AI迎来了全新的发展和变局。

继AlphaGo出现后，AI领域许久未有如今的火热的程度。大模型浪潮已经火遍全球。越来越多的企业涌入大模型赛道，英伟达的CEO黄仁勋直言：这是AI的Iphone时刻。

但热闹喧嚣的背后，已有不少人理性下来，当下的工作里如何利用好大模型？现在的大模型如何与产业结合？大模型究竟会对企业产生哪些影响？

带着这些问题，我们本期的AI系列数智工坊走近了明略科技，并邀请到明略科技集团首席技术官（CTO）郝杰、明略科技高级副总裁、品牌与市场部负责人刘静进行观点分享。

除此之外，我们特邀中城环境数字化院长吕德彬、蜀海供应链CIO刘志彬、Kappa全渠道总监慕涛涛、中建一局工程研究院智慧建造研究所负责人阎斌、肆拾玖坊CDO张鹏、墨点狗智能科技（东莞）有限公司副总裁梁骁一同参与此次的交流活动。

在会上，他们分别阐述了自己的观点：

明略科技集团首席技术官（CTO）郝杰表示：大模型可以增强或替代实体和关系提取的一些NLP算法，提高准确率、降低图谱构建的成本，反过来，知识图谱也可以用来重新训练大模型，这样，显式的知识（图谱）和隐式的知识（大模型）就可以双向迭代、互相提升。此外，企业可以利用业务中积攒下来的垂直领域的数据和知识去微调、重新训练通用大模型，获得自己的行业大模型，取得效果提升或更好的逻辑性、专业性、真实性。明略科技借鉴大模型训练的优秀算法，为客户定制出一些中小型垂直领域模型，充分发挥大模型的泛化能力或智慧涌现。

明略科技集团高级副总裁刘静也分享了自己的观点。刘静提到：在智能时代，营销人员面临处理更多海量信息、针对目标客户在不同渠道进行精准营销等挑战。在此背景下，AIGC技术的普及与应用将会革命性的提高企业营销效果和效率。大部分初级内容生成工作将会由AI完成，但营销创意是要富有情感的，当前，也只有人类才可以做出有情感认同的内容。

另外，中城环境数字化院长吕德彬认为：AI技术正以前所未有的速度向我们工作生活的方方面面渗透，成为我们的助手、导师和朋友，其影响将越来越深，越来越广。但前面的路还很长，还有许多专业领域的“小模型”需要建立，只有把AI技术与专业技术及大数据、云、物联网等其他工具高度融合，才能打造出理想中的“小模型”。

Kappa全渠道总监慕涛则表示：AI智能做为能够人机对话的入口，可以链接众多相关业务系统进行对应策略的高效精准执行，同时AIGC让人看到更多优质内容的产生使得精准智能营销更加高效便捷。。

中建一局工程研究院智慧建造研究所负责人阎斌则提到：在现有的建筑行业知识库的基础上，搭建深层次建筑行业知识图谱模型，结合大模型运算，进行建筑行业管理数字化判断决策，助力建筑行业数字化转型。

肆拾玖坊CDO张鹏认为：对于AI技术我们做为零售企业需要小切口场景化引入企业实际业务中，结合技术产品服务伙伴一起不断尝试优化，使其服务于企业数字化智能化战略中，借力AI实现数字化变革。

墨点狗智能科技（东莞）有限公司副总裁梁骁分享到：在 AI 产业化应用之路上，大模型可能不能完全替代垂直行业的“小模型”，而是要想办法将大模型和细分行业模型进行有机结合。

以下内容为活动部分实录，经数字时氪编辑整理：

主持人：欢迎大家来到数智工坊—走近明略科技。这一次我们的主题和最近大火的AI相关，首先请大家做下自我介绍吧。

郝杰：非常荣幸在这儿跟大家一起交流，我叫郝杰。

今天恰好是我加入明略两周年纪念日，我是两年前的今天加入的明略科技。之前我在oppo做了整整三年的语音语义相关工作。

在此之前，我在58同城工作了将近两年，也是技术方面的工作。我的第一份工作是在东芝中国的研发中心，前半段是做语音技术方面的工作，后来又做了语音翻译，就把语音和语义打通了，把语音的识别和合成和机器翻译联系起来。

