中，就需要與業(yè)務(wù)深度綁定。以制造業(yè)企業(yè)為例，制造業(yè)涉及了生產(chǎn)過程管理、產(chǎn)線管理，就需要AI理解一整套系統(tǒng)，需要有人理解整個(gè)業(yè)務(wù)流程是什么樣的，然后讓AI學(xué)會(huì)整個(gè)業(yè)務(wù)流程。然后再將AI的能力逐步深入滲透到業(yè)務(wù)的各個(gè)環(huán)節(jié)。

在這個(gè)過程中，也有很多困難需要解決。比如在多Agent協(xié)同減少人力成本的過程中，就可能面臨幾個(gè)問題。一個(gè)是標(biāo)準(zhǔn)化，可規(guī)?；瘡?fù)制的能力。比如一個(gè)龍頭客戶將某個(gè)場(chǎng)景下的AI能力迭代了一遍，這個(gè)能力能否具備向同行業(yè)，甚至跨行業(yè)客戶遷移（復(fù)用）的能力。投資機(jī)構(gòu)在評(píng)估的時(shí)候，也會(huì)考慮這些因素。

在我看來，當(dāng)下是一個(gè)傳統(tǒng)行業(yè)+AI的機(jī)會(huì)，傳統(tǒng)行業(yè)本身具有了豐富的行業(yè)Know-How，能將AI的能力在應(yīng)用過程中，進(jìn)一步提升。而對(duì)于創(chuàng)業(yè)公司來說，他們可能缺乏行業(yè)深度業(yè)務(wù)流程的理解能力。

但從另一個(gè)維度上看，越來越多的創(chuàng)業(yè)公司將標(biāo)準(zhǔn)化的能力抽象出來，主要解決一個(gè)方面問題，就有可能在更多的行業(yè)（場(chǎng)景）中復(fù)用。這就需要整體生態(tài)的支撐，不同的團(tuán)隊(duì)，側(cè)重不同的方面，比如有的團(tuán)隊(duì)就通過大量行業(yè)專有數(shù)據(jù)，打造好垂類的行業(yè)大模型。

在某些行業(yè)AI對(duì)生產(chǎn)力的提升已經(jīng)很明顯了。比如在編程領(lǐng)域，國(guó)內(nèi)外有大量公司布局這個(gè)方面的業(yè)務(wù)，通過LLM語言模型，在編程方面能夠替代大量的人工。同時(shí)，AI編程也可以幫助一些原來不會(huì)編程的人，通過輕量化的方式，構(gòu)建個(gè)人網(wǎng)站。現(xiàn)在已經(jīng)有一些公司具備了這樣的能力，能夠幫助用戶快速地構(gòu)建一個(gè)相對(duì)標(biāo)準(zhǔn)化的產(chǎn)品。

總結(jié)來看，無論在企業(yè)側(cè)，還是個(gè)人側(cè)，AI都在越來越多地替代我們身邊的角色，這個(gè)過程中，有很多多樣化的需求，有一些容易用AI實(shí)現(xiàn)的功能，已經(jīng)有很多初創(chuàng)公司推出了“百花齊放”的產(chǎn)品。但從另一個(gè)角度來說，離真正的解決專業(yè)性極強(qiáng)的行業(yè)場(chǎng)景還有比較遠(yuǎn)的距離。這就需要構(gòu)建完善的生態(tài)，通過行業(yè)專有數(shù)據(jù)，進(jìn)行結(jié)合。

我們也看到了一些現(xiàn)象——現(xiàn)在很多大企業(yè)都非常迫切地尋找一個(gè)強(qiáng)力的AI團(tuán)隊(duì)，他們認(rèn)為有了這個(gè)團(tuán)隊(duì)，就能解決公司的問題。在這個(gè)過程中也有一些難題。比如，雖然老板的決心很強(qiáng)，但在專業(yè)性方面，對(duì)流程并不是很理解的情況下，很難評(píng)估工作量、協(xié)同資源、計(jì)算投入。所以究竟什么樣的人員構(gòu)成，以及什么樣的業(yè)態(tài)才能更好地幫助傳統(tǒng)行業(yè)進(jìn)一步實(shí)現(xiàn)AI轉(zhuǎn)型，也是目前行業(yè)內(nèi)在討論的一個(gè)熱議話題。

萬寧：在AI已經(jīng)是必選項(xiàng)的背景下，很多企業(yè)希望通過多Agent協(xié)同來落地AI應(yīng)用，但大多數(shù)企業(yè)的費(fèi)效比并不是很好，您如何看待這個(gè)問題？

