什么是大模型時(shí)代的“前店后廠”?

　　文|周享玥

　　浪潮云，再次上新了AI落地解法集。

　　繼今年3月浪潮云發(fā)布分布式智能云戰(zhàn)略，并提出大模型(智能體)落地三部曲(3M)后，在最近的第八屆數(shù)字中國建設(shè)峰會(huì)期間，浪潮云舉辦“有云處皆智能”2025數(shù)智賦能創(chuàng)新發(fā)展主題會(huì)議，提出“前店后廠”新模式，作為3M去進(jìn)行落地的支撐系統(tǒng)。

　　浪潮云總經(jīng)理顏亮介紹，“前店后廠”新模式，核心是要解決智能體訓(xùn)練及推理數(shù)據(jù)高效、安全落地的問題。

　　其中，海若大模型智能體驗(yàn)中心作為“前店”，近距離在用戶所在地，解決場(chǎng)景匹配與微調(diào)問題，構(gòu)建智能技術(shù)與實(shí)際需求無縫對(duì)接的高效平臺(tái);海若大模型工廠作為“后廠”，以流水線模式，支持大模型快速迭代與持續(xù)優(yōu)化。前店、后廠相互配合，共同加速大模型和智能體落地。

　　01

　　從“三要素”到“四要素”，大模型落地仍有三大難題

　　今年以來，隨著DeepSeek帶來大模型技術(shù)的普惠和平權(quán)，大模型是能驅(qū)動(dòng)數(shù)據(jù)這個(gè)“新石油”的“引擎”，已經(jīng)成為共識(shí)，大家都在以更大熱情投身其中，利用這一引擎，去打造屬于自己的車、船、飛機(jī)，尋求價(jià)值突破。

　　今年第八屆數(shù)字中國建設(shè)峰會(huì)上，來自全國各地的超400家單位，無一例外，都在不遺余力地展示著各自在智能體、高質(zhì)量數(shù)據(jù)集打造、可信數(shù)據(jù)服務(wù)等具體的大模型應(yīng)用落地層面的進(jìn)展和突破。

　　隨著更大規(guī)模的應(yīng)用探索狂潮的快速興起和不斷演進(jìn)，一些變化也在悄然發(fā)生。

　　“人工智能落地到了今天這個(gè)階段，‘場(chǎng)景’這個(gè)要素必須重視。”在“有云處皆智能”2025數(shù)智賦能創(chuàng)新發(fā)展主題會(huì)議上，浪潮云總經(jīng)理顏亮提到，場(chǎng)景已成為繼算力、算法、數(shù)據(jù)之后發(fā)展智能技術(shù)的第四核心要素。

　　過去，大家更多從大模型的技術(shù)發(fā)展角度出發(fā)，認(rèn)為人工智能具有三大關(guān)鍵要素，即算力、算法、數(shù)據(jù)。但這三大要素，實(shí)際都屬于支撐要素。一項(xiàng)技術(shù)，要想真正大規(guī)模落地到實(shí)際中去產(chǎn)生價(jià)值，還需要拉力要素。

　　目前，業(yè)界普遍認(rèn)為，場(chǎng)景正是具備這樣功能的第四大核心要素，也是AI走向產(chǎn)業(yè)化、模型落地組織用戶的過程中，決定成敗的第一要素。

　　不過，場(chǎng)景仍有不少門檻需要邁過。“2024年，大家已經(jīng)做了一年的大模型落地嘗試，結(jié)果發(fā)現(xiàn)，場(chǎng)景價(jià)值的體現(xiàn)是很困難的，‘玩具’做出來不難，但要把它打造成一輛能在高速上跑的車，很困難。”顏亮說。

　　根據(jù)浪潮云過去幾年的實(shí)踐，場(chǎng)景之外，大模型落地“最后一公里”上目前仍存在著三方面的核心問題：

　　第一，人工智能價(jià)值預(yù)期理想化。“大家在聊天場(chǎng)景中感覺效果不錯(cuò)，但這是個(gè)很通用的能力，當(dāng)模型真正場(chǎng)景化落地時(shí)，大家對(duì)它的預(yù)期可能過高。”顏亮說。

