隨著科技發展，技術的革新，當前大規模的能力大家是如何看待的呢？下面這篇文章是筆者整理分享的關于大模型在To B領域的相關內容，對此，感興趣的同學可以進來了解了解更多相關內容。

一、如何正確看待大模型的能力

以chatGPT為代表的大模型技術在上半年席卷全球，沉寂多年的科技游民們又找到了新的應許之地，一個個把朋友圈的All in 區塊鏈/元宇宙改成了all in AI。

盡管openAI的開發者大會成為了新的科技春晚，但不得不承認的是國內大模型和北半球的氣溫一樣，從數據上看最近趨于冷靜，大家都覺得這個技術大有可為但是確實又很難看到實質生產力大幅提升的案例。

從筆者的角度看，冷靜是正確全面看待新技術的必要前提，我們只有知道大模型能做什么、不能做什么，才能更好的找到適合其應用的場景，畢竟，如果有人告訴你一項技術無所不能的不是騙子就是壞人，不然你就讓大模型炒個魚香肉絲試試。

1. 大模型不能做什么?

相比較大模型能做什么，不能做什么可能才是被忽略的因素，也是在應用上不得不避免的坑：

①鸚鵡學舌

我相信不少人在使用大模型的應用之后，都有一個先驚喜后去昧的過程，大家發現最大的問題在于其本身是一個語言模型，核心原理在根據提出的問題，逐字生成答案，每個新字的生成取決于前面所有的字的組合，根據前面的概率預測下一個最合適的字是什么。

舉個例子，正常來說只有在理解函數和幾何三角形之后，我們才有可能理解三角函數的知識，但是對于大模型而言，在輸出數據訓練的過程中只提供三角函數相關的語料，不提供其他的函數和幾何的語料，他也可以模仿之前學過的內容，生成出正確的答案。

這種方式有個形容詞叫鸚鵡學舌，這就是純語言模型和我們學習知識不一樣的地方，也就是說大模型的智慧涌現中至少邏輯推理能力和人是不同的路徑。

鸚鵡學舌就帶來大家在用大模型的時候最大的問題，缺少核心觀點性的輸出，看起來總是很擅長寫正確的廢話，輸出的每個字都對，但是缺少信息量，缺少一錘定音的結論，是平均水平的堆砌，體現出大模型能寫詩，但是寫不出李白水準的詩。

②幻覺問題

第二個大模型被詬病很多的就是幻覺問題，體現在一本正經的胡說八道，這一點并不是大模型本身的錯。

因為很多時候準確和靈活是不可兼得的，就像一個人的性格很難同時體現出既謹慎又熱情，大模型的泛化效果好，很多時候體現出一個人的特質，但是我們要知道即便是人，做很多工作的時候也會犯錯，要求高度準確的只能是機器和規則，所以大模型目前看起來不適合做專業細分容錯性低的工作

③缸中的大腦

第三個就是大模型只是一個語言模型，有點像是一個泡在缸中的大腦，只有神經元的輸入輸出，但沒有軀體，只有建議沒有辦法獨立執行，無法根據環境反饋及時調整行為，或者是根據反饋進行學習和迭代，這一點估計要等具身智能技術成熟后才能克服。

2. 投入產出比是技術應用的關鍵

在上面的幾大問題之后，也并不是說大模型就是在割韭菜，而是說要正確看待大模型的特長和優勢，在面對一項全新的技術時，取決于如何錨定這項技術，以及希望通過這項技術解決什么問題？

大模型技術一開始讓人覺得驚艷，是和傳統AI類產品在對話理解、文本生成上的生產力的對比而產生；但是在實際應用中錨定的對象就不是傳統AI了，而是以前做這塊工作的人，與人相比，確實在很多方面也只屬于勉強及格。

這就出現了當下的大模型應用大量的以應用小助理（ChatBot或者copilot）的形式出現，作用屬于錦上添花但不是雪中送炭，還不能真正幫助解決細分領域的問題，但是對于企業而言動輒幾百上千萬的投入，確實沒法算過來這個賬。

當下的核心應該是盡量的減少大模型應用的成本，同時找到適合大模型特性的高價值場景，在To C領域已經經過了理性回歸的過程，但是在To B領域，大模型怎么用，如何設計商業模式還沒有確切的定論。