章磊：我覺得核心的問題是管理的方式還有待提高。我們內(nèi)部管理層開會(huì)的時(shí)候，也說要倡導(dǎo)員工擁抱AI。其實(shí)我們自己也需要擁抱AI，因?yàn)椴皇敲總€(gè)星塵的員工都是算法工程師，都懂AI，我們也有大量業(yè)務(wù)人員。這種情況下，首先我們就有一些體系上、制度上、財(cái)務(wù)上的支持。比如，給員工報(bào)課，每周進(jìn)行分享，然后在評(píng)級(jí)的時(shí)候，將使用AI算在評(píng)級(jí)內(nèi)。招聘的時(shí)候，我們要求應(yīng)聘者對(duì)AI有強(qiáng)烈的興趣。

第二點(diǎn)，要有機(jī)制。比如我們幫助客戶打造了業(yè)務(wù)問答助手，也會(huì)告訴客戶打造完不是終點(diǎn)，而是起點(diǎn)。因?yàn)檫@個(gè)助手現(xiàn)在將將夠用，但企業(yè)若想要將它打造成內(nèi)部業(yè)務(wù)助理，就需要與員工進(jìn)行大量的交互，并且企業(yè)需要專門安排一個(gè)員工實(shí)時(shí)監(jiān)測(cè)問答效果好不好，不好的數(shù)據(jù)需要剔除。比如星塵的MorningStar平臺(tái)就有這么一個(gè)功能：將不好的答案自動(dòng)挖掘出來，自動(dòng)收錄起來，生成新的數(shù)據(jù)，再進(jìn)行訓(xùn)練，形成一個(gè)迭代的思維。

在管理層上，需要管理者將員工擁抱AI的熱情慢慢調(diào)動(dòng)起來；在數(shù)據(jù)層面、模型層面，需要不斷對(duì)模型進(jìn)行迭代、優(yōu)化。

這個(gè)過程中，相對(duì)于ChatGPT這樣的幾百B參數(shù)的通用模型來說，企業(yè)需要的是真正能解決業(yè)務(wù)問題的小模型，可能20B、30B參數(shù)的模型就夠了。關(guān)鍵是要將企業(yè)內(nèi)部數(shù)據(jù)存下來，整理清楚。所以，模型架構(gòu)不是阻礙AI落地的關(guān)鍵，阻礙AI在業(yè)務(wù)上落地的主要瓶頸是數(shù)據(jù)、機(jī)制、企業(yè)文化和管理迭代的過程。

企業(yè)需要設(shè)計(jì)一個(gè)機(jī)制，讓數(shù)據(jù)能夠迭代起來，就像今年紅杉AI大會(huì)上，有的合伙人就說：我們投AI公司最大的邏輯是看這個(gè)公司有沒有數(shù)據(jù)護(hù)城河，因?yàn)锳I技術(shù)本身沒有護(hù)城河，只有數(shù)據(jù)才有護(hù)城河。

所謂數(shù)據(jù)護(hù)城河，一種是，你的數(shù)據(jù)是不是別的企業(yè)沒有的數(shù)據(jù)？并且你還能持續(xù)地通過這些數(shù)據(jù)賺錢；另一種是，打造一種業(yè)務(wù)模式，可以讓數(shù)據(jù)在這種模式下，越滾越大。

對(duì)于企業(yè)而言，走到最后企業(yè)的核心競(jìng)爭(zhēng)力就是：企業(yè)能不能通過AI提升業(yè)務(wù)能力，AI能力越滾越大的背后，不是模型越來越強(qiáng)，而是數(shù)據(jù)越滾越大。

萬寧：在行業(yè)Know-How等數(shù)據(jù)越來越重要的背景下，創(chuàng)業(yè)企業(yè)的機(jī)會(huì)還多嗎？

丁昳婷：這不是一個(gè)很好回答的問題，我結(jié)合自己的理解來解答一下。

首先，我很贊同章總的觀點(diǎn)——數(shù)據(jù)肯定是最重要的護(hù)城河，尤其是一些垂直行業(yè)落地應(yīng)用的過程。而什么樣的數(shù)據(jù)才能形成一個(gè)高效的解決方案，對(duì)于整個(gè)團(tuán)隊(duì)來說是一個(gè)非常大的挑戰(zhàn)。有些傳統(tǒng)行業(yè)企業(yè)，雖然有豐富的數(shù)據(jù)，但對(duì)于AI沒有深度的理解，并不清楚AI的工作流是如何進(jìn)行的，并且在數(shù)據(jù)結(jié)合模型的時(shí)候，通過什么樣的方式，能夠?qū)⑦@些行業(yè)Know-How更好地“喂”給AI。這些過程都具有很強(qiáng)的專業(yè)性。但從另一個(gè)維度上看，這個(gè)過程中本身還是依賴于數(shù)據(jù)。