　　這一點(diǎn)也得到了業(yè)界認(rèn)可。多位服務(wù)商告訴數(shù)智前線，過去兩年，他們都遇到過用戶對(duì)大模型預(yù)期過高的情況，需要引導(dǎo)客戶找到整個(gè)價(jià)值鏈上最痛、最有價(jià)值的點(diǎn)。今年，DeepSeek的出現(xiàn)，使得嘗鮮門檻大幅降低，大家對(duì)于大模型能做什么，有了初步認(rèn)識(shí)，但真正要深入應(yīng)用，仍需進(jìn)行更深層次的認(rèn)知碰撞和價(jià)值引導(dǎo)。

　　第二，數(shù)據(jù)基礎(chǔ)設(shè)施不成熟。數(shù)據(jù)被作為一項(xiàng)生產(chǎn)力要素，建設(shè)的周期還較短，仍存在“找不到、供不出、流不動(dòng)、用不好、風(fēng)險(xiǎn)大”等多重困境。更何況，大模型要應(yīng)用到行業(yè)里，需要的是數(shù)據(jù)經(jīng)過煉化后形成的知識(shí)。

　　“數(shù)據(jù)就好比原油，怎么快速把原油煉化成大模型能用的‘汽油、柴油等成品油’，是決定這一輪人工智能誰能勝出的一個(gè)關(guān)鍵能力。”顏亮告訴數(shù)智前線。這也是為什么，今年數(shù)字中國建設(shè)峰會(huì)上，可信數(shù)據(jù)空間成為一大重點(diǎn)議題的原因所在。

　　第三，組織挑戰(zhàn)預(yù)估不充分。“很多人還沒意識(shí)到組織結(jié)構(gòu)將是一個(gè)核心挑戰(zhàn)。”顏亮表示，這輪AI的一大特點(diǎn)是更具角色扮演的能力，當(dāng)智能體在組織中扮演了一個(gè)崗位角色時(shí)，將對(duì)現(xiàn)有組織體系形成挑戰(zhàn)，它的職責(zé)邊界是什么?和周圍人的關(guān)系是什么?誰來管理?犯錯(cuò)誤怎么辦?生命周期是什么?都是需要重新考慮的問題。

　　02

　　大模型落地三部曲

　　面對(duì)組織用戶在邁向智能化落地“最后一公里”過程中的種種問題，業(yè)界不少廠商都在探索各自的解決之道。

　　浪潮云也不例外，今年3月，浪潮云首次對(duì)外公布了自己根據(jù)過去幾年的落地經(jīng)驗(yàn)，總結(jié)探索出的一套方法論——人工智能落地三部曲(簡(jiǎn)稱為“3M”)。

　　第一部曲，即場(chǎng)景匹配。這要求企業(yè)和服務(wù)商要首先找準(zhǔn)高價(jià)值場(chǎng)景，更有利于精準(zhǔn)突破，提升落地效率。

　　比如浪潮云打造的12345政務(wù)服務(wù)熱線智能體，最開始同時(shí)入手了智能客服、智能坐席、智能處置、智能分析四大場(chǎng)景智能體的建設(shè)。但最先實(shí)現(xiàn)破局的是“智能坐席智能體”，原先一個(gè)坐席一天能處理平均80個(gè)工單，在智能體幫助下，截至今年2月，一個(gè)坐席能處理的工單數(shù)已經(jīng)達(dá)到160個(gè)，效率直接翻番。這個(gè)點(diǎn)被激活后，其他幾個(gè)智能體的應(yīng)用也被加速，相繼用到了實(shí)際業(yè)務(wù)中。

