大模型商业化落地路径需从小切口和明确付费场景入手
科技
2024-12-23 17:55
北京
![]()
![]()
大模型在工作流程和数据处理环节带来降本增效和体验升级，正加速成为“标配能力”。
作者丨 雷小寒
编辑丨刘 欢
12月18日，由亿欧主办的WIM2024创新者年会在北京威斯汀酒店正式拉开帷幕。本届WIM创新者年会以“AI For X 未来产业范式跃迁”为主题。这是中国第一场专门聚焦“未来产业”的千人峰会——会议邀请了来自未来产业界的100+位头部企业专业嘉宾、超过2000位行业从业者齐聚一堂，共同总结2024年未来产业创新成果，预测2025年最新创业创新趋势。本次大会在北京、上海、深圳三地举办，三城联动、持续三天（12月18日-20日），会议以独立演讲、圆桌论坛、报告首发、百人晚宴、榜单发布等多种丰富形式，为大家带来一场商业视听盛宴！2024年是世界创新者年会（World Innovators Meet，WIM）走过的第十个年头。十年来，中国科技创新动能澎湃，新兴产业风起云涌。主论坛开幕环节，亿欧总裁王彬博士发表了《2025六大未来产业发展趋势与人工智能八大落地场景洞察》主题演讲。本次大会主论坛发起了一场关于《2025年大模型商业化落地场景趋势研判》的圆桌讨论。与会嘉宾有：本次论坛由亿欧副主编雷小寒主持，与会嘉宾围绕“大模型在中国实际商业落地的过程中，技术与场景间的匹配、数据隐私与安全、可扩展性与可定制化、生态协同与产业链合作”等问题，共同探讨了这一领域的技术应用、投资逻辑、商业空间、落地场景、发展瓶颈及2025年展望等问题，以下是本次论坛的核心观点：1.从模型到应用仍存在鸿沟：大模型技术虽然快速迭代，但在从通用模型到实际垂直场景应用的中间地带依然存在“落地缺口”，需要中间层技术及生态伙伴共同弥合。2.政企场景与产业治理率先突破：政务、城市治理、工业制造、环境治理（如污水处理）等领域的应用落地速度较快。这些场景对数据安全与决策效率要求高，且需求清晰，有利于大模型快速取得实效。3.办公协同是最先大规模应用的B端场景之一：从OA办公、合同管理、内部培训到智能考试系统等应用，大模型在工作流程和数据处理环节带来降本增效和体验升级，正加速成为“标配能力”。4.AI for Science在2025年面临爆发：生命科学、物质科学（材料、分子设计）、工业设计和药物研发等领域，随着数据、算法与实验室智能化融合，AI驱动的科研应用将大幅缩短创新周期，催生巨大商业价值。5.商业化落地路径需从小切口和明确付费场景入手：大模型应用的创业者与厂商需要从特定垂直场景的小问题切入，通过10倍效率提升或从无到有的全新功能说服用户付费，从而实现商业闭环。6.应用生态的演进呼唤专业生态伙伴：与大模型落地密切相关的数据处理、知识整理、行业know-how合作伙伴的缺失是目前产业链上的痛点。建立行业垂直领域的合作生态至关重要。7.大模型商业化需要从算力、算法、数据多方协同：底层芯片与基础算力国产替代、数据处理与治理、通用与垂直模型的多层联动，以及多模态融合与智能体(agent)技术的进阶，是保证落地的核心。8.开放、开源与联合创新的重要性：开源模型与开放的科研数据交流平台有助于技术的快速迭代与产业链各环节的协同进步。在技术推动与政策倡导下，构建开源生态将会加速大模型在各产业的渗透和成熟。主持人（雷小寒）：我们都知道生成式AI一定会带来比PC革命、互联网革命更加爆发式的增长。刚刚大家也论证了一下在过去的两年，无论是大语言模型还是多模态模型，在技术侧都取得非常令人瞩目的成绩。大模型已经不局限在学术圈和实验室，已经在深刻影响着各行各业的业务逻辑和商业决策。随着大模型在算法、数据、算力方面持续性的迭代，我们也看到今天有非常多的企业正在这方面做更多的探索，以及如何积极拥抱大模型落地在实际的应用场景中，我们非常荣幸邀请到4位，讨论今天的议题， 2025大模型商业落地场景的趋势研判，非常荣幸欢迎何帆总、蔡虎总、缪旭总、庆国总。