我大概的经历就是这样，主要是做这些研发。

刘静：我顺着郝杰老师提到的来讲，两年前我们盛情且重大的邀请郝杰老师加入明略，其实我们在NLP相关的技术做了非常多的投入，事有两面，一方面我们积累了非常多的经验，也就是在小模型领域，其实小模型需要在一些基础的功能能力上发挥它的价值，大模型一来，我反倒觉得之前我们两年里的很多投入有浪费的地方，但更多时候是能在大模型的加持下继续发展，这2年技术的发展和我们的理想相match，所以我们挺想在这方面有所建树，我觉得此前的一些积累让我们对客户和场景的理解有了更多的想法和一点点的先发优势。

所以恰好36氪有这样的栏目，我们也非常开心能跟大家交流一下，看看我们真正在哪个领域里面能够将大、小模型结合去做一些东西。

我介绍一下我自己，我叫刘静，现在是加入明略科技的第10年，我有几个标签。

第一，我学的是建筑工程，所以我现在的同学都是在各大设计院、研究院或者是地产公司，所以在建筑领域比较熟悉。

第二，为什么我学了这么长时间之后做了市场营销，其实也是有点小故事的。其实天津大学的钢结构是国内比较领先的，尤其球型节点，如果大家学过这个领域，里面的刘锡良教授，大家可能会知道。其实我是他的关门弟子，有幸因为他核验过鸟巢的门式钢架，结果我就不理解它凭啥就敢叫鸟巢？后来我在小组设计当中发现我更擅长给建筑空间命名，这跟做品牌营销比较类似，实际上我们的软件产品就是让工作更高效，但首先会给它命名，赋予概念、意义，这方面的工作适合我，我喜欢做这方面事。

17年前我就开始做做市场营销、品牌公关相关的活动。后面我认识了我们的创始人吴明辉。

其实在今天，我不太懂垂直领域的CIO、CDO的内心在想什么，也趁此机会和大家交流下。作为市场营销岗的我是焦虑的，今天我就是想跟大家稍微聊一聊从技术视角是怎么看待这个事的。

张鹏：我是肆拾玖坊的张鹏，我们的公司是联想人创立的，我们肆拾玖坊的合伙人基本都是联想的，其实49个创始人都是差不多的背景，所以这家公司叫肆拾玖坊，主要做白酒，做酱香白酒。

我这公司是2015年创立的，到今年9年时间，主要是在做圈层性营销，我们的标品就5款，这5款是全国性销售。

我们有140多家一级经销商，我们的经销商只卖我们的酒，经销商的老板通常都是我们总部的股东，当然后面一些也有不是我们的股东。

我之前一直在做商超百货和品牌商，也做过4年的电商。

我也是做技术出身的，其实技术可以辅助业务。现在我也在看AI到底能干什么，其实这个事情我也要跟大家去探讨。

另外一部分，我上周还跟老板在聊，我们也在推AI，其实我们很多大量的设计和营销海报是人做的，我现在可以用机器来做，但是还有一个问题，因为我每次描述背景，机器总会把一些元素丢掉，就很头疼。

现在的AIGC在我们实际业务中能起到的作用是什么？我知道很多在南方的游戏公司现在把初、中级的插画师全部解聘了，只留下高级插画师，究竟它能替代的是初级岗位还是有什么样的应用场景是我们没有讨论出来的或者有一些还没想明白的。

闫斌：我以前是做施工的，后来转做设计。

目前我们在搭整个智慧建造平台，现在只是停留在把线下的流程放到线上，但是更深层次的内容和数据还没有涉及到。这个事情在2016年的时候其实就被提出来，我们想先打下基础，利用基础框架把整个管理体系形成数据流、工作流、业务流，利用整体框架打通这些内容，实际上还是挺费劲的。所以目前正在做这方面的研究。