這兩個(gè)方面缺一不可：一方面，企業(yè)需要擁有大量的原始的、高質(zhì)量的數(shù)據(jù)，另一方面，企業(yè)需要知道如何將這些組織在一起。

很多時(shí)候，行業(yè)模型并不是垂直大模型，加一些行業(yè)數(shù)據(jù)的微調(diào)就能解決的。而是需要在模型架構(gòu)上，進(jìn)行針對(duì)性的設(shè)計(jì)，核心要求是：最適合業(yè)務(wù)場(chǎng)景的模型，這就需要很多Know-How。

所以，我認(rèn)為初創(chuàng)企業(yè)與傳統(tǒng)企業(yè)的協(xié)同缺一不可。一方面，傳統(tǒng)企業(yè)有大量原始數(shù)據(jù)，但是僅憑這些原始數(shù)據(jù)也不足以支撐在AI落地方面走得更快；另一方面，初創(chuàng)企業(yè)對(duì)于如何利用好這些數(shù)據(jù)，有著更充分的理解，結(jié)合在一起才能走得更好。

包括在企業(yè)組織架構(gòu)問題方面，我也覺得是一個(gè)非常關(guān)鍵的問題。因?yàn)槿司哂幸欢ǖ亩鄻有?，允許在業(yè)務(wù)中存在模糊空間，但AI需要有一個(gè)非常精準(zhǔn)的定位。所以，原先一個(gè)人的工作，需要拆分成幾個(gè)不同的業(yè)務(wù)流，專門干某一項(xiàng)工作。然后再用比較高效的方式，將這些工作流組織起來。這就需要企業(yè)管理層對(duì)業(yè)務(wù)流程有著清晰的認(rèn)知，并不是有一個(gè)AI應(yīng)用，就能將原先的員工取代了。從這個(gè)維度上看，就需要企業(yè)創(chuàng)新組織形式，適應(yīng)AI的能力。

我們也觀察到，有一些行業(yè)，行業(yè)的組織方式在AI的影響下，正在發(fā)生變化。比如醫(yī)療行業(yè)。AI加入到醫(yī)療行業(yè)中，與原先的醫(yī)生、醫(yī)護(hù)是一個(gè)什么樣的協(xié)同方式，甚至是收費(fèi)方式，可能都需要進(jìn)行一些調(diào)整。從這個(gè)角度出發(fā)，有一些業(yè)態(tài)需要改變，并不是基于原來的模式，能實(shí)現(xiàn)AI的原位替代。

從組織形式上講，我認(rèn)為傳統(tǒng)行業(yè)的行業(yè)Know-How與對(duì)AI有深度理解的團(tuán)隊(duì)人員都是必要的。只有這兩種員工組合在一起，才能在AI落地這件事上，走的比較快。

章磊：我補(bǔ)充一下。在硅谷有一家專門賣“專家”的公司發(fā)展得非常快。他們擁有醫(yī)療、法務(wù)、制造、工程等在內(nèi)的多個(gè)行業(yè)的專家，然后同時(shí)還具備一個(gè)特點(diǎn)——這些專家又同時(shí)懂一些基礎(chǔ)算法知識(shí)。這些專家知道如何能將業(yè)務(wù)知識(shí)轉(zhuǎn)化為可訓(xùn)練的數(shù)據(jù)，進(jìn)而在企業(yè)內(nèi)部打造AI能力。

基于此，我覺得，未來，無論是星塵，還是企業(yè)側(cè)，AI的發(fā)展需要“雙料冠軍”，這種人才既非常懂業(yè)務(wù)，又知道如何將行業(yè)Know-How轉(zhuǎn)化成AI能吸收的知識(shí)和數(shù)據(jù)。星塵數(shù)據(jù)也已經(jīng)開始搭建專家人才網(wǎng)絡(luò)，其中不乏一些行業(yè)資深的專家。

因?yàn)槲覀兛吹?，越來越多的客戶，核心業(yè)務(wù)人員十分忙碌，在這個(gè)過程中，我們?nèi)绾文軌蚩焖俚赝ㄟ^我們自己的專家了解到企業(yè)業(yè)務(wù)方向，并且能快速地將這個(gè)方向翻譯成AI的訓(xùn)練數(shù)據(jù)，就相當(dāng)于我們給客戶搭建了一個(gè)專家團(tuán)隊(duì)，快速地抽取出企業(yè)業(yè)務(wù)知識(shí)，轉(zhuǎn)化為搭建AI模型需要的。這個(gè)過程就能看到數(shù)據(jù)公司在其中的價(jià)值。