想先请问一下360数字化集团首席产品官何帆总，从您的角度来看，当前中国在大模型商业落地的最大瓶颈到底在哪里？是刚刚4位老师聊到的数据还是算力成本，还是技术成熟度，还是缺乏清晰的商业模式呢？何帆：我可以从360自己的实践谈一下，360在大模型的落地这件事情上我们从多个方向完成它。第一，我们烧了很多的钱训练自己的通用大模型，我们训练了自己的大模型，我们创始人周总在各地开展AI公开课，同时我们提供大量2B的大模型免费应用，让各个企业单位、政府也好能够免费用到AI的能力，从普适性的角度把AI推广起来，这也是我们创始人周总一直宣导的事情，我们希望推广AI在行业内的应用。第二，在大家眼中360是一家安全公司，我们通过免费杀毒这样的模式帮360积累了很多的能力，与其说360是安全公司，可以说360通过大数据分析和AI驱动的公司。我们可以看到多次被我们国家外交部发言人提到，我们发现美国的中情局、国安局针对我们国家某些关键基础设施发起了国家级的黑客攻击，这都完全依赖于，过去那么长时间以来我们靠各种各样的免费模式帮我们积累了非常庞大和安全相关的大数据，以及背后和AI相关工程化的能力，累计的最后，输出的安全能力。在这样的基础上，我们通过积累的数据训练了和安全有关的大模型，去对外提供安全相关的能力。360本身是一家互联网公司，我们上线各种各样2C和2B的应用，360本身的应用在互联网上被广大红客或者黑客朋友做尝试。这样的前提下，我们为什么训练自己和安全有关的大模型也是这个逻辑，通过大量人工响应这件事情效率极低，并且我们发现在黑产里攻击我们的不是人类，是模型发起攻击，所以我们想靠安全的大模型帮我们抵御这件事情，所以这是第二件事情。第三，我们靠通用的基座模型帮我们在行业内落地各种各样垂类的大模型，在推广的过程中发现一系列的问题。本身360具备底层AI能力、大数据分析能力以及各种各样工程化的能力，非常懂技术，但落垂域模型的时候对行业场景、行业的knowhow、行业的数据我们是不了解的。所以过程中会结合一系列的生态合作伙伴，可能是比较懂场景、业务或者比较懂行业数据的，我们和他们一起交付行业的案例。这个过程中，在钢铁行业、污水处理行业、政务12345等等场景，我们已经落地了一系列的垂域大模型，帮客户训练了一系列的垂域的模型，已经商业化落地了。这个过程中我们还做了一件事情，360有一系列数智化相关的应用，比如说云盘、BI、后台营销、运营一系列的数智化的应用，我们发现落地大模型的过程中把数字化的应用放进去是非常好的，我们用AI去赋能原本已经做的数智化应用，这是360大模型做AI这条路上一路走来的心路历程。主持人：360之前提出把握六大场景，走专业大模型之路，聚焦将大模型具体场景结合，在您看来这个议题下，360这么久的实践下，目前哪几个场景是最快值得企业敞开拥抱的？何帆：大家对我们提的六大场景理解上有些偏差，首先我们觉得从模型到应用还有很大的gap在里面，我们提这六大场景是希望弥补从模型到应用的过程当中还有很多的工作需要做，我们靠这六大场景能力来弥补从模型到应用的落地。举个例子，有一个检察院的案例，检察官在过去历史这类案件怎么判的，依据法条是什么，检察官需要快速检索这类案件历史上的数据是什么样的，并且希望模型给他一些建议，在后续要不要提起公诉，要不要和法院做进一轮的沟通。这是很大的工作量，我们需要把案件卷宗以及历史判案相关的纸制或者电子化的数据（这中间可能是非结构化数据，非结构化数据首先要集中存储到某一个平台上，我们需要用AI学习萃取它，去检索里面的内容，做数据标签。）做知识增强的场景。我们希望在这样的场景里从模型到应用之间有一个AI相关的基础设施，在这当中弥补模型到应用的差距。具体来说，我个人观点，我更关注政务应用或者城市治理类的具体场景，我们在模型落地过程中发现这个领域有非常大的需求，从甲方的角度来说或者需求方的角度来说。