不再“纸上谈兵”：大模型能力如何转化为实际业务价值

138 0 0

文章摘要

随着大模型技术的快速发展，其在各行业的应用潜力日益凸显，但如何将大模型能力高效转化为实际业务价值，仍是企业面临的核心挑战。在 AICon 全球人工智能开发与应用大会 2025 上海站即将召开之际，华为云 AI 应用首席架构师郑岩、蚂蚁集团高级技术专家杨浩、明略科技高级技术总监吴昊宇共同探讨了大模型如何驱动业务提效。

在探索大模型应用场景时，企业常会遇到“看起来很美但落地难”的需求。吴昊宇指出，企业应用 AI 时需关注三个关键点：识别最重要且值得解决的问题、确保有高质量的相关数据支撑 AI 应用、以及当效率低或解决效果差时，AI 可以作为辅助工具提升效率。杨浩则从财务领域的 AI 应用出发，将其分为提升基础作业效率、风险防控和创造增量价值三大类型，并强调在落地具体场景时需关注 ROI，评估项目需求、人员和卡的投入，最终判断效果是否能覆盖投资成本。

在技术选型方面，不同业务场景对模型能力的侧重点可能完全不同。杨浩提到，选择模型时需重点考虑推理还是生成、上下文长度、响应性能三个方向。在改造传统系统时，AI 应用有三种范式：AI Embedding、AI Copilot 和 AI Agent，其中前两者偏向渐进升级，AI Agent 则偏向颠覆重构。吴昊宇则强调，对于营销类客户，模型需要具备一定的灵活性，而对于医疗客户，模型必须严格按照原文回答，不能自行生成或引用其他知识。

从实验室效果到生产环境稳定表现，关键在于多测试和持续优化。吴昊宇指出，POC 阶段一切顺利，但真正进入生产并面向客户时，工作才刚刚开始。面对不确定性系统，最重要的就是多测试，覆盖多个场景、领域和行业，并反复进行。杨浩则分享了财务领域审核场景的优化经验，通过详细指标体系设计和与业务方的密切合作，审核场景的准确率从最初的 20% 提高到 90% 以上，最终实现无人值守。

理想中的 AI 智能体应该类似于生命体，具备感知、认知和行动能力，并能够在实践中不断迭代和反馈。吴昊宇认为，未来理想的智能体应该能够通过少量样本或某种学习方式快速进化，而不是像现在这样从零开始重新训练。杨浩则从企业应对大模型发展的角度出发，强调企业需快速掌握模型架构、训练方法和优化算法，并在应用层面快速接入、评估、部署新模型，利用其特性。

在组织能力建设方面，新型岗位正在崛起，传统团队需要补充“超能力”。郑岩指出，大模型发展日新月异，企业需抓住大模型发展过程中不变的趋势，如更强、更便宜、更快、更长上下文和更多模态。评测是 AI 能够持续落地的关键，如果测试集足够好，它就能够足够好地还原业务本质，从而以更快的速度迭代 AI 应用。

总体而言，大模型技术的应用正在逐步深入各行业，企业需在场景探索、技术选型、生产环境优化和智能体构建等方面持续努力，以实现业务提效和长期发展。