二、To B 領域大模型商業化分析

To B 領域不同行業、不同客群、不同的業務領域都非常細碎，不同路徑的應用方案不具備可比性，因此我們根據客戶的大小與應用場景的專業程度進行劃分，形成下圖的四個象限：（X軸為客戶屬性，從小客戶逐漸到大客戶；Y軸為業務屬性，分為專業場景和通用場景，最后分成四個象限）

1、第一象限

大客戶通用場景，典型客戶有大型國有銀行、運營商、能源、電力等，在這個象限內，客戶往往有很強的科技能力，像工行2022年在科技領域的投入是260億，有超過3萬人的科技團隊，此類客戶最終大模型傾向自研。

面向這類客戶的通用方案其實就是基礎能力底座和訓練平臺等工具鏈，最終客戶在此基礎上會自己做應用層的開發。

此領域考驗的是廠商的技術能力，華為、訊飛、智譜、BAT等在這一層，本層聚焦在通用大模型的競爭，因為以大型央國企為主，價值上主打自主可控和大國博弈的戰略占位。

2、第二象限

小客戶通用場景，在這一象限，主要考驗的是廠商的產品化能力，因為在不同行業之間差異很大，面向小客戶，真正通用的主要也就是辦公、人事、財務、客服這種不涉及核心業務的領域。

更適合之前在這些領域有業務積累的廠商，通過大模型延展服務的場景、提升服務的效果，例如微軟office copilot和飛書在辦公領域的積累，金蝶、用友這樣在財務領域的積累，此處最考驗各個廠商利用技術實現產品化的能力。

3、第三象限

小客戶專業場景，創業公司最有可能在這個領域長出一些小而美的應用，基于大廠出的L0層的通用模型和L1層的行業模型，在此基礎上生長出L2層的場景層應用。對于一些非常細分的場景如視頻剪輯、包裝設計等可能存在產品或者是服務總包的模式。

但是這樣的探索也是險象環生，很容易陷入低ROI的魔咒，對于這類客戶需要產品本身確實能解決剛需，還需要解決付費意愿的問題，肯定是一條荊棘叢生的路，但是這里可能也是創業者最容易切入的領域。

4. 第四象限

大客戶專業場景，在這個領域主要比拼的是解決方案的整合能力，需要對于行業以及核心業務有深入理解，以金融機構為例，有像恒生、宇信、神州信息、中科軟、軟通動力等IT服務商，這里不同客群不同行業的需求差異很大，所以會有較多的定制工作，利潤率較低，甚至有很多合作以人力服務的形式開展，核心需要拼各廠商解決方案的能力。

這些IT服務企業可以結合自身的業務特點，以開源模型打底訓練出L1層的領域大模型和L2層的場景應用模型，進而對垂直領域賦能。

三、To B 領域大模型的應用展望

從chatGPT發布開始，筆者一直關注行業應用，從現在觀察的結果看，總體各個廠商之間卷底層能力為主，應用開發不足，目前還沒有出現一款殺手級的AI原生應用，當然每項技術逐漸成熟都需要周期，我們試圖從以下幾個維度來分析下大模型最可能以何種路徑實現應用層的百花齊放：

1. 價值主張：從“降本增效”到“拓寬工作半徑”

從深度學習開始，行業就面臨對于AI價值的評估缺少錨點的問題。大部分企業會以降本增效為評估依據，為企業節省10個人，那就按照10個人工資的20%-30%來收錢。

但是這樣的價值模型在大模型時代是有巨大的問題的，大模型本身瞄向通用人工智能，通過一個模型來解決多個不同任務，這就意味著任務非標化程度很高，高頻高價值的重復勞動基本在小模型時代就已經被逐一解決，處理剩下來非標的任務面臨兩個難點：

①任務中存在大量的鏈式工作，下一步的工作任務依賴于上一步的輸出結論，需要對于工作的整體做規劃和相機決策，然而現階段的技術很難串聯多個斷點任務。

舉個例子，員工往往是看了一個新聞后覺得有意思，然后去查閱搜索相關市場資料，下載數據之后進行分析，根據分析的結論去進一步尋找其他材料，進行二次加工，最后根據分析的結論再去寫個報告。

這個過程中涉及多個業務流程和斷點工作，當下的技術解決還存在較大的難點，如果只解決其中一個環節，就出現前面講的作為小助手有點用但是作用并不大的問題。

②大模型本身的成本就很高，往往存在人沒省下來但是系統建設還多花錢的情況。形象舉個例子：假如有10個人的團隊，每人每天工作10小時，在大模型應用提效10%之后，可能出現的結果是10人每天工作9小時，而不是9人每天工作10小時。