另外一个，在这个领域能够快速有一些效果出来，而且效果非常好。这是我大概的想法。主持人：非常感谢何总作为通用大模型厂商包括垂直大模型厂商，以及应用方解决商角度很详细给我们介绍了在场景和技术融合的方面的案例。想问一下蔡虎总，作为办公协同领域比较资深的服务商，我们知道AI在B端很大一部分落地场景就是在办公协同，以及工作流提效这一块中，所以您认为大模型的引入对于企业办公、流程管理等会带来什么样的提升？或者说当前AI Agent在这个办公领域到底发展到什么样的程度了？蔡虎：我来自致远互联，成立历史22年了，从最早办公自动化OA到现在，我们服务了5万多家企业。AI时代来了之后，我们到底是借着AI给公司带来进一步的跨越式的增长，还是会被AI所颠覆？这是不得不面临的问题。像刚才主持人所说的，经过这一两年我们很欣喜看到协同办公就是AI最快速落地的场景之一，办公和营销是两个大家公认的场景，我们在其中一个场景。致远肯定拥抱AI，但我们看到的用户需求和商业化进程目前并不是非常匹配的，对于有5万多家企业使用我们OA产品，我们自己的主流产品必须要有AI的能力或者智能化的能力。甚至在越来越多的企业客户所招投标需要的IT系统，如果没有智能化的能力是没有办法入围的。从客户的需求来看，无论是像协同办公、文档处理、数据处理、工作流等等，都必须有AI能力的加持。办公大家比较容易理解，小到订个机票、发起协同代办、会议记录，到一些垂直领域相关的合同管理、项目管理、人事管理等等，这些应用都会出现智能化的加持。所以，我们自己内部会把智能化能力分成两部分，一部分通俗来讲叫“+AI”，另外一部分叫“AI+”。“+AI”在我们系统中赋予大模型能力之后让用户更好用、更容易用，或者帮助用户至少达到降本增效，因为在办公很难达到增收这样的目的，但至少降本增效可以帮助客户达到。这是在协同办公领域所看到的第一个点。第二，“+AI”有一些应用会发生一些比较大的变化，比如说合同管理。在致远客户中大概有30%左右的客户使用了致远系统中的合同管理。有了AI之后，越来越多的客户非常关注在流程之前的合同的内容比对、智能签署等，甚至哪些合同不需要人为参与就可以审批，哪些合同需要人为参与。所以这些给合同应用管理带来比较大的挑战，当然也是新的机遇。这两个都叫“+AI”你没有就出局了。“AI+”我们看到软件应用由于AI的出现被彻底颠覆，客户会放弃原来的软件使用方式。在之前若干年我在互联网大厂干过，自己也创业，创业主要是在SaaS领域，当时SaaS也是热潮，但中国的SaaS和国外不一样，中国SaaS没有脱离传统管理软件的方式，只不过似乎换了一个软件售卖的形式而已。但现在AI来了之后，我们发现客户以后有可能不再需要买一个软件了，也不需要买一个SaaS，但需要服务。从软件作为一种工具去交付给客户，有可能会变成作为服务去交付给客户。也就是客户付费方式有可能不再是购买软件的license，也不是按年订阅的方式，而是按照具体的使用量，按照具体的使用，使用多少次。软件表示形式就是智能体，是一个数字员工，就像雇了一个人一样，按照次数付费或包月付费。如果在这类型领域有机会的话，也许AI可以重构某种应用。智链科技是致远这一年投资孵化独立的公司，主要专注AI原生应用的开发。我们发布的第一款产品现在已经在不少客户用了，就是一个AI考试。大家知道在企业内部应用中有培训，但很少有考试，为什么很少有考试？因为考试的内容让产品经理出题再去发放，是客观题还是主观题，主观题还得人工评分，非常复杂。在eLearning系统中有这个功能，但很多客户都不去用，后来我们发现很多客户去考试的目的是要知道销售人员是不是真的有知识掌握，需要有量化的反馈。我们针对考试这样的环境打造一个智能体，产品经理只需要把产品手册交给这个智能体，并设置好一些考试规则，从试卷的自动AI出题到分发，到考试的过程，到评分，到最后出报告，完全自动完成。