題圖｜視覺中國
以ChatGPT為起點，大語言模型（LLM）用全面的技術創新，以及在使用者和産業中的應用落地，再次掀起了一個AI新浪潮。
與它的前輩們相比，大語言模型因為打通了語言這一人類溝通中介，并且僅用一個模型統一了多種複雜的任務，在對個人和公司的潛在影響力上明顯更上一層樓。受到“再不努力就要被機器，或者是會用機器的人取代”趨勢的威脅，越來越多中國企業開始下定決心要投身到新的AI熱潮中去。
但當他們站上起跑線，隻會發現事情并沒有那麼簡單，甚至有點讓人迷茫。
AI新浪潮，倒逼企業重塑數字化底座
造成企業“想說愛你不容易”的關鍵，主要有兩點：
1、波及面太廣：相比過往數次技術革命，大語言模型影響力和範圍更大，滲透到企業運轉、經營的多個環節，并與人類工作流程互相交織；
2、倒逼企業重塑數字底座：大語言模型在運作邏輯上不同于網際網路時代，且需要企業有相當堅實的數字底座。如果企業自身數字化基礎不足，前期準備和調整環節将非常有挑戰。
以具體的數字為例，根據全球知名專業服務公司埃森哲研究發現，自然語言任務占到了企業人員工作總時長的62%，其中65%的時間可以借助人員強化和自動化技術來提升工作活動的生産力。
将這兩個數字直接相乘，就能得到一個簡單而又直白的結論——所有行業中40%的工作時間，都能通過GPT-4這樣的大語言模型實作革新。
這個數字聽起來或許有些誇張，我們不妨具體到特定的産業中來看。
以埃森哲前段時間對“大語言模型為快消品産業鍊帶來的機遇”研究為例，大語言模型能夠在産業鍊中應用的環節實在太多。從最基礎的需求确立、産品打造、商業模式創新，到具體的市場營銷，再到後續的供應鍊和制造管理、可持續發展以及企業内部的管理，基本上覆寫了所有的環節。
從企業和産業競争的視角看，尤其是快消品這樣互相快速模仿借鑒、競争激烈的産業，大語言模型的應用，正在以一個全新的次元為企業帶來新的競争力。
在埃森哲最近的一項技術趨勢調研中，72%的受訪中國企業高管對AI新能力表示了極大的興趣，并将在後續的企業經營中積極探索和嘗試這項新技術。
确定了“要做”，接下來的問題是“怎麼做”。而這恰恰是大語言模型技術的最大挑戰所在。
對于本身數字底座相當充分的企業來說，探索AI新技術的應用能力、如何将自己的業務和内部運作子產品與AI技術結合，是一個非常煩瑣的任務。
在一次聊天中，埃森哲對虎嗅表示：“大語言模型時代和網際網路時代的思維方式和路徑，其實發生了非常多的變化。”
就拿我們上面提到的“倒逼企業重塑數字底座”為例，過去網際網路時代的“人工編寫代碼+資料庫”的模式，正在遭受“模糊資料+神經網絡模型”的挑戰。企業在需要用大語言模型全面提升自身應用和服務能力的同時，也需要開始着手收集還未數字化的企業資訊和知識積累，并将他們整理為神經網絡能夠了解吸收或者學習的格式、作為企業專屬模型的資料輸入。
而在企業内部員工的教育訓練上，大語言模型相關的内容也正在成為剛需，尤其是員工日常使用大語言模型過程中的prompt（提示詞）技巧。
根據埃森哲服務中國企業的經驗，“光是應用雲計算、真正實作數字化這一點，對于很多中國企業來說就已經是革命性的了。現如今任務中多了AI，變革的壓力和難度其實變得更高。”
根據中國電子技術标準化研究院2022年的研究，占據了中國企業絕對主體的中小企業，79%處于數字化轉型初步探索階段，12%處于應用踐行階段，真正達到深度應用階段的企業僅占9%。
很顯然，大量中國企業急切需要充分了解了AI發展趨勢、擁有打造企業數字化底座的解決方案、和擁有豐富企業服務經驗的“幫手”來拉一把。
為企業落地AI打頭陣的埃森哲
正如我們上文所分析的，大語言模型的場景覆寫各行各業的諸多環節，這也讓其應用和落地無法一概而論，整體展現為高度的非标準化，“邊摸索、邊創新、邊落地”成為了當下的解決思路。
埃森哲雲服務團隊結合自身對大語言模型、對企業業務的了解，将這種“邊摸索、邊創新、邊落地”定義為六個步驟：
Dive in, with a business-driven mindset（以業務驅動的初心）：以積極的心态全身心擁抱變革，将業務需求和目标作為驅動力，迅速行動。