當(dāng)然，光有懂算法的老師傅還不夠，企業(yè)還需要工具鏈，以及一套完整的工具流，推動(dòng)AI應(yīng)用落地。這也是我們搭建MorningStar平臺(tái)的原因，也是我們面向未來AI和AI數(shù)據(jù)機(jī)遇的一個(gè)布局。

萬寧：企業(yè)在落地AI應(yīng)用過程中，最值得關(guān)注的問題有哪些？（面向企業(yè)CIO管理層）

章磊：第一個(gè)是，企業(yè)管理層真的準(zhǔn)備好了么？真的搭建了一個(gè)AI First的企業(yè)文化了么？如果只是嘴上喊口號(hào)說“我們要用AI”，那永遠(yuǎn)不會(huì)成功。AI First的企業(yè)文化意味著，企業(yè)的保障制度、激勵(lì)措施、資源分配，還有基礎(chǔ)設(shè)施等方面的準(zhǔn)備都需要到位。

第二個(gè)是，企業(yè)是否愿意為了“AI信仰一躍”。這句話的意思是：之前在互聯(lián)網(wǎng)時(shí)代（或者說在AI之前的所有時(shí)代），人類的商業(yè)行為依賴于計(jì)劃、執(zhí)行，然后驗(yàn)收。但在AI時(shí)代，企業(yè)不知道需要投入多少，但是得在基礎(chǔ)設(shè)施、人才、數(shù)據(jù)、訓(xùn)練成本等方面進(jìn)行投入，成本是不可忽視的一部分。企業(yè)的AI落地就像ChatGPT時(shí)代一樣，在看不見確定性成果的前提下，企業(yè)愿不愿意為了信仰而不斷前行。如果企業(yè)就抱著“我先花幾十萬試試”的態(tài)度，那是一種玩法；另外一種是——企業(yè)就抱著“背水一戰(zhàn)”的態(tài)度，一定要將AI落地，那又是一種玩法。

萬寧：丁總，如果您作為提問者，在面向數(shù)字化領(lǐng)導(dǎo)者（CIO）提問的時(shí)候，關(guān)于AI落地過程中，需要注意的方面，您會(huì)提出哪些問題？

丁昳婷：我可能更多的從對(duì)數(shù)據(jù)認(rèn)知的角度進(jìn)行提問。這其中有一個(gè)實(shí)際的挑戰(zhàn)是：像星塵數(shù)據(jù)這樣的涉及AI業(yè)務(wù)的公司，在出海的過程中，面臨著數(shù)據(jù)規(guī)范、數(shù)據(jù)安全的挑戰(zhàn)。

這就引出了一個(gè)實(shí)操的問題，比如一些大型互聯(lián)網(wǎng)公司出海的過程中，在當(dāng)?shù)氐臄?shù)據(jù)，用什么的方式能夠比較合理地被一家中國(guó)的互聯(lián)網(wǎng)公司納入到模型體系中，然后再為當(dāng)?shù)氐目蛻暨M(jìn)行服務(wù)。越是像醫(yī)療、金融這種比較核心的層面的企業(yè)越會(huì)遇見類似的問題。

比如，企業(yè)將來希望具備全球化復(fù)制的能力，在國(guó)內(nèi)已經(jīng)將模型初步打磨好，在海外就需要注意如何能夠更好的完成模型、Know-How的跨境，需要注意的點(diǎn)，這是出海企業(yè)面臨的共性問題。

萬寧：對(duì)，AI倫理和合規(guī)的話題，已經(jīng)不是選擇題，而是必答題。未來，所有企業(yè)都希望成為全球化的企業(yè)，在這個(gè)層面，就需要企業(yè)在一開始底層業(yè)務(wù)邏輯上就需要考慮這個(gè)話題。而在這個(gè)方面做好相關(guān)戰(zhàn)略的規(guī)劃，已經(jīng)是企業(yè)當(dāng)下需要考慮的問題。

 評(píng)！加入創(chuàng)新場(chǎng)景50榜單評(píng)選

2025年度「創(chuàng)新場(chǎng)景 TOP 50」榜單評(píng)選征集啟動(dòng)

申報(bào)日期：即日起~8月22日止

公開投票及專家評(píng)審：2025年8月23日起~8月31日止

申報(bào)鏈接：https://m.tmtpost.com/post/cj50（請(qǐng)使用PC端申報(bào)，暫不支持手機(jī)端）

763人已贊賞 >

敬原創(chuàng)，有鈦度，得贊賞

贊賞支持

0

30

0

掃描下載App

<fieldset id="5viun"><button id="5viun"></button></fieldset>