6月21日上午，在一場北大光華管理學院的活動上，騰訊集團高級執行副總裁、云與智慧產業事業群CEO湯道生表示，人工智能（以下簡稱“AI”）對世界的改變，一定是通過與產業融合實現的，大模型只是起點，未來應用落地的產業變革才是更大的圖景。

(資料圖)

湯道生在演講中回顧了AI發展的歷史，表示算法創新、算力增強、開源共創三大因素的疊加，構成了AI的“增長飛輪”。

他認為，現在的企業應該積極擁抱人工智能技術。過去傳統的研發、生產、銷售、服務等環節中，有很多依賴人來判斷、協調與溝通的地方，都可以疊加AI的生產力來提質、降本與增效。而通用大模型缺乏專業知識和行業數據積累，導致模型的行業針對性與精準度不夠，數據“噪音”過大，企業客戶更需要有針對性的行業大模型產品。

在湯道生看來，企業使用的大模型必須可控、可追溯、可修正，而且必須反復與充分測試才能上線。如何在合理成本下選擇合適安全的模型，是企業客戶所需要思考與決策的。

以下為湯道生演講摘要（有所刪減）：

隨著大語言模型的發展，我們正在進入一個被AI重塑的時代，從生產銷售、組織人才，到產業革新、社會發展，都會發生劇烈的變化。

許多企業管理者也在思考，如何把大模型技術應用到自己的企業場景中，比如在客服與營銷環節，為業務經營帶來更多降本增效？如何在使用大模型時，保護企業數據的產權與隱私？如何降低大模型的使用成本？這些都是企業管理者需要考慮的現實問題。

最近，OpenAI給ChatGPT API增加了函數調用能力，這意味著大模型也能使用工具了。自己不具備的能力，可以靠各種第三方服務嘗試解決，大大增加了通用大模型解決問題的能力。

大語言模型代表人工智能的發展已經達到了一個新的高峰。用大量數據預訓練的模型也推動機器視覺、語音識別、機器人等AI能力發生新的突破。

大語言模型不僅懂多種人類語言，還掌握多種程序語言，還可以幫助程序員寫代碼。我們打造了騰訊云新一代AI代碼助手，實現AI對代碼的理解，輔助程序員編寫、排錯與測試，為軟件研發的全流程助力，提高開發效率與代碼質量。

大語言模型不僅能與人溝通，更重要的是通過模型的精調，可以按需求產生一系列的執行步驟，比如聯網調用不同插件的能力，加上多模態讓AI同時能看懂圖、聽懂話、會規劃、能行動，這樣就可以做出更強大的應用，讓AI更像真正意義上的智能助手，完成更高級的任務。

比如線上廣告投放員，每天需要刷新大量廣告素材，確保廣告投放的ROI。如果結合廣告效果數據與文生圖能力，可以不斷地根據數據分析，生成投放策略，調整投放渠道，并且針對性的生成投放素材，自動化程度與效率都會更高。

企業應該如何擁抱AI？

事實上，不管哪個行業都應該積極擁抱AI，過去的研發、生產、銷售、服務等環節中，都有很多依賴人來判斷、協調與溝通的地方，今天我們應該看下哪些環節可以疊加AI的生產力來提質、降本與增效。

既然大模型這么重要，在座的企業家與管理者，可能也會問我們如何把它用在企業上，抓住技術變革的紅利？

我可以給企業管理者一些建議：

第一，聚焦企業自身業務，挑選具體場景，讓AI成為服務的增量；

第二，確保訓練數據質量，梳理出測試用例，建立上線評估流程；

第三，確保服務合規，同時關注數據的產權與隱私；

第四，使用云廠商工具，搭建一體化的模型服務，這樣效率比較高，節約訓練、運維的成本和時間。

在具體實施中，模型、數據和算力是大家需要格外關注的三個點。

首先是模型。雖然大家對通用大語言模型的聊天機器人期待很高，但它不是唯一的大模型服務方式，也不一定是滿足行業場景需求的最優解。

目前，通用大模型一般都是基于廣泛的公開文獻與網絡信息來訓練的，上面的信息可能有錯誤、有謠言、有偏見，許多專業知識與行業數據積累不足，導致模型的行業針對性與精準度不夠，數據“噪音”過大。