现在AI我们也再关注，我们在想一些图纸的内容和核心数据是不是可以被提炼出来，之后进行辅助决策，包括进行数据分析等等可以节省很多人力。但现在没有一个很好的方法，所以也希望这次来一起学习一下。

梁骁：我分大概三块来介绍，首先我在一家小米生态链公司名叫谷仓创业学院工作过，这是一家小米系的做培训和咨询的公司。

后来我在Indiegogo工作，Indiegogo是全球第二大的海外众筹平台，我当时在这个平台是招商负责人。

我是最焦虑的一个人，因为我总是要在不同的公司当中找到一个我的位置，我之前是帮学员企业对接一些资源，后面我在这个平台里面找到好的产品公司。我就在想如果AI现在这么厉害的话，那可能接下来我的求生之道就会受到影响。这时，我就想要么我去到一家做大模型的公司里面共同成长，但明显我的能力是不足的。

反过来那么哪个行业离AI最远，还没有那么快被AI所变革？可能建筑行业相对来说变化程度是比较慢的。我作为一个年轻人对这个行业的认知就是有很大的降本空间，所以肯定还是要不时的跟业内的创业企业或者科技集团、科技公司做一些交流。

因为首先我比较懂电商，我大概知道电商在哪些方面有可能会跟AI有交集。另外我现在所在公司的建筑板块这个行业里面，它的降本增效空间非常大，它需要的不应该只是AI技术本身。

我们创始人提了一个词很有意思，现在有一些建筑科技的创业公司试图在马车身上装自动驾驶系统，而这件事本应该是先让开马车的人开上汽车，再将汽车上装自动驾驶系统，所以就这个事我想跟各位专家做一些交流。

慕涛：大家好，我叫慕涛，说到跟明略的渊源，其实我最早知道明略是因为秒针。因为当时在阿里的时候，身边很多同事是从秒针出来的。我现在负责Kappa集团的会员数字化增长和运营，这里面涉及到CDP、MA这些系统，明略作为这些产品的服务商，我们慢慢的接触。

我们这两年作为鞋服品类在数字化上做的还是比较扎实的，现在对于用户的四个维度都做的比较细了，包括人口学标签、消费统计类标签、心理学标签以及最简单的会员属性的标签。

大家谈到AI都表现是焦虑，我反而正好相反，因为在真正了解AI以后，我觉得它对我的工作包括团队都是非常有帮助的，现在的软件包括小程序、商城等，其实所有系统都特别复杂，可能一个系统至少有几百个操作的动作或者界面。

可能部门负责人一个系统也不会操作，所以需要养大量的人，但是AI出来以后，我就觉得以后可能不需要再找一帮人了，我只需要把明确的业务需求以文字的形式输给他，那么它应该有调动每一个系统的能力，因为AI最大的进化就是能听懂人在说什么。所以我觉得AI对脑力工作者其实是一个更高效的助手。

我觉得我了解完最近的GPT还有AI的内容以后，我反而不焦虑了，我对业务管理或者高效工作反而更加充满信心，我还是挺看好。

吕德彬：我叫吕德彬，我们公司中城环境是中国建设科技集团旗下的一个公司，中国建设科技集团是一个设计单位，原本是属于住建部下属的一个设计院吧，但是后来因为一些政策慢慢脱钩了。当时按照住建部的要求和规划，把当时住建部旗下的有四、五家单位一起组合成立了一个集团—中国建设科技集团，这个集团有几大块业务，建筑是它最大的一块（建筑设计），第二个板块是市政行业，包括城市污水处理等。我在的板块相当于第三大板块，环境治理。

这两年传统行业积极进行数字化转型，所以我们成立了数字化院，我现在负责数字化转型工作。

我现在有三方面的主要工作，一方面是传统的设计及DVC的数字化赋能。第二是企业的数字化信息平台的建设和维护。第三是依托原来的业务开拓一些新的方向，比如数字化业务、智慧平台等。

