2023年11月15日，由秒针营销科学院发起，明略科技集团及旗下秒针系统承办，以“‘大’有可为”为主题的2023第七届营销科学大会，于上海安莎国际会议中心圆满落幕。本次大会中，营销科学实践者的精彩分享让我们洞察到了未来营销的无限可能，也让我们对中国“大”市场、“大”需求、“大”模型、“大”生态、“大”责任的理解进一步加深。

智谱AI COO 张帆先生受邀出席本届大会，发表以《大模型的商业新范式》为主题的演讲，梳理了人工智能技术变革之路，从重构用户体验的五大应用场景入手，为观众带来一场关于AI边界探索的旅程。

智谱AI COO 张帆

以下为演讲内容整理，由明略科技企业级一站式大模型Copilot“小明助理”辅助编辑整理。

去年12月ChatGPT问世后，两个月内全球用户过亿，给整个市场带来了巨大的冲击，街头巷尾的谈论离不开AI。但AI并非新鲜事物，自上世纪50年代起就开始应用，虽然曾经出现过“深蓝”和“AlphaGo”等AI战胜人类棋手的例子，但总体而言，AI的发展速度并不算快。然而，这次ChatGPT的出现却以惊人的速度风靡全球，用户增长都集中在一个月内完成，这比历史上任何风靡全球的产品都要迅速得多，各大公司纷纷投入其中，许多久未露面的行业大佬也纷纷加入这个赛道。

可以说，AI正在经历一次变革，从过去的独立、高成本、高门槛的技术，到现在已经变得无处不在、普惠、高效的生产力和工具。在移动互联网时代开始之前，也就是我们所说的AI 0.5时代，当时每做一个算法都需要单独设计一套流程，数据是独立的，模型和任务也各自独立，两个不同任务之间几乎没有可复用的关系，这是一项非常高成本、高门槛的技术，当时只有少量的互联网大厂能够应用上。到了大约13、14年，神经网络的出现了统一算法层，生产AI的成本和门槛降低，带来的结果是AI的普及，只需要一些擅长利用数据和算法的工程师就可以快速应用。因此AI开始快速发展起来，也出现了许多新兴公司快速成长。这是AI第一次从互联网大厂走向产业和行业。

到了今天，大模型的出现将数据、算法、模型、任务都统一了。一个模型可以做很多任务，如果举例说明，它很快就能学会，不需要准备大量的数据帮助它计算。一方面，今天模型已经可以做到很多原来做不到的事情，能力得到了扩展。另一方面，它的生产和应用的成本比原来下降了两个数量级，很多场景只需要原来几十分之一的成本就能完成。AI已经变成了一种无处不在的重要能力，它正在改变我们所有应用现有的流程和场景。

为什么我们今天认为千亿模型仍很重要？下图展示的是机器生成一篇文章，让人来判断是否为机器所写。纵轴为被识别出来的概率，最差为50%，即瞎猜。横轴为模型参数规模，1亿、10亿、百亿、千亿。当仅有1亿模型时，人们通常能识别出机器模型。然而，随着参数规模的增长至千亿，人们几乎难以分辨。此时，我们可能会认为机器能力已接近人类，这就是所谓的涌现能力。

智谱AI是国内最早做大模型商业化的公司之一，已与超过2000家相关公司进行深度共创，已经积累一些经验，总结发现，大模型能够从“文本生成”、“信息抽取”、“信息检索”、“语音系统”五大应用场景中重构用户体验，提高用户满意度和忠诚度。

文本生成

以前基于NLP做文本生成主要是基于规则的，能做的事情很少。但大模型出现后，通过文本生成和广告文案得到了验证。现在，在文本生成应用场景中，可以做广告文案生成，也可以应用到办公场景中，如快速写文案、文章的扩写、缩写、改写、PPT的生成等。另外，不同的渠道有不同的风格，大模型也能很好地处理，如小红书风格、抖音风格、知乎风格等。

信息抽取

大模型这一方面的能力很强。比如，“好吧，都听你的”，大模型能够细腻地分析出来这句话的情绪。现在我们正在构建一些落地场景，如销售环节销售人员和客户聊了一个小时后，可以快速抽取结构化的用户画像、用户需求数据，转到CRM系统中，还能转变为销售培训，用于给销售人员的回答打分、做改进建议。

信息检索

今天互联网数据之庞大，垂直领域数据足够分散、异构，不同形态、不同内容混杂了很多噪音，原有的检索方式已经不能适应如此庞大的信息源。而在大模型的赋能下，新版必应可以帮用户阅读全部结果，针对用户提出的问题生成结果，还可以用对话的方式不断追问。

视频应用上同样如此。在视频搜索方面，我们之前只能搜索到标题和封面，但想要提取里面的信息需要花费时间看完整个视频。但有了大模型，可以通过多模态进行场景检索，用一系列能力将其转化为一种全新的检索方式，它会告诉你哪些片段是在描述什么样的场景。此外，还有许多其他应用，例如在合同、简历、房产等商品或服务方面，以及招聘等方面，大模型都可以帮助你基于需求给你针对性回答，并且还可以进一步追问。这将在各个方面带来全新的体验。

对话系统

以智能客服举例，传统的智能客服基本上是以QA的方式存在的，这种方式有很大的局限性。如果召回太高，智能客服可能会胡乱回答。如果召回太低，很多问题就无法得到解答。为了解决这个问题，只能扩大量化QA的数量，从一万个增加到十万个，但这会使知识管理变得非常困难，任何信息的变化都可能影响到几百个结果，且成本很高。如今，大模型降低了对话系统的成本，将一个文档丢给它就能自动检索并回答问题。这种技术还可以进一步应用到汽车、手机、会议纪要等对话类场景中。

其实，大模型在各种场景中的应用远不止上述的五个场景，随着我们不断深入探索，发现大模型不断突破其边界。建议大家在使用大模型时应该有更体系化的做法，大模型并非越大越好，或者是把自己已有的知识输入进去就可以了。实际上，大模型真正能够落地行业和场景的方式只有三个，即预训练、微调和Prompt工程。需要企业从自身需求出发，利用好自己的数据，并选择合适的方式方法。