北京讯 – 在人工智能大模型技术日新月异的今天，企业纷纷寻求将其应用于实际业务场景，以提升效率、降低成本并实现创新。然而，仅仅依靠一个如DeepSeek这样的大模型，是否足以满足企业复杂的AI落地需求？神州数码集团副总裁谢国斌近日在接受采访时给出了否定的答案，并提出了“AI for Process”的理念，强调技术叠加、优化部署和智能体协同框架的重要性。
大模型落地：机遇与挑战并存
DeepSeek等国产大模型的涌现，无疑为中国企业拥抱人工智能提供了强大的技术支撑。这些模型在自然语言处理、图像识别、代码生成等领域展现出卓越的性能，为企业提供了前所未有的可能性。
然而，将这些强大的模型成功落地到企业内部，并非易事。谢国斌指出，企业在AI落地过程中面临诸多挑战：
- 数据质量与安全： 大模型需要大量高质量的数据进行训练和微调，而企业内部数据往往存在质量参差不齐、格式不统一等问题。同时，数据安全和隐私保护也是企业必须高度重视的问题。
- 算力成本： 大模型的训练和推理需要大量的算力资源，这对于许多企业来说是一笔不小的开销。如何优化模型部署，降低算力成本，是企业需要认真考虑的问题。
- 人才缺口： AI领域的人才缺口依然巨大，企业需要具备既懂技术又懂业务的复合型人才，才能有效地将大模型应用于实际业务场景。
- 业务流程整合： 如何将大模型无缝地整合到企业现有的业务流程中，并使其真正发挥作用，是企业需要认真思考的问题。简单地将大模型作为一个独立的工具使用，往往难以取得理想的效果。
- 可解释性与信任： 大模型的决策过程往往难以解释，这给企业的风险管理带来了挑战。如何提高模型的可解释性，建立用户对模型的信任，是企业需要努力的方向。
“AI for Process”：从工具到流程的转变
针对上述挑战，谢国斌提出了“AI for Process”的理念，强调企业应该将AI视为一种流程赋能工具，而非仅仅是一个独立的解决方案。这意味着企业需要：
- 重新审视业务流程： 识别哪些流程可以通过AI进行优化和自动化。
- 选择合适的技术组合： 根据不同的业务需求，选择合适的大模型、小模型以及其他AI技术，进行技术叠加。
- 优化模型部署： 采用模型压缩、量化等技术，降低算力成本，并根据实际需求选择合适的部署方式，如云端部署、边缘部署等。
- 构建智能体协同框架： 将不同的AI模型和工具整合到一个统一的框架中，实现智能体之间的协同工作，从而更好地解决复杂的业务问题。
技术叠加：打破单一模型的局限
单一的大模型往往难以满足企业复杂的业务需求。谢国斌强调，企业需要采用技术叠加的方式，将不同的AI技术进行整合，以实现更好的效果。
例如，在客户服务领域，企业可以将大模型用于自然语言理解和生成，小模型用于知识库检索和问答，再加上RPA（机器人流程自动化）技术，实现客户服务的全流程自动化。
- 大模型： 负责理解客户的意图，并生成相应的回复。
- 小模型： 负责从知识库中检索相关信息，并提供给大模型作为参考。
- RPA： 负责执行一些重复性的任务，如查询订单状态、修改客户信息等。
通过技术叠加，企业可以构建一个更加智能、高效的客户服务系统，从而提升客户满意度，降低运营成本。
优化部署：降低算力成本
大模型的训练和推理需要大量的算力资源，这对于许多企业来说是一笔不小的开销。谢国斌建议企业采用以下方法来优化模型部署，降低算力成本：
- 模型压缩： 通过剪枝、量化等技术，减少模型的参数量和计算量，从而降低对算力的需求。
- 知识蒸馏： 将大模型的知识迁移到小模型中，从而在保证性能的同时，降低算力成本。
- 边缘部署： 将模型部署到边缘设备上，如服务器、智能手机等，从而减少对云端算力的依赖，并提高响应速度。