数字化在建筑工程或者整个工程建设行业应该是比较靠后的，跟其它一些行业相比差的很远。从信息化方面跟先进的行业相比还是差距挺大。

如果通过AI的技术，可以通过下一个指令，就能把事情做好，那这也是对工作效率的极大提高。

另外AI如果能帮我们把产业的逻辑梳理出来，再由人工做调整，工作量降低，效率提高了，也不用担心人才流失了。

我们这个行业属于传统思维，体量又大、人又多，传统惯性特别大，我们这几年也在积极学习一些前沿的技术。

主持人：刚才听到大家讲的更多是降本增效，尤其是与各个产业结合进行提效。郝总这边从技术的角度上来看的话，现在大模型技术在产业里面具体应用的情况是怎么样的？

郝杰：回答这个问题之前，我对这一圈自我介绍的感受，顺着今天这个话题，我也想把自己假设成明略GPT，我是一个大语言模型，大家每个人都在介绍，介绍的内容中除了自己的背景介绍、业务介绍，其实大家也提出了问题，而且大多数情况下大家也给出了回答。

其实我听的过程中，这就是一块一块非常高质量的语料。大模型就是在收集地球上所有的资料，当然它是在OpenAI的协助下只看高质量的资料，忽略低质量的资料。

这些高质量的材料中自然就包含着很多有价值的观点、素材、事实和方法论，虽然我猜目前可能没有建筑图纸，图纸恐怕要排的靠后一点，但不是说这个行业落后于其他行业，只是因为它太专业化了，非常垂直化、专业化的东西恐怕OpenAI要把它排在后面。

排第一的其实就是营销。刚才其实每个人也都快速的营销了一下自己和所在的企业。为什么营销排第一呢？因为OpenAI是爬取收集互联网上公开的资料，营销这个领域天生就是要公开的，营销的内容就是要公开的。因为营销的本质其实就是教育用户用新的方式、新的商品、新的服务把生活提升的更加美好，这是不变的，营销的本质永远是不变的，大模型也改变不了营销的本质，但是它能改变营销技术的方式方法。

第二点，大模型是通用化为先还是专业化为先？大家肯定感觉到是两者一定要结合，没有通用化，大模型也谈不上突破，垂直领域的大模型受益于通用大模型，但没有专业领域的知识含量、密度逐步提升帮助到通用大模型，也没办法被行业应用。

到了实际落地场景，大家都希望都把流程简化，提高效率。所以通用的大模型首先能够覆盖全行业，改善人机交流、人机协同工作的效率。部分人可能不会用新工具甚至会排斥新工具、新制度，但是如果有一种方式是用自然语言交流就能完成工作，相信没人会排斥，因为跟大模型的互动就是这个道理。

但是大家现在想到通用的大模型对业务改善很可能只是薄薄的一层，比如在人机交互界面处的改善，但是专业化的大模型应该是能够进入到业务场景的纵深区的。

比如明略这样的公司，我们现在没有通用大模型，以后也不打算从0到有训练出通用大模型，因为我们和Open AI不一样，其实Open AI也需要训练一系列的小模型经过组合给各行各业提供服务。

我们是直接站在大模型的肩膀上，利用它这么庞大的参数量，给我们提供了一个起点，在这个起点之上我们还有做各行各业营销服务领域沉淀下来的知识，通过这些知识重新训练大模型，训出来的结果是行业大模型，而且它的大小可能不会保持原来的规模了，可能从一千亿的参数变成一百亿、十亿的参数。

所以我们会为各行各业做很多个不太大的行业大模型，赋能到行业的各个场景中。

主持人:是否可以通过实际案例介绍下？

郝杰：那就再给大家通过举例的方式来讲，我们是做营销智能和营运智能的一家公司，营销就包括广告的投放，广告预算的计划，广告投放之后的效果监测，明略可能扮演一个广告市场上的裁判角色。

