2023年，備受矚目的AI是科技發展的重要樞紐，也是科技與社會影響的焦點。這一場智能化的進化升級，讓人們對AGI的想象走到具象化。預計2024年，將會看到AI應用產品的四方迸出。大模型時代，企業的組織結構、業務流程、生產方式、社會生產關系必然向著整體新型高效的方向發展。AGI Agent這類應用將革新研發生產力的作業形式，抗衡組織熵增。恰逢其時，越來越多的創新將會源于超級個體和中小型組織，數字化與智能化便是對行業的一次次重塑。

　　創新意味著什么？

　　智能創新又意味著什么？

　　有人說創新是跳躍式的，有人說創新是源自于人的懶惰，也有人說創新是人們的想象力.....

　　空調、洗衣機、電燈、汽車、飛機的發明創造，電燈并不是從油燈的演化而來，是先有了電;汽車也并不是馬車演化而來，是先有了蒸汽機......

　　這就像解決一件事情的本身，并不在事情本身身上。

　　如今這個數字化、智能化的時代，每一個創新的想法都可能成為一個改變生活的突破口。而智能創新這種全新模式，融合了先進科技、人性化設計和市場需求的領域。它利用人工智能、大數據、物聯網等先進技術，變革了生產方式。AI模型可能也是大模型時代的“蒸汽機”。

　　今年的2024CSDI 主旨是：數智+躍遷 千行百業的智能創新，我們更關心的是“跑馬圈地”的時代已過去，數字化應用企業的管理者們關注點應該看哪里?數字化的技術創新，如何更易開發軟件、靈活構建商業模式？并且通過移動設備與互聯網傳播成果。

　　企業需要數字化能力

　　才能免于淘汰

　　領袖與跟風者之間的區別在于創新，而創新越來越取決于數字化關鍵的這一環。數字化本身并不是戰略，而是實現戰略的方法，借助數字化技術、數字業務，讓商業模式發生變化，需要組織通過創新來提高企業能力。數字化對商業模式有很大的影響，也為諸多領域帶來很大創新，同時顛覆著傳統企業，處在數智化時代，必須具備數字化能力，擁有數字化思維，突破傳統框架，創造新的商業生態，才能面對數字變革的各種場景。

　　新范式轉變的階段中,企業管理者關心的IT技術戰略方向與規劃、IT研發管理優化與流程設計往往是相對被忽視，而數字化技術的基礎正是其業務與運營模式。企業的數字化也不是建立了一個IT部門，而是完整的數字流程IT化、產品與客戶關系的數字化、系統架構云化、小項目拆解思路、AI在產品創新中的應用，以及數字化帶來的量子飛躍。每個企業的商業戰略都很重要，敏捷組織、智慧經營、精準把控，都是建設路徑。

圖1 成功適應數字化的組織更易生存

　　自1917年至2017年，美國最大的幾家公司名單的演變。

　　1917年，美國最大的公司主要來自能源和鋼鐵行業。

　　半個世紀后的1967年，盡管IBM已經位居榜首，但是榜單上的大多數公司仍然來自能源行業。

　　到了2017年，全球最大的5家公司來自數字化技術行業。

　　我們看到，技術發展與社會發展快于組織發展，成功適應數字化的組織更易生存。

　　AI

圖2 AI產業在企業職能中的滲透面

　　去年AIGC勢如破竹的闖入人類的領地，從產業發展上看，技術革新已經滲透到方方面面。新興智能技術對于每個企業的相關智能角度，都能找到應用場景，比如：零售行業供應鏈、營銷、客服等方面，以及金融研發、營銷、客服、風控等應用場景。從產業角度上看，AI包括基礎層、技術層與應用層。產業的視角來看，其中，基礎層是人工智能產業的基礎，為人工智能提供數據及算力支撐;技術層是人工智能產業的核心，主要包括各類模型和算法的研發和升級;應用層則是人工智能面向特定場景需求而形成的軟硬件產品或解決方案。