但是在很多產業場景中，用戶對企業提供的專業服務要求高、容錯性低，企業一旦提供了錯誤信息，可能引起巨大的法律責任或公關危機。因此，企業使用的大模型必須可控、可追溯、可修正，而且必須反復與充分測試才能上線。

我們認為，客戶更需要有行業針對性的行業大模型，再加上企業自己的數據做訓練或精調，才能打造出實用性高的智能服務。企業所需要的是，在實際場景中真正解決了某個問題，而不是在100個場景中解決了70%-80%的問題。

另外，訓練數據越多，模型越大，訓練與推理的成本也越高。實際上，大部分的企業場景可能也不需要通用AI來滿足需要。因此，如何在合理成本下選擇合適的模型，是企業客戶所需要思考與決策的。

其次，數據是大模型的原材料。針對具體場景，相關數據的覆蓋與質量都至關重要，標注數據的管理也是模型迭代中的重要工作。

模型最終要在真實場景落地，要達到理想的服務效果，往往需要把企業自身的數據也用起來。在模型研發過程中，既要關注敏感數據的保護與安全合規，也需要管理好大量的數據與標簽，不斷測試與迭代模型。

再次，算力是模型持續運轉的基礎。高性能、高彈性和高穩定的算力，需要借助專業的云服務。

在大模型的訓練和使用過程中，需要大量異構算力的支持，對網絡速度與穩定性要求也很高，加上GPU服務器比一般服務器穩定性更低一些，服務器的運維、問題的排查更頻繁，整體運維的難度與工作量會高很多。

在訓練集群中，一旦網絡有波動，訓練的速度就會受到很大的影響；只要一臺服務器過熱宕機，整個集群都可能要停下來，然后訓練任務要重啟。這些問題會使得訓練時間大大增加，投入在大模型的成本也會飆升。

騰訊能做些什么？

基于這些企業現實問題和需求的思考，就在前兩天，騰訊也正式公布了騰訊云MaaS服務全景圖。

基于騰訊云TI平臺打造的行業大模型精選商店，將覆蓋金融、文旅、政務、醫療、傳媒、教育等10大行業，提供超過50個解決方案。在這些能力模型基礎上，客戶只需要加入自己獨有的場景數據，就可以快速生成自己的“專屬模型”。

我們也推出基于騰訊云TI平臺的行業大模型精調解決方案，幫助模型開發者與算法工程師一站式解決模型調用、數據與標注管理、模型精調、評估測試與部署等任務，減輕創建大模型的壓力。我們也可以通過TI平臺實現模型的私有化部署、權限管控和數據加密等方式，讓企業用戶在使用模型時更放心。

在算力服務上。騰訊云所提供的穩定計算、高速網絡與專業運維，可以為算法工程師大大減輕設備運維的壓力，讓他們把精力放在模型的構建與算法的優化上。

騰訊云也打造了面向模型訓練的新一代HCC（High-Performance Computing Cluster）高性能計算集群。其搭載最新次代GPU，結合多層加速的高性能存儲系統，加上高帶寬、低延遲的網絡傳輸，整體性能比過去提升了3倍，獲得了很多客戶的高度認可，幾家大模型獨角獸，都與騰訊展開了算力合作。

在計算集群的“硬實力”之外，騰訊最近也推出了更適合AI運算的“軟能力”——向量數據庫，它能更高效地處理圖像、音頻和文本等非結構化數據，支持單索引10億級規模，比單機插件式檢索規模提升10倍，數據接入AI的效率也比傳統方案提升10倍。

毫無疑問，AI對世界的改變，一定也是通過與產業的融合實現的。機器決策、自主生成、自然交互等一系列變革，推動產業實現更高效率、更低成本、更好體驗和更大創新。未來的企業，也將向智能原生進化。

關鍵詞：