我们会把广告效果通过分析闭环来帮助公司在广告投放方面变得更有经验，同时可以通过明略选择一些KOL、KOC。如果把整个广告主或者客户算第一方，电商平台、直播平台，各种各样的媒体平台算二方，明略就是第三方，第三方要在各大媒体平台上去分析洞察客户的硬广告、软广告等，这些广告收到了什么反馈，通过大量的分析洞察之后，又能指引客户下一轮的新产品设计应该怎样，具体应该如何迎合哪一个人群或者是消费者的圈层，这样就能够做到千人千面的营销。

大模型来了之后，特别是行业大模型可以是营销GPT，也可以是Social GPT、Marketing GPT，现在市面上已经有很多这样的叫法了，这些东西能够极大降低千人千面的成本，让营销做的更加精准。

另外我们还有营运智能，我们现在针对一些快消品的连锁门店设计语音工卡、智能工卡，这不仅仅是一个写着名字的简单的塑料片，里面有我们的麦克风阵列，不仅仅是一个麦克风，有好几个麦克，可能在接待了30个顾客后，积累了30通口语话的推销的特点，收集的素材先做语音识别再做自然语言的理解，自然语言的理解这部分就可以替换成大模型了，原来是一系列的小模型，做的很精巧，但是效果比现在大模型还是要明显差一截的。

现在就能分析出这个店员有没有按照店长的培训进行输出，这样整体的生产效率就提升了，毛利率也就提升了，还有很多的社会效益。

这个语音工牌之后的阶段就是能够进行销售能力的挖掘洞察，总结金牌销售者的最佳话术，帮助店长做更加精准的培训，提升整个门店的成单率。

主持人：您对未来的prompt工程怎么看？

郝杰：对于prompt工程还需要用几年，我们每个人可以预测一下。

张鹏：我自己在用，因为本身我要让我的团队会用和我公司的人会用，我自己要先会用。但是怎么写好其实很麻烦的，因为现在它总会丢掉一个要素。

我举一个特别简单的例子，比如说我要画一幅画，这个画里面有一个北极熊，还有一个海豹，这个北极熊和海豹在冰原上，写的很清楚对吧，但实际画出来的内容一定会丢一个元素。

郝杰：中小模型，深度学习的模型走的是AI连接主义的路线，这条路线就没什么可解释性，说不清楚，跟之前的统计学和机器学习不一样。

现在深度学习大模型相当于把一些明显的知识压缩成一些无法解释的参数了，压到一个黑盒子里去了，所以确实会在各种场景会偶尔犯错，甚至不是偶尔，甚至是always。

这种情况下我觉得一个办法是再回归到符号逻辑的工具或系统上来，比如明略一直有一个技术标签是知识图谱，其实大模型就相当于黑盒化的知识图谱，知识图谱就相当于显示化之后的一个知识大模型，知识图谱如果已经被创建好且经过检验了，再让它去完成查询任务或推理任务，甚至是一个创新性的、创意性的任务，它也可以做到，而且不会不可控。

张鹏：对，这是一个问题，其实还有第二个问题，就是比如用机器作出十几版海报后，其实我也无法去判断这十几版的海报哪一版的效果最好？

郝杰：这也是我们广大用户共同提到的。

张鹏：一定会出现这个问题的，因为这十几版没有一个是一样的，所以你无法用固定的一些关键词去描述它，所以我很难用任何的标签去匹配它。

郝杰：营销过程中，就投放内容有两个不确定性，张总说的是投前，你即将把这几幅图或者这一篇文章委托给KOL了，事前你并不知道哪一篇会火。还有一个事后的不确定性，可能10篇里第3篇和第7篇一下被变成爆款了，但你也分析不清楚另外的几篇为什么就不火。

所以现在明略特别是秒针有很多各行各业的大客户提过来需求中重叠的一点就是希望明略能够提出一种方法，无论是大模型和传统方法结合，哪怕是事后分析出反馈比较好的原因是什么，它的归因分析是什么，这也是给我们的一个新课题。