　　從不同緯度上，我們也看到模型分為：決策式AI與生成式AI，并且從技術路徑、成熟程度、應用方向，在場景上都有各自的延伸。文成生成的模型以及圖片生成的模型，更加成熟，原因是有海量的互聯網數據，加上本身應用場景的需求與豐富，多模態的數字媒體(聲音、圖片、3D、視頻等)，這些都是全方位影響的。生成式大模型引領著新一輪AI技術變革，正在往多模態、個性化、智能體的方向演進。

圖3 交互引擎：決策與生成對比

　　可以說，AI合理利用有助于提升體驗，幫助企業降本增效，并有著極大的商業機會。與此同時，數據與模型分屬Ai產業的基礎與技術層，這些都離不開“大數據”與“大模型”，都離不開利用大量數據來訓練模型，就像算力是一種消耗品，本身不構成壁壘。創業公司對算力的投入要理性適度，用戶在自己產品中交互沉淀的數據才是真正的壁壘，數據飛輪雖然很難建立，但一旦形成比模型和算力更具競爭力。

 圖4全球數據總量增長趨勢與預測

 

　　「來源：國際數據公司發布的白皮書《數據時代2025》」

　　而隨著深度學習落地與發展，為很多領域帶來前所未有的精度與效率，GPT模型經歷三代演變，訓練數據、模型參數、任務數量都有迭進式增長，模型本身存儲空間在近年顯著增加，由1.17億和參數到GPT4到達1T(10000億)。GPT-3的參數更是擴展至1750億。讓我們看到通往“通用人工智能”的希望。

　　并且，23年英偉達用于AI大模型的訓練，新一代AI芯片HGX H200.相比于其前一代產品H100.H200的性能提升了約60%到90%。與過往GPU升級主要都在架構提升上不同，在同架構之下，而其主要升級點轉向了內存容量和帶寬。具體包括141GB的HBM3e內存，比上一代提升80%，顯存帶寬從H100的3.35TB/s增加到了4.8TB/s，提升40%。

圖5：大模型參數數量變化趨勢

 

　　近來，大模型在許多行業與消費應用中，主要是其迅速有效的處理海量數據，LLM與AI技術相輔相成，也將與日益普及的5G網絡、彈性計算等基礎設施，創造更多可能，這背后不僅是復雜算法的功勞，也是依賴了云計算服務的支撐。產生很多先進工具、先進應用。

　　生成式AI的推動下，預計到2035年，產業數字化率將突破85%，將進一步催生全新的工作方式，顯著提高企業的商業效能。大模型將借助多模態技術實現全面感知。隨著多模態數據處理、多模態感知融合等技術的躍升發展，大模型將逐步從支持文本、圖片、音頻、視頻等單模態任務，向支持多種模態融合任務演進。

　　AI

　　融合與技術趨勢

　　如果說2023年，大模型用Prompt重構了一個生成式新世界， 2024注定是AIGC應用落地元年，站在這個新世界所要探索的，正是以大模型為基礎的新應用。

　　行業的深度應用便是數字化的深水區，保險、銀行、能源、汽車、通信等領域龍頭企業，已打造了大模型賦能的應用標桿。企業建設自主可控的大模型底座建設，同時，與AI企業分工協作，聯合創新和協同發展。

　　01

　　行業應用上

　　*在金融保險領域：通過部署行業全鏈路信創的私有化大模型平臺，打造保險行業數字勞動力。豐富的應用場景， 大幅可以提高研發崗、綜合服務崗、審計崗的工作效率。

　　*在科研領域：智能應用產生的成果調研、論文研讀和學術寫作三大功能，可高效精準完成的科技文獻助手，助力科研工作。

　　*在能源領域：構建多業態、多場景的行業大模型，也是可持續提質增效。

　　*在醫療領域：數字醫療和AI融合，以AI+Science獲得越來越多的應用，科學領域不斷交叉融合，技術驅動的醫療創新將迎來重大拐點，‘醫療+X’將是下個十年的醫療創新主旋律。

