政企市場，「觀望」AI大模型_風聞

 

 

數據安全等“剛需”下，私有化成為政企市場的准入門檻，然而私有化下，行業模型侷限性尚未可知，加之信創化等因素，廠商仍需取長補短，為政企客户提供全方位的解決方案。

作者|鬥鬥

編輯|皮爺

出品|產業家

 

政企領域，似乎正在成為AI落地的又一標的。 

幾個最新的動態是：新華三針對政企客户發佈私域大模型“百業靈犀”LinSeer、中國電科發佈專為黨政企行業用户服務的AIGC大模型“小可”、百應科技發佈政務行業專有大模型“萬機”……百度智能雲、阿里雲、三六零、科大訊飛、商湯等也都在針對政企客户，發佈了相關產品和解決方案。 

這一趨勢同樣發生在海外。有消息稱微軟正在使用其 Azure 雲服務把 OpenAI 的強大的語言生成模型引入政府機構，這些模型包括 OpenAI 最新、最先進的大型語言模型（LLM）GPT-4以及 GPT-3。 

然而，**從國內發佈政企大模型的各大廠商的動作來看，並未有較多的落地案例。**背後的原因有很多，一是產品發佈時間短，無法及時得到較大反饋；二是由大模型引起的AI熱潮還處於爆發期，政企對於合作廠商的選擇還需考量。 

除了這些因素之外，幾個關鍵的問題是，這些廠商針對政企客户發佈的AI產品，真的是政企所需要的嗎？再或者，於政企而言，其需要什麼樣的AI產品與服務？ 

 

一 、政企市場，“觀望”AI 

“我們接觸的客户都在探索這方面的內容，政企會有這方面的訴求。”某業內人士告訴產業家，“但對於AI大模型在政企領域的應用，大家都處於觀望+探索的階段。” 

在國內，政企普遍體量大、業務複雜、定製化要求高，有着沉重的IT建設包袱，各部門、業務之間難以協同，數據壁壘也難以打破，這使得政企的數字化轉型困難重重。 

而大模型可以把人與人、人與機器之間的交互過程數據完整的沉澱下來，讓它自主學習進步，持續演進。杜絕了過去的煙囱式建設，降本增效的同時還能推動政企數字化進程。 

這種技術應用的趨勢，推動着諸多廠商開始將自身的TOG產品與大模型結合。 

不過客觀來看，當下雖然深耕AI產業鏈的玩家眾多，但在政企領域，出於對算力、行業專業度、數據安全、國產化等各方因素的考量，廠商難以給出合適的AI解決方案。 

AI大模型作為數字化的新基建，如何賦能行業仍需不斷探索、實踐。很多企業也在不斷進行新的嘗試。 

周鴻禕曾在微博上發文表示，“**大型企業或者政府要私有化大模型。**即在加入公有GPT知識和能力的基礎上，再訓練一個私有的GPT，只給企業自己或客户使用。” 

與周鴻禕有相同見解的，還有新華三安全產品研發總監韓小平。 

“政企大模型一方面數據不能出域；一方面需要結合其業務場景數據進行餵養訓練，生成實際的業務場景App。” 

他認為，政企大模型技術本身其實不是唯一考量的因素，更重要的是對用户業務的理解。政企AI服務，行業Know-how仍是關鍵，沒有政企業務服務經驗的廠商，難以結合大模型設計出個性化的解決方案。 

兩人都將政企AI大模型的落地方式瞄準了私有化。 

 

二 、私有化，會是一個好的選擇嗎？ 

“全面禁止使用ChatGPT”這句話時不時就會喜提科技榜熱搜，最近一次的主角是三星。 

具體源於三星允許半導體部門的工程師使用ChatGPT參與修復源代碼問題。 但在過程當中，員工們輸入了機密數據，包括新程序的源代碼本體、與硬件相關的內部會議記錄等數據。 

起初三星全面禁止使用ChatGPT，自3月11日開始才部分開放給DS部門使用，卻沒想到在短短時間內就傳出機密外泄。 

諸如此類機密數據泄漏事件，層出不窮。 

在海外市場，蘋果、三星、摩根大通、花旗銀行等知名企業都曾明確表示，禁止或限制員工在工作場合使用ChatGPT等大模型產品。 

事實上，大模型的底層邏輯是將行業數據標註出來進行深度學習，訓練出專注於某一行業的垂直模型。這也意味着，企業的數據要集成到通用大模型的數據池中。 

然而，政企的數據大多涉及商業機密、個人隱私等問題，對數據安全要求甚高。 

所以，數據不出域，成為關鍵。而私有大模型無疑是政企的必選項。 

不過，私有化意味着需要政企客户自己收集數據進行訓練。一般情況下，AI決策的及時性和準確性，取決於數據質量、數量以及算力。這意味着輸入預訓練模型的數據維度、數量越多，質量越高，才能真正發揮大模型真正價值。 