这样的应用我们发现很快被一些客户采纳，但采纳的原因不是有一套非常完善的系统，而是帮他解决了某一个环节的应用，这个采纳的过程有的客户按照次付费，有的客户包月，就像配了一个考试的助手一样。所以类似这样的场景，我觉得未来会有很多，客户购买软件或者按年订阅的SaaS服务，到真正买了一个智能体具体的服务，这是致远这一两年自从AI来了之后我们自己的体会。主持人：深势科技在AI for science的经验案例非常多，特别是在今天的场景，都在聊2025年应用侧肯定有大量的爆发，在AI for science这个领域，您认为无论是药物研发、合成生物、测序、材料研发、工业设计领域，您认为哪一块会有更大的爆发，现在落地的情况是什么样的？周庆国：深势科技主要集中在生命科学和物质科学两个领域，最早做的是偏向生命科学，AI来了之后，整个公司或者团队非常看好物质科学。物质科学落实到最后的领域就是分子和材料设计，谁能够开发新的分子，谁能够开发新的材料，以前在高校或者企业里的研发团队里，就能立马带来几十亿甚至上百亿的规模。以前这类设计非常偏向于组合优化，做实验，一会儿加点这个，加点那个，如果好了就交付了，以分子形式交付。AI来了之后，尤其是应用的爆发，随着前两年大模型技术的迭代，这段时间对科研数据知识的深度处理以及算法的迭代，我们逐步意识到材料设计或者分子的合成越来越清晰，结果的准确率在提高。其次，大模型是软件层次，偏向于硬件对实验室智能化，这种软硬一体的结合会大大加速在分子和材料设计领域的速度。所以，目前非常看好在生命科学以及物质科学这两个领域的爆发，我们觉得2025年应该是AI for science，不管是从国家的投入，还是在各个地方政府或者大型化工集团、大型研究型的科技企业对AI for science都会达到最高点，这是我们技术的判断。主持人：缪总，因为九章云极作为算力服务商、解决方案商，站在您的角度，您帮我们从技术和应用两个层面来分析一下，目前我们走到2025年大模型在商业化落地大概还有什么样的阻碍需要解决，数据方面或者技术方面，或者是商业化落地？缪旭：我觉得商业化落地、技术、成本是互相之间有一定的关系。从技术的角度看这个问题，今年年初的时候，一个商业应用很有可能挑一个大模型，作为一个智能体加一些知识库，然后调优，或者微调进行落实。但这个应用需要你的大模型能力比较强，同时你要兼顾准确度比较高的话，就需要挑比较大的模型，模型一旦上去了推理成本就会比较高，推理成本就会比较高但也不见得能够把很多事完全解决掉，就造成非常尴尬的局面，又挺贵，也不是那么完全准确，所以商业落地的模式很难寻找。但下半年之后，我们看到o1模型出来带来很大的改变，包括OpenAI自己也讲这个问题，2B打法应该从o1来训练很多训练很多垂类的小模型，当垂类小模型对某一个关键任务进行特殊训练之后，可能会得到一个相对来说成本比较低的模型，这是第一。第二，o1的推理能力非常强，它训练出来的小模型准确度会非常高，又准确，成本还低，业的落地可能性就变得非常大，可以玩不同的商业模式，都有可能。另外我想分享，从九章本身来看这个行业落地的话，智能体绝对是2025年需要加强的地方。第二是多模态，很多不同的数据合在一起进行推理是非常重要的，包括结构化数据，包括非结构化数据，包括各种不同的传感器来的数据之类的，联合在一起进行推理准确度也会变得非常高。智能体和聊天机器人最大的区别，推理的能力非常强，执行的序列非常长，完成任务非常多，所以智能体会成为整个任务的核心点，和以前传统AI最大的区别，传统AI很可能是神经末梢，传统数据系统只有一个非常小的部分会用到AI的模型。现在大模型起来之后成为中枢系统，玩转整个任务怎么分配，你怎么实现每个任务的完成，怎么评判结果，你怎么产生报告、总结，最后来实现落地。所以大模型agent应用的很大的范式的变化，AI肯定会成为它的C位在应用上。主持人：感谢缪总。4位是各个企业具有一定决策权的老师们，在大模型的技术、应用投资中，各位是如何评估商业价值，大家从哪些角度评估应用落地的价值？