张鹏：实际上现在很多人是不敢用AI的，因为大家比较困扰的是AI可能确实带来降本增效的效果了，但具体产出无法衡量，这其实是我最近发现的很不确定的一件事情。

郝杰：现在很多人都在观望，但是观望的心理焦虑程度不一样，像这些做快消品的更加焦虑，但像搞建筑的，他们没有那么焦虑，因为那些专业知识要到网上本来就要晚几年，所以建筑行业没有很迫切的要用AI营销或者做归因，因为如果要降本增效的话，也未必非是大模型不可，其实建筑行业里也有建筑知识库。

吕德彬：确实可能会有随时查看的功能，但是我们希望能够实现发出指令之后就自动生成了。

郝杰：就相当于看图说话，已经给写好总结了。

吕德彬：对，我们就是看它做的对不对，但就是刚开始入行的时候你要学，以后都很熟练了，不需要中间过程。

郝杰：这个点就非常有意思了，其实OpenAI自己也知道大模型出来之后，最立竿见影的场景就是做摘要，刚才吕总说的，就是给建筑图纸、建筑行业的一些文档做出人轻松就能看懂的比较短的摘要出来，所以各行各业有早有晚，但是晚的行业抓到大模型的应用的点往往也是效果最突出的点，所以并不怕晚，只要能受益就可以了。

刘静：我顺着刚才提到的摘要这一点说，我是一个营销的从业者，我对prompt的感觉或者是对AIGC的感觉，我有一个观点，我觉得最开始我也判断不了AI能不能用，但现在我坚定地认为市场的营销人员从此时此刻开始就必须积极拥抱，强迫自己使用，因为它真正有价值到来的时刻是非常快的。

我觉得市场营销人员大胆的用，你只要人机同行就行，不要全部依赖它，加上人为判断就可以。我觉得未来很短时间就会进入机器为主的时期，而今天这个时期是人机同行的。

第二点，甲方市场部本身的工作模式此时此刻就要发生转变了，现在除了蓝标把外包都停止了，各大公司都停止了。原因就是工具人的问题。在这个过程当中其实是工作模式变了，现在就是通过AIGC产出内容了。

尤其是大公司的市场部基本上都是以管理为主的，而不是以内容创作为主的，未来市场部的工作模式也会发生变化。一旦工作模式发生变化，prompt就成为当下最重要的，也是必备的技能。

第三个观点还是蛮有趣的，建筑行业可能还没有涉及到这个领域，但是营销领域会涉及到，以前在STP设计当中，基本是通过地域和人口学原理区分，比如说一线城市、二线城市或者男性、女性、收入结构、消费习惯等。

因为只有目标市场确定了，才能做业务设计，在什么市场卖什么东西，定价多少，业务设计是这样完成的。

前几年火起来的圈层营销，意义就在于我们依然认为乐趣是能够把一群人捆绑在一起的。前段时间我们做了一个有趣的事，就是奥妙洗衣粉，我们给圈层是穿汉服，然后我们把这两件事结合起来，这个事情一定是乐趣带来的。

然后您是有四大体系的标签都建立起来了，标签打散、重组，以乐趣为核心再重组一轮儿，把十张图按照您的这个让机器自动发出去，三分钟之后就有反馈了，您这十张图在这十个圈层里边行还是不行，然后在十个圈层里边反馈出来的时候，业务设计是真正通过圈层的，为什么？因为各大互联网公司已经把一二三四线城市以及年龄打乱了，今天如果说你越是精准营销，它就越有可能干出这样的事来。

咱们做2C的，基本上咱们的市场营销成本就是CPM、CPC、CPA，精准的就是说我CPM的成本下来了，你已经有标签体系了，AIGC又有十套设计，且每个都不一样，也很难判断哪个好不好，那不如用兴趣重组标签再发一轮，所以STP的整个市场营销的模式制定的逻辑也在变化，这是我作为从业者，我最近也是跟朋友们聊的特别多。