　　*在工業、通信領域：賦能工業領域提質增效，關鍵領域可保障自主可控的國產硬件和國產大模型，在保障核心基礎設施自主可控的同時，加快打造國產大模型應用生態。

　　*在互聯網領域：智能化系統將踐行軟件行業領域，代碼大模型的深度應用，推動互聯網與工業、能源領域數字化轉型，加速數字經濟和實體經濟深度融合。

　　*在電商、教育、游戲領域：智能客服、數據分析、自動化流程應用、AI助理、數字人平臺個性化定制等智能應用升級，企業信息化系統向著更深度方向融合。

　　*在社交、平臺領域域：AI 大模型賦予企業信息化系統更多的價值，AI 大模型幫企業IT平臺更高效地處理數據，智能篩選、智能測評、提高工作效率，減少企業 人力成本，降低運營成本;增強用戶體驗，實時在線智能服務，讓業務決策智慧化。

　　*在IOT領域：構建與整合物聯網設備實時數據、運用 AI 和區塊鏈技術，有效提升數據的實時性和不可篡改性，還強化對潛在風險的預測和響應能力。AI幫助企業提升效率、降低成本、增強智能化程度和改善用戶體驗。

　　*在制造領域：智能座艙、智能倉儲、智能巡檢、智能流水線......

　　不勝枚舉......

　　02

　　研發技術趨勢上

　　? 1.邊緣計算成為云計算領域的關鍵因素。

　　隨著5G技術的成熟，為邊緣計算的行業應用創造了大量的機會，加上邊緣計算消耗的網絡帶寬變少，處理大量數據的更有效。在邊緣計算的世界中，計算和數據存儲可以更接近數據的來源，使數據更準確，更易于管理，降低成本，提供更快的洞察力和行動，并允許執行連續操作。數據安全性、隱私性、更低的帶寬成本并提高了網絡效率。優勢在于減少延遲、提高性能和增強決策能力。并且提高性能和自動化。毫無懸念，邊緣數據處理的速度將未來幾年大幅提高。嵌入邊緣計算的物聯網(IoT)設備具有速度、敏捷性和更大的靈活性等優勢，準確執行實時分析并實現自主行為。

　　? 2.多云和混合云的逐漸興起。

　　云計算生態發展，云在商業中的作用不僅是降低成本也是促進創新。在創新、效率和可擴展性的推動下，AI和機器學習的集成、邊緣計算的興起、云應用轉變為業務必需品、多云和混合云的盛行以及IaC的進步都將是確定性的趨勢。

　　組織采用多云和混合云的趨勢正在增強，多云戰略使得企業利用多個云商和本地基礎設施來優化性能、增強冗余并降低風險。多云和混合云策略使企業能夠平衡靈活性和成本，提高整體研發生產力，考慮到安全性和合規性，更加多樣化、彈性和可擴展的一種趨勢。

　　? 3.AI Agent將重構人機交互方式。

　　隨著接口對齊、復雜任務規劃、工作記憶等技術的發展，其應用場景將不斷拓展，人機交互方式轉向更加自然、直觀的人機對話，極大地改善用戶體驗。智能化的互聯網生態系統。會實現人機交互的更高層次。

　　? 4.具身智能將成為顛覆制造業的下一個浪潮。

　　隨著大模型技術在語義理解、視覺感知、邏輯推理等方面能力的迭代與成熟，具身智能將在感知、推理、泛化等能力上進一步突破。推動制造業在生產效率、質量控制和成本節約等方面實現跨越式提升。

　　? 5.AI算力網絡統籌加速部署，智算中心連點成面。

　　分布在各區域的人工智能計算中心將有機連接起來，成為構建算力網絡的重要節點，實現人工智能算力在跨區域間的感知、分配、調度，使得智算中心成為支撐人工智能產業生態、拉動區域經濟轉型與高質量發展的堅實底座。

　　? 6.AI人才結構將從“算法技術型”向著“復合應用型”躍升。

　　未來，隨著人工智能技術的不斷迭代與成熟、AI與應用場景的耦合度不斷加深，能主動用AI大模型賦能業務的跨領域人才、能開拓應用場景的AI算法人才和懂AI大模型的管理決策型人才等復合應用型人才將成為人工智能領域主要的人才需求。