可以给到新的创业者更多的思路，以及对2025年应用发展的展望。缪旭：我比较喜欢0-1这个概念，如果是1-100的话可能可以做，如果是一个大公司做没有问题，如果是创业的话0-1价值更高一些，就算失败了也是为了青春而失败。周庆国：从我们对科研整个领域来看，我们比较看中的方向就是能不能从实际的数据或者实际的小问题出发，然后解决它，可能加一点AI或者加一点AI小的工具，但解决的是某一个非常细分场景的问题，这就具有非常大的价值，因为科学家还是非常富有的，他一定会为这个买单，你解决了问题，又能带来正向的收益形成商业的闭环，我们觉得在现在AI这个领域非常好的落地，也是比较认可的方式，至于能够做什么真正的学科性、领域性的大模型，目前我觉得没有太多的团队有能力支持这件事情。蔡虎：我觉得对绝大多数的创业者，包括像致远这样的上市公司，我们没有能力做底层大模型，甚至不一定能做中间层，我特别相信绝大多数人聚焦于应用层。第二，如果在应用层创业的话，不光是像过往那么多年做互联网产品，也许一开始只需要考虑用户体验，考虑用户的价值，然后相信用户量起来之后就能卖广告，成就一个互联网商业模式，但AI这一轮不行，可能在你做AI应用的时候要想好商业化路径，也就是客户愿不愿意为你做的AI应用付费或者为你AI的能力付费。第三，当我们考评一个产品是不是有价值的时候不是1倍、2倍的提升，要不就10倍用户体验提升，要不就10倍降低用户使用成本，或者完成没有AI之前完成不了的任务，只有这样用户才有可能去快速接受它。何帆：我非常赞同要关注应用，我发现从过去大家都卷模型，因为卷模型非常烧钱，大家也开始卷应用了，我觉得是好事，毕竟能给具体业务带来好处的就是这些应用。在卷应用这件事情上，我们在内部有多轮的讨论，我认为要盯着自己的客户，我们有已经成型的核心客户群体，客户在AI落地过程中的核心诉求是什么，对某些业务场景到底哪里能切入。第三，也是我们提的，一定要找一些小切口，我发现我聊了大量的客户之后，有两类客户，第一类对大模型能带来什么没什么概念，他也不知道能做什么。第二类，大模型无所不能，好像能代替他的任何员工，能帮他做所有的事情，其实都不是的。所以找小切口，在某一个业务的闭环当中，里面有某一个业务环节帮他做到极致，我觉得这就非常能切入他的痛点了。所以三个点，第一卷应用，第二盯着你的客户，第三找小切口。主持人：非常感谢4位老师。各位老师聊到我们从底层更加偏科研的角度，这一块的投资可能相对来说更加开放一些，当然前期投入更多的资源做更加底层的科研，去支撑更多的应用爆发。第二个点大家都非常公认明年是应用爆发的一整年，在应用爆发走到商业化落地的路径上，需要先做深度的用户洞察，了解用户的核心需要、单个模块需要的应用，然后去给他提供一个核心的解决方案，或是模块化深度解决的路径，尝试去培养用户的付费的习惯，或者我们去看未来的应用到底是更适应于哪种付费的场景。亿欧作为非常关注AI产业链的媒体平台以及智库，我们也时刻关注无论是AI产业还是大模型整个上中下游各个方面的发展。也想与各位老师探讨，目前你们认为我们针对大模型与目前传统解决方案的整合，基于全新的产业链下“从最初的芯片厂商，AIDC、语料、数据，走到通用大模型，通用大模型中间的协同层面，以及到垂直大模型，再到应用到场景”这一整个链路上，各位老师认为整个生态还有什么地方亟需我们做更多积极的推动，或者各位老师对整个生态的协同有什么更多的期待？可以在这个平台共同来呼吁产业的上下游，共同推动产业更好的发展。何帆：站在360的角度我们深有感触，360目前是美国的商务部和国防部双重实体名单，我们在和很多美国大的科技公司在合作的过程中有各种各样的障碍，包括之前已经有合同的合作，可能对方由于不能违反相应的规定而终止了。在这个过程中，我们看到最近360有很多举措，第一个在今年6月份我们创始人老周倡议16个虚拟大模型的厂商成立“大模型安全联盟”。