刘志彬：我先给大家打个招呼，很高兴认识大家。我这边临时是有其它的安排，所以今天不能到现场，耽误大家时间，我就不做具体的问题的交流了。

我介绍一下蜀海供应链，我么是做餐饮的一个食材供应链，我们跟系统有关的事可能没有像大家刚才交流的这么复杂，但是整个链条也比较长，我们从田间地头到餐桌整个流程的系统也会涉及到方方面面。

我们的问题其实就是整个产业链上下游都非常的零散，很难有标准化的SOP，决策的体系也是千人千面大概是这么一个情况。

在这样的情况下，我们在想如何通过大数据的算法，包括现在比较流行的GPT大模型应用改变这些问题，我们也在向不同行业学习。也希望大家多分享。

郝杰：刘总你好，其实明略这边也很想向您请教一下，因为我们有些客户也涉及到了供应链这一块，大模型来了之后，他们也对供应链会如何做有点焦虑。

所以也想向您请教一下，您觉得AIGC或者大模型主要会对供应链的哪些环节或者从哪个角度产生一些影响，从您所在企业的角度会如何利用大模型实现降本增效呢？

刘志彬：谢谢郝总，可能我自己有一些浅浅的认识，因为从我们业务的角度来讲，供应链核心跟大数据或者跟算法比较相关的还是去做一些预测性的思考，可能分两个阶段。

在目前这个阶段可能是传统的基于历史数据深度学习的模型，在这个阶段其实还没有一家真正能够用的很好的，因为供应链里面确实因素、参数整个的变化是非常立体的，单一去做一个爆款产品的预测容易，单一去做一个基于确定的销量或者做一个车间的排查相对来讲也容易，但是面对这种零售端的后端的供应链，因为餐饮相当于是一个零售端，把零售端和整个后面上游的几十万甚至上百万家食材的供货商、生产商、物流运输等资源整合在一起做一个业务上的变革，其实在目前这个阶段我们还没有很好的方案去解决，所以在这个阶段应该还谈不上大模型。

但是在第二个阶段，我在想供应链的一些风险，当然这个风险包括资金的风险，因为餐饮品牌的洗牌是非常快的，也就是一个餐饮品牌生命力很短，尤其疫情可能把70%的品牌重新洗掉了，这对整个供应链合作的风险，这种信用预测可能是将来基于一个场景的重要方案。

另外对食材基于农业的场景预测，做农产品价格大模型的场景化的决策可能也能起到一定的作用。

但是在内部的供应链上，我觉得不会有太好的点切入，因为具体到业务里面，是尽可能希望100%量化的决策，即使做不到，也会加入人工的判断，这是我自己在研究的另外一个领域，属于场景化的决策体系，这个体系更多考虑人的一些因素去做决策。

我大概想说的就是这三点，一个是在风险上，一个是在价格上，一个是在决策上，在这三个点上可能将来能够有一些发挥的切入点。

郝杰：好的，多谢刘总，对我们挺有启发的，不仅是对我，我相信对在场的来自其它行业嘉宾也有一定的启发，回应您一下，明略确实在供应链的认知还不多，有一点点认知是明略和百胜中国的合资公司有合作，我听了您的描述之后，就印证了一些事情，这家合资公司近几年就把AI技术用在了餐饮行业，目前是一些比较单点状的应用，还没有形成体系。

比如在喜家德出饺子的窗口加摄像头，用视觉方法能够识别出饺子是不是合乎标准，如果人工包的饺子形状不好看就退回去重新包。另外比如必胜客冷藏间的肉、面粉等各种材料上都装了RFID的标签，相当于跟物联网结合了，能够实时监测到哪些材料还有剩余，哪些需要提前补货等等。

目前是几个单点应用，如果非要把几个单点串联起来做成系统，目前来看也是有难度的。

吕德彬：郝总，我有几个问题，目前的人工智能都是在解决个人的一些需求，目前AI有没有针对企业的解决方案。

另外就是我们的企业平台是多种技术的组合，AI只是其中一个，其它包括大数据、移动互联网、计算机、通信，很多技术的集成，AI只是其中的一个由信息化变数字化，数字化变智慧化或者智能化的一个提升因素。