大模型不但不能替代掉1個人，還存在需要新增系統建設的費用，對于員工可能是高興的，但是對于企業主付費的意愿就低了很多。

從價值上講，大模型應用的價值錨點不應該是降本增效，尤其不要和中小企業講降本增效，大企業可能處于政治正確或戰略投資的角度推進產品的應用，有更多的耐心，而中小企業只要一算賬，投入產出比始終是過不去的坎。

相反，筆者認為大模型應該是讓員工做到很多以前做不到的事情，在人省不掉的情況下，可以擴展員工的工作能力半徑。

例如之前寫文案不具備設計能力，需要和設計人員合作實現營銷方案設計，但設計是個低頻的卻卡脖子的需求，這個時候通過大模型生成圖片來增加以前文案的工作能力，一個人干2個事，這套敘事反而是企業主非常歡迎的。

2. 相比理解對話和交互，生成能力更能直觀體現大模型的價值

現在很多團隊對于大模型的應用主要聚焦在對話交互領域，應用大模型的理解能力，但生成能力往往更容易產生價值感。

舉個例子，對話能力的提升往往是從語義理解能力90%提升到95%，這種5個點的提升往往不容易感受到，就像很多年前智能手機剛出來的時候有團隊做電池管家，是可以提升5%的電池的使用壽命，但是給用戶的感知卻不明顯。

相反，生成能力是能夠直觀感受到生產力的，大模型一下子生成大段大段的內容，可以演示出肉眼可見的生產力，而不需要絞盡腦汁的想應用價值怎么體現這一AI行業難題。

3. 多模態一定是未來

信息的生成、傳輸、應用基本都會遵循從簡單到復雜，從抽象到具象的過程。我們回想下微信出來的過程，交互媒介也是先文字、再語音對講、然后圖片表情和視頻、最后是小程序等復雜信息的綜合體，從各個維度去構建豐富的表達體系，形成護城河。

從大模型的浪潮來看，現在最大的應用還在文字，其次是圖片，視頻剛剛起步。從應用價值來看，如何設計商業模式，核心是要考慮投入產出比。

而文字的生成投入產出比提升不明顯，如果要讓生成的文字賣出錢的話，就需要生成的文字具備高價值，無非就兩種可能，獨占高價值信源或者是生成質量極高，否則就很難在To B的場景賣出價錢，但這兩點對于大模型來說都不容易。

反觀我們看下圖片或者視頻，因為制作圖片/視頻有門檻，生成的成本要遠高于文字，如果大模型可以批量的生成一堆適合特定場景的圖片和視頻，那性價比就會比招1個設計或者外包給設計團隊便宜。

筆者認為未來圖片、視頻在價值體現的想象空間更大，而大模型平臺型公司則會因為多模態的接入而逐漸形成自己的護城河。

4. AI Agent—大模型時代的小程序

上一節提到微信，我記得微信很久沒有重大更新了，最近的一個大的交互迭代是小程序，小程序是當時所有人認為短期會被高估，但長期會被低估的產品。

隨著這幾年的應用基本也印證了當時的預測，那我們想想，大模型時代的小程序是什么呢？能不能通過大模型生成一個小程序？

如果大模型本身能對任務進行規劃拆分，應用自身的代碼生成能力，形成一個個的代碼集合，讓每個模塊解決一個具體問題，通過任務拆解后分布執行，能夠形成完整的任務閉環，這才是To B行業大家期待的樣子。

形象的場景就是：現在你問他怎么點外賣，他只能跟你不疼不癢的講外賣怎么點，假裝給你點了外賣提供情緒價值；AI agent成熟后則可以規劃幾個步驟。

首先登錄你的外賣賬號，然后生成一段代碼，對接到外賣平臺的接口，然后下訂單，最終訂單到了再通過接口反饋通知到你，完成服務閉環，這才是決定這一波大模型在To B領域高度商業高度的關鍵。

從ChatBot到Copliot，再到Agent，隨著量變的發生，總有一天技術會達到應用投入產出比的臨界點，之后就會進入質變環節，而前面這段黎明前黑暗的路不會太短，只有決心、毅力以及每一次遇到問題解決問題的具體積累，才是這些廠商All in AI之后的資產，而不是明年再把All in AI改成All in量子或者All in 生物科技什么的。

考驗企業家智慧的是在未產生商業爆發的前夜，如何保證自己不下牌桌，如何熬到最后看到技術真正的解放生產力、發展生產力的那一天。