　　? 7.全行業加速向AI原生轉型，業務應用場景賦能創新。

　　全行業應用開發與實施不滿足于簡單地依托云計算平臺進行部署和運維，而是在設計之初就積極融入AI技術的核心邏輯，實現AI能力對業務流程的深度改造與全面優化。AI治理也將打造更可信、可控的產業應用。

　　? 8.AI產業生態構建的核心成為：模型即服務、數據即服務。

　　模型即服務：上游企業通過提供預訓練大模型作為AI技術基礎設施，下游行業基于此開發個性化、場景化的應用模型，使得AI從“手工作坊”轉變為“工廠模式”。良好的生態基礎模型的意義，就是讓底層架構的算法趨于統一，基于此開發的算法和應用，可迭代、可維護、可擴展，也就有機會誕生出一個系統級的AI應用。

　　數據即服務：更便捷數據分析和管理數據，允許訂閱者通過互聯網在線訪問，使用和共享數字文件。隨著用戶對高速互聯網應用的增加，預計DaaS的使用范圍也將進一步擴大。DaaS在大數據分析中的使用將簡化數據分析師的業務審查任務，并使跨部門和行業的大數據資源共享變得更加便捷。企業轉向云來升級其基礎設施和工作負載，DaaS將會成為集成、管理、存儲和分析數據的一種高效的方式。

　　? 9.數據處理與大模型的結合。

　　在數據處理層面，大模型可簡化傳統的ETL過程難度，提高實時交互效率。在數據分析上，替代拖拽交互方式，讓業務用戶用更簡單、更高效的方式以自然語言形式與底層數據交互，來構建需要的報表和看板。在行業應用上，大模型可以真正發揮對行業知識的理解能力，與具體數據結合，形成具針對客戶、特定項目、指標體系的輸出，加上數據準備，可直接輸出標準化的項目成果。

　　數據處理使用大模型能力：通過對話式的交互方式生成ETL，降低難度;輔助生成專屬派生指標和計算指標，即一些SQL代碼片段，以及MDX表達式;在數據模型模型或指標模型中輔助生成計算字段的SQL或者MDX。

　　? 10.生成式人AI多功能進化，同時與機器學習無縫集成。

　　生成式大模型引領著新一輪AI技術變革，正在往多模態、個性化、智能體的方向演進。預計將其影響力從創意領域擴展到內容策略和產品設計等領域，由于檢索增強生成(RAG)等進步，系統將產生更細致、更準確的輸出。同時，AI和ML無縫集成，推動云空間創新核心組件。AI和機器學習與云服務的集成預計將呈指數級增長。用戶對AI的應用需求預計將增加50%左右，產品開發中的生成式AI也將增長約65%。

　　? 11.數據安全治理。

　　數據是喂養AI的石油，通過實施必要的安全措施，數據安全治理策略確保了企業數據保護并最大化數據的價值。有效的數據治理程序，可提高數據質量、促進業務決策、分析及時以及AI模型訓練準確、可用性。

　　? 12.各行各業呈現的編程大模型。

　　在編程方面，Github Copilot 和 Mintlify 均是基于大模型的 AI 代碼助手，前者可根據開發人員的代碼上下文和注釋來生成合適的代碼建議，幫助開發人員提高編程效率和質量，減少重復和繁瑣的工作，輕松實現自己的想法。后者可根據代碼的語義和上下文生成代碼注釋，減輕開發人員編寫注釋的負擔，提高代碼的可讀性和可維護性。

　　Copilot 這種類型的工具，能夠與開發人員定義小段功能代碼、按照慣例以及在上下文環境中工作的能力協同工作。它所做的有效工作就是去掉了在 Stack Overflow 上查詢的步驟。呈現出的是，LLM 的早期采用者在代碼輸出的質量和數量方面遙遙領先。將會有很多非原生企業，走入AI編程開發學習與應用中。

　　? 13.企業使用API工具增強組織決策。

　　企業將需要利用AI來降低構建自己平臺的復雜性和成本。API將充當抽象層，以集成大量預構建的API工具、服務和系統。這將使組織能夠定制AI解決方案以滿足特定的定制需求，從而自動執行重復性任務并增強組織決策能力。