我们在内部AI应用上以及我们的Mass平台上和各种各样的模型已经打通相应的接口，以及在做各种各样AI应用的时候，从360的角度来看，我们已经不限于自己训练的模型，可以用第三方模型甚至开源模型。第二，就在昨天由老周牵头成立大模型安全联盟，在应对和AI相关的安全问题上，我们希望和各类的厂商公司一起合作，一方面把输出我们的能力，一方面希望大家一起来共享更多内容，在实际应用当中见到的场景、威胁或者应用，我们共同把生态建好。我们呼吁在AI的能力落地的过程中，像主持人讲到从背后的算力，我们现在也在逐步适配国内的算力卡。从呼吁的角度来说，希望和AI有关各种各样的公司和厂商尽可能的在生态链上一起合作。刚才谈到在落地的各种各样的项目当中，可能360贡献了基础能力、工程化的能力，但我们和行业knowhow、行业知识以及行业数据相关的内容是和合作伙伴一起合作完成的，这也是我们希望在整个AI落地的过程中大家拧成一股绳…来共同推进这件事。蔡虎： AI时代生态肯定和之前非常不一样的，如果站在致远互联的角度来看。致远互联服务的主要还是央国资企业、政府、学校，这一类对流程、管控比较多的客户。我们发现在实施AI相关的产品或者解决方案的时候特别缺失一类合作伙伴，就是对企业私域知识或者数据进行整理、处理的这类型厂商。因为企业自己不想干，我们作为一个产品厂商也不善于此，但必须要有人干，不然AI发挥不了能力。市面上这一类合作伙伴非常少，甚至技术出身的团队由于在产品技术上没有办法突破，又需要满足项目，演变为项目型公司，这是一类特别需要的生态合作伙伴。站在致远，我们的第一款产品叫iForm，我们确实做了一个底层相对于用AI重构的表达产品，但我们对行业的knowhow是不足的，比如说应用于考试，我们也觉得这个产品会在市场的调研行业有非常大的应用场景，甚至非常细分的餐饮行业。我们对于这些行业的knowhow理解不足，特别希望其他的平台型的公司可以把对行业knowhow有非常深刻理解的头部厂商或者细分领域的公司纳入进来，可以帮助产品型、技术型的公司理解行业knowhow，和他们一起构建解决他们痛点的AI产品或者方案。周庆国：我们更加希望有一个开放开源的生态，为什么这样说？Llama的开源刺激国内很多大模型厂商新的技术的迭代和更新。但在科研领域大家是非常闭塞的，隔壁课题组做什么我也不知道。所以一个开源开放的，及时把你的软硬件友好的做公开，在可公开范围内进行开源性的交流，会极大刺激AI+在整个领域的进展，这是非常需要推动的，国家在这上面也花了很大的资源。以及在这个开源生态下面进行科研数据的共享，甚至高校智算算力的共享，这些会真正意义上反哺技术的进步、生态的进步，也会刺激实验室的产品整个落地的加速过程，所以在科研里我们非常希望有这样的生态去促进闭环。缪旭：九章积极拥抱开源，从算法技术角度看这个问题，o1模型出来之后大家关注推理。但忽略了一点，更多是post-training，实际上是非常重要的点。因为o1是一个增强学习的算法，需要你推理，推理之后数据会拿回来进行进一步的训练，是一个不断迭代的过程。而post-training我目前观察开源的算法非常少，包括这些大厂都没有把算法拿出来，所以非常希望呼吁在座各位，如果是技术大拿的话，尽快把技术开源出来，我们一起来探讨，这样才能促进在后训练时代把给技术做上去，无论是对中国算力的问题，或者是AI和美国竞争的问题，我觉得都会有很大的帮助。主持人：非常感谢4位老师给我们带来2025年大模型商业落地非常多的产业趋势的研判，无论是在办公协同、政府安全、科研、生命科学，包括智能分析、算法、算力等等解决方案领域，各位老师都给出很多思考与探索方向。到今天为止我们也收到非常多类似于大模型就开源生态的倡议，很希望大家有机会可以借助各种各样的交流平台，包括亿欧这样的平台去做更多生态上的链接，做更多的交流，共同推动整个AI大模型产业链更好、更蓬勃的发展，也很期待2025年是中国应用蓬勃的一年。推荐阅读