Take a people-first approach（以人為本的方式）：在解決問題和開展工作時，将關注點放在人的需求和體驗上，確定以人為中心的方法來處理事務。
Get your proprietary data ready（準備好企業的專有資料）：整理和準備企業擁有的獨特資料資源，為後續的生成式AI的使用和決策提供必要的資料支援。
Invest in a sustainable tech foundation（投資于可持續的技術基礎）：在技術方面進行投資，建立一個穩固可持續的基礎設施，以支援長期的生成式AI的業務需求和創新。
Accelerate ecosystem innovation（加速生态系統創新）：推動生态系統内的創新，加快不同組織、合作夥伴之間的創新合作，實作更快的發展和增長。
Level-up your responsible AI（提升企業的負責任人工智能水準）：進一步提升人工智能技術的水準，注重負責任的使用和開發，確定生成式AI的影響是積極和可控的。
具體步驟看起來不複雜，但實際每個步驟操作中，都有很多“Know-How”（經驗訣竅）存在。
就拿“投資于可持續的技術基礎 ”來說，在網際網路和移動網際網路時代，雖然每家雲供應商的整體技術架構有所不同，但是其技術原理和能力大多是相同的。而現如今的大語言模型能力，都能夠通過神經網絡實作知識的輸入和輸出，但是不同廠商大語言模型的最終結果有所差别，是以如何標明合适的生成式模型并以此為基礎建構可持續的生成式AI技術能力，成為了一個關鍵課題。
另一個是潛藏在“ 準備企業的專有資料 ”環節背後的資料安全問題，AI大語言模型在完成自然語言預訓練的基礎上，需要進一步結合應用場景的特定資料，才能夠實作能力的特化。在企業應用視角中，就是需要大量的企業真實資料、知識，其中往往會存在涉及商業機密的内容。
現在有很多企業會直接禁止員工使用公開的大語言模型，就是擔心他們在處理公司任務的過程中，将企業的資料洩露出去。如何確定在推廣大語言模型的過程中，確定自身企業資料的安全，是一個必須解決的難題。
面對這些挑戰，在AI新技術探索上足夠前沿，同時又深入了解企業需求的埃森哲雲服務，就展現出了明顯的優勢。
以大語言模型的選擇為例，埃森哲與全球範圍内的主流雲供應商都有着深度的合作，同時全球範圍内數量衆多、覆寫各行各業的客戶也讓埃森哲在大語言模型這樣的技術應用環節上積累了豐富的經驗。
在具體的大語言模型應用中，埃森哲聯合國内外各家雲廠商攜手推出了大語言模型sandbox（沙箱）平台。
企業客戶可以在大規模投入之前，在雲上結合自己的業務場景進行試驗，甚至是完成端到端的傳遞，快速驗證，快速糾錯。
在資料安全方面，埃森哲雲服務也做了兩手準備，首先是對雲供應商和大語言模型解決方案的調研和能力評估，提前幫客戶“掃雷”。
其次是積極探索新的技術解決方案，除了公有雲的方式，也有私有雲和線下部署；在技術方案上進一步增加資料儲存和留存的限制，例如部分敏感資料不被機器二次學習，企業機密資料限制其在神經網絡中的保留時長等等。
埃森哲認為，“任何服務和産品，一旦上升到企業級，就會變成最為嚴肅的問題。從創立之初就專注為企業提供技術和咨詢等服務的埃森哲，向來遵循這一準則。”
這一規則，也造成了埃森哲在做雲服務、包括現如今的大語言模型這件事上，緻力于幫助企業利用最新技術達成業務目标、變得更成功。
“回到大語言模型上，埃森哲的最終價值是幫助客戶有效地将這種新技術趨勢用起來，進而赢下未來的競争。”
寫在最後
客觀來看，目前國内哪怕最先開始嘗試應用大語言模型的先鋒企業，現在仍然還在比較前期、研究怎麼将企業資料、經營流程與大語言模型技術進行契合的階段。
針對大語言模型技術在具體業務場景中的應用範式，國内的很多雲服務商和創業公司仍在持續技術創新的過程中。但先行起跑、在行業中搶先推行技術變革、做好資料收集和準備，必然能在将來大語言模型最終落地時，獲得先手優勢。
在這一場必然發生的技術變革中，同時具備“對于AI技術未來發展趨勢深入了解”和“企業真實需求/思考第一視角”的埃森哲，正在成為中國企業邁入AI新時代的最佳助力。