郝杰：技术中的一部分。

吕德彬：是的，那么AI服务商会给企业出解决方案，还是会有另外的平台集成商，AI服务商给平台集成商提供服务，最终集成商给企业来提供解决方案呢？

郝杰：我非常直接的回答，肯定不是以AI服务商出面，它肯定是一个被集成的对象或者说被集成的一部分技术模块。因为明略就是扮演的系统集成商的角色，至少我们要集成自家的各项技术，而不是说明略的AI团队冲在前面，通常我们一个产销研团队，AI应该在后半段的。

比如说前几年市场上有数据中台的说法，甚至又衍生出来业务中台、知识中台，然后衍生出一个AI中台，最大的那个其实还是数据中台。但现在中台概念也慢慢消退了。

我们用中台这个词分析一下大模型这个词，大模型会是持久不变的一条技术方向吗，会一统一切吗？恐怕也不是的，至少大模型也吃不掉中小模型，因为具体场景需要具体分析。

所以已经有的技术模块和大模型不是势不两立的，也不是绝对要被代替的，甚至它们还可以左右互搏，互相帮助的去迭代升级。比如知识图谱，它的创建确实是成本比较高，要从巨大的数据中提取出关系，提取出属性等很多东西，但这些东西都是非常有价值的。

大模型出现后，恰好可以替换原来那些实体关系提取的算法，那些算法其实是以前NLP技术的上游任务或者是一些中间环节。大模型可以作为知识库建设的一个非常高效率的工具。

梁骁：其实之前提到利用大模型来写文章，我不知道会不会造成一种结果是从逻辑性上、全面性上它写出的内容毫无问题，但是个性化很差？如果想做一个高端的、有个性化的引领性文章，它能不能写出来？

郝杰：我觉得非常值得有这样的担忧和质疑，一个真实的例子，我女儿需要写一篇关于诗的作业，她最开始用ChatGPT写了一篇，但最终她觉得还不够好，自己重写了一篇。

梁骁：有可能变成千人一面了，没有什么个人的一些观点。

郝杰：会有一些微小的区别。可能写100篇都不一样，但是仔细感觉发现格调是一样的。

闫斌：在建筑行业和一些深度的小模型做结合，可能效果就不一样了，我的孩子也是用它写了一个三年级的作文，写完我觉得不好，我说你看计算机怎么给你写的，他看到后把架构理解了，自己又重新写了一个，但是他明白逻辑架构了。

这就说明在垂直领域还缺一套专业的内容工具辅助，大模型只能给一个框架，但是深度的细节内容还需要小模型辅助。

郝杰：它还是一个工具，真正人类艺术方面的创作短时间还不能指望大模型。

刘静：而且我觉得AI在这方面可能是一个问题，但换一个角度，它又不是个问题，我觉得现在的copilot名称特别好，智能副驾，它本身就不是代替人类的。

梁骁：另外一个小问题，因为我之前也做过跨境电商，这个行业里的一个难点是客服，首先AI客服一定要用到知识图谱，包括公司的一些产品信息、一些售后维修的方式方法等。第二很多客服其实不解决任何问题，仅仅在那听，所以需要有所谓的共情能力。

从您的视角看，现在AI纯粹做带安抚性的客服现不现实？还是说只能做功能性问答？

郝杰：我觉得安抚性的或者情感沟通类的客服成熟程度低于功能性的，功能性的客服是从业务流程中提取出类似于实体关系、逻辑，它都是确定的内容或者超纲的内容它不回答也没关系。但情感安抚型的，这个不确定性更强一些，不太容易被流程性的东西提前预想到，所以这是一个新兴的话题。

大模型出来之后，清华计算机系有一位老师叫黄民烈，他的公司是主打这个方向的，智能客服的用途是心理安抚。

主持人：感谢大家的交流，今天时间不早了，我们的交流就先到这里。AI的技术还在不断发展和演进，我们可以一起期待之后的技术进步。