一個有爭議的點是，專業廠商打造的私有模型，比起通用大模型的能力，能否滿足政企需求。 

3月30日，彭博社創始人布隆伯格發佈了一片論文，即BloombergGPT: A Large Language Model for Finance。 

在論文中，介紹了其以模3630億token的金融領域數據集以及3450億token的通用數據集訓練出來的金融大語言模型。並進行金融領域評估與通用領域評估。 

結果顯示，在金融領域任務上，該模型綜合表現最好；在通用任務上，該模型的綜合得分同樣優於相同參數量級的其他模型，並且在某些任務上的得分要高於參數量更大的模型。 

這意味着，基於專業領域語料訓練的大模型，在領域內的理解要超過通用大模型。 

一個啓示是，在其他特定領域，也可以開發專用的大語言模型，並且效果可能比通用大模型更好。 

然而，這個評估實驗的結論仍無法代表所有行業，有些問題仍需要被正視，例如中外金融數據維度、質量其實有着較大的差距，該金融模型作為第一個行業模型，更換不同維度、質量的數據，能否保持其結論的準確性，還未得知。 

另外，除政務系統、城市大腦以及金融等數據敏感的政企場景，其他終端場景，通用大模型的語料數據仍有很大優勢。 

所以，對於政企而言，其需要的AI服務是能在保證數據安全的同時，還可以能集成通用大模型作為能力補充。 

 

三 、政企大模型，亦需“羣戰” 

術業有專攻，大模型能力同樣如此。 

在政務AI大模型應用方面，周鴻禕曾直言，預測未來中國不會只有一個大模型，每個城市、每個政府部門都會有自己的專有大模型。 

信創化的浪潮下，全技術棧的國產化已經成為服務政企客户的准入門檻。所以對於政企而言，信創生態能力成為其選擇廠商的重要標準。 

目前來看，能實現全技術棧國產化的AI大模型廠商屈指可數。能否吸引更多信創夥伴成為關鍵，取長補短，或將實現雙贏。 

此外，在國產化的基礎上，不同的場景應用，也需要與不同的廠商合作，例如互聯網雲廠商在終端軟件應用的優勢；運營商的網絡優勢；華為在芯片、系統上的優勢。 

除了基於客户需求的合作，還有來自算力等資源稀缺所帶來的壓力。 

AI新一輪熱潮襲來，服務器需要配備大量GPU/NPU/FPGA/ASIC等芯片以支持高算力，但就目前來看，算力不僅價格高昂且資源緊張。 

目前，支撐包括ChatGPT大模型在內的95%用於機器學習的芯片都是英偉達的A100（或者國內使用的替代產品A800），該芯片的單價超過1萬美元。此外，英偉達最新一代的H100芯片的性能也遠超A100，但價格也更高，約合25萬元人民幣。 

而在取長補短的AI大模型產業生態下，將大幅度杜絕模型的重複搭建、實現數據的重複利用，大大節約算力資源利用率。同時還可以減少政企客户的AI部署成本。 

所以，對於佈局政企大模型的廠商而言，在私有化的前提下，通過開源、API接口等形式，以通用大模型和客户或自身集成的數據，幫助客户調教模型，形成定製化的AI產品，或將推動政企大模型快速落地。 

一些廠商也正在驗證了這種路徑的可行性。 

例如中國電科面向黨政企，提供“通用智能模型大循環 + 行業智能模型小循環”雙循環、“模型訓練 + 測試評估 + 場景精調 + 可信增強”四階段的行業應用新範式。 

再比如，新華三面向政企發佈的百業靈犀LinSeer既支持“私域大模型+新華三ICT基礎架構”的模式保障數據安全，也支持“客户自選大模型+新華三ICT基礎架構”的模式滿足多種需求。 

政企AI服務的走向逐漸清晰，即政企或許更需要“自助餐”式的服務模式。客户可以選擇適合自身需求的芯片、模型技術方、數據集成方、軟件廠商等。 

經歷過多次寒冬的AI，能否抓住這次時代的機遇，仍需時間來驗證。