- 混合部署： 根据实际需求，选择合适的部署方式，如云端部署、边缘部署等。例如，对于需要实时响应的业务，可以选择边缘部署；对于需要处理大量数据的业务，可以选择云端部署。
智能体协同框架：构建统一的AI平台
为了更好地管理和使用各种AI模型和工具，谢国斌建议企业构建一个智能体协同框架。该框架可以：
- 统一管理： 将不同的AI模型和工具整合到一个统一的平台中，方便管理和维护。
- 协同工作： 实现智能体之间的协同工作，从而更好地解决复杂的业务问题。
- 数据共享： 实现数据在不同智能体之间的共享，从而提高模型的训练效果。
- 权限控制： 对不同的用户和智能体进行权限控制，确保数据安全。
- 监控与告警： 实时监控智能体的运行状态，并在出现问题时及时发出告警。
通过构建智能体协同框架，企业可以构建一个更加灵活、高效的AI平台，从而更好地支持业务发展。
神州数码的实践与探索
作为国内领先的数字化转型服务商，神州数码在AI落地方面积累了丰富的经验。谢国斌介绍，神州数码正在积极探索“AI for Process”的落地实践，并取得了初步的成果。
例如，神州数码与某大型制造企业合作，利用AI技术优化其生产流程。通过将大模型用于质量检测、小模型用于设备故障预测，再加上RPA技术，实现了生产流程的自动化和智能化。
- 大模型： 负责检测产品质量，并识别缺陷。
- 小模型： 负责预测设备故障，并提前发出预警。
- RPA： 负责执行一些重复性的任务，如调整生产参数、发送维修指令等。
通过该项目，该制造企业显著提高了生产效率，降低了生产成本，并提升了产品质量。
此外，神州数码还与某金融机构合作，利用AI技术优化其风险管理流程。通过将大模型用于欺诈检测、小模型用于信用评估，再加上知识图谱技术，实现了风险管理流程的自动化和智能化。
- 大模型： 负责检测欺诈行为，并识别潜在的风险。
- 小模型： 负责评估客户的信用等级，并提供相应的建议。
- 知识图谱： 负责构建客户关系网络，并识别潜在的关联风险。
通过该项目，该金融机构显著降低了风险损失，提高了风险管理效率，并提升了客户体验。
展望未来：AI助力企业数字化转型
谢国斌表示，随着AI技术的不断发展，以及企业对AI的认知不断深入，“AI for Process”将成为企业数字化转型的重要驱动力。
未来，企业将更加重视AI与业务流程的深度融合，将AI技术应用于更多的业务场景，从而实现业务的全面升级。
同时，企业也将更加重视AI的可解释性和安全性，努力构建更加可信、可靠的AI系统。
神州数码将继续深耕AI领域，不断探索新的技术和应用，为企业提供更加优质的AI解决方案，助力企业实现数字化转型。
结语
企业落地AI大模型，仅仅依靠一个DeepSeek远远不够。企业需要采用“AI for Process”的理念，通过技术叠加、优化部署和智能体协同框架等方式，将AI技术与业务流程深度融合，才能真正发挥AI的价值，实现数字化转型。神州数码的实践与探索，为企业AI落地提供了有益的借鉴。随着AI技术的不断发展，我们有理由相信，AI将在企业数字化转型中发挥越来越重要的作用。
参考文献
- DeepSeek 官方网站：https://www.deepseek.com/
- 神州数码官方网站：https://www.digitalchina.com/
- 《人工智能：一种现代方法》（Artificial Intelligence: A Modern Approach）
- 《深度学习》（Deep Learning）
- 《机器人流程自动化》（Robotic Process Automation）
致谢
感谢神州数码谢国斌先生接受采访并分享宝贵观点。
Views: 6