　　? 14.數據庫推動大模型優化發展。

　　對于擁有大模型的企業來說，龐大的數據計算需求和高昂的計算成本負擔，即使獲得了復雜大模型的代碼，也很難跑起來。大語言模型的背后不僅僅是復雜算法的功勞，更是依賴了云計算服務的支撐，包括計算、存儲、數據庫等各方面的資源供給。數據庫的融合將推動人機交互和數據庫應用的發展，二者的結合是一種雙贏，通過借助大語言模型的語言理解和生成能力，數據庫的使用和管理將變得更加便捷和智能化;數據庫則提供了高質量的數據集與高效的數據管理來支持大型語言模型的訓練和應用。數據庫與大模型結合勢必成為未來發展的一大趨勢。

　　? 15.智能運維與大模型融合，促進數智管理。

　　大模型的能力想要在智能運維的私域范圍，大力應用。需建立特定的告警知識、深入分析告警之間的關聯性、解決問答過程長度限制、準確模型問答等。卓有成效的完成本地化部署、集成現有工具與管控、優先效率、增強語言生成與推理能力成為關鍵。

　　? 16.AI增強分析可最大化利用數據。

　　先進的機器學習算法也將帶來，更強的威脅檢測和響應能力，在強化網絡安全措施以應對日益復雜的網絡威脅方面發揮關鍵作用。增強分析讓機器學習和NLP自動化和處理數據，獲取信息。其解決方案可幫助企業業務部門和管理層更好地了解其業務發展環境，提出相關問題，并更快地找應對策略。同時，可幫數據分析師執行更徹底的分析、數據準備任務，最大化利用數據價值。

　　? 17.RPA技術為企業自動化加碼，推動企業實現數字化轉型和業務效率提升。

　　超級自動化技術與運營流程重設，智能RPA改寫企業運營方式，為企業帶來前所未有的競爭優勢與利潤空間。尤其AI技術的驅動下，RPA不再局限于簡單流程執行，而是擁有認知和決策。將AI功能嵌入RPA連接器，輕松實現發票掃描、身份證識別等任務的自動化，只需調用插件，任何數字化系統調用，會為復雜的業務流程。

　　我們都將重視技術長期的意義，舉足輕重的方方面面......

　　2024 CSDI 9

　　智能時代已然到來，AGI和AIGC會成為許多企業十年探索與追溯的方向，AIGC逐漸邁入規模化應用，從單點應用走向多元化、通用走向特定業務場景細分，不僅成為千行百業提質增效的輔助手段，也是全球化競爭的焦點。以科技創新為核心，推動產業創新，實現社會生產力的新躍升，是促進新興產業和未來產業快速發展的關鍵。

　　2024CSDI峰會將以數智+躍遷為主旨，于9月20-22日深圳召開，攜國內眾多頂尖優秀企業，面向技術管理者和一線技術帶頭人，抽絲剝繭：以業務與新興技術應用為導向的：AIGC行業化、智能化開發、數據智能、大模型規模化應用、架構生態、研發效能、組織戰略等先進數字技術進行全面解析，幫組企業構建和借鑒適合自身的技術實踐。

　　總結

　　技術革新浪潮，大模型的確會貫穿在數智化的變革中，會徹底改變技術領域的世界，積極擁抱新技術，在引入和使用前需要制定相應的策略，確保在平臺設置中建立和實施適當的檢查和平衡機制。軟件工程的每個領域都是如此，平臺工程也不例外。

　　面臨大模型的更新迭代，較早關注和適應新技術的個人和企業，能更好地規避技術局限性，將AI集成到工作業務流，并高效利用工具提升業務處理能力和競爭力。

　　道阻且長，展望未來AI大模型發展的機遇與挑戰，不斷躍遷是每一個領導者需要具備的能力，面對數字化轉型的策略也是每個企業的常態。智能技術會加速滲透到各行各業，與傳統的模式相融合，提升生產力，科技平權與智能平權，會成為行業標配。