　　“不同場(chǎng)景、不同的組織用戶，數(shù)據(jù)的Ready程度不夠，要通過‘試駕’的方式，快速找到能夠激活業(yè)務(wù)落地的起點(diǎn)，減少試錯(cuò)成本，小步快跑，實(shí)現(xiàn)從價(jià)值感知到業(yè)務(wù)轉(zhuǎn)化。”顏亮說。目前他們已形成一套支撐和參照體系，幫助用戶去選取場(chǎng)景匹配度最高的智能體進(jìn)行嘗試。

　　第二部曲，則是數(shù)據(jù)匹配。數(shù)據(jù)匹配是智能體落地的中軸工程，是智能體從通用走向?qū)�屬的關(guān)鍵，也是最難的。

　　提到數(shù)據(jù)，常見的誤區(qū)是“我的數(shù)據(jù)很多，或者數(shù)據(jù)質(zhì)量很高”，但脫離場(chǎng)景談數(shù)據(jù)數(shù)量和質(zhì)量，沒有太大價(jià)值，只有明確場(chǎng)景需求，才能激活數(shù)據(jù)價(jià)值。

　　另外，算法與數(shù)據(jù)的匹配同樣關(guān)鍵，算法是技術(shù)壁壘，需要有服務(wù)商將場(chǎng)景、數(shù)據(jù)、算法三者耦合，才能真正實(shí)現(xiàn)數(shù)據(jù)匹配。尤其隨著AI從預(yù)訓(xùn)練轉(zhuǎn)向后訓(xùn)練，這種匹配將愈發(fā)重要。

　　為此，各家企業(yè)都在圍繞內(nèi)部和外部數(shù)據(jù)構(gòu)建對(duì)應(yīng)的能力。浪潮云也在通過數(shù)據(jù)工程和可信數(shù)據(jù)空間實(shí)現(xiàn)數(shù)據(jù)可信供給及煉化。

　　第三部曲，即組織匹配。這輪AI的一大特點(diǎn)是更具角色扮演的能力，組織匹配將涉及到流程、組織體系的變更，包括對(duì)數(shù)字員工的管理。

　　為此，浪潮云打造了專門的“智能中樞+數(shù)智員工”體系，并提出五步法：智能體轉(zhuǎn)化成數(shù)字員工時(shí)，要明確其崗位職責(zé);嵌入智能中樞;部署數(shù)智員工;參與流程環(huán)節(jié);接入管理體系。目前，該體系已在上海虹口、濟(jì)南等其他幾個(gè)示范城市落地。

　　03

　　為什么推出“前店后廠”模式?

　　三部曲(3M)方法論已經(jīng)贏得不少組織用戶的認(rèn)可。但具體到落地過程，還是得有一套實(shí)打?qū)嵉闹�撐系統(tǒng)。

　　為此，在提出大模型落地三部曲僅一個(gè)月后，浪潮云又專門提出了“前店后廠”模式，來對(duì)前者形成有力支撐。

　　“前店后廠”并非新概念，它是一種常見的產(chǎn)銷一體化經(jīng)營模式，在制造業(yè)、零售業(yè)、手工業(yè)領(lǐng)域都有過應(yīng)用，20世紀(jì)后期，曾被廣泛用于描述珠三角與港澳地區(qū)的經(jīng)濟(jì)合作。2013年，AWS進(jìn)入中國時(shí)，也選擇了這種模式，將北京作為“前店”、寧夏作為“后廠”，來為中國各個(gè)地區(qū)的客戶提供云服務(wù)。

　　簡(jiǎn)單來說，這種模式就是將銷售、市場(chǎng)、應(yīng)用開發(fā)等放在靠近大城市的“前店”，生產(chǎn)、計(jì)算和服務(wù)等在能源、資源集聚的“后廠”，形成更加高效協(xié)同的產(chǎn)業(yè)鏈條。

　　不難看出，浪潮云在此時(shí)提出大模型時(shí)代的“前店后廠”模式，也是為了形成推進(jìn)大模型和智能體地落地的高效系統(tǒng)和鏈條，并借此滿足組織用戶在安全方面的高需求。

　　其中，海若大模型智能體驗(yàn)中心作為“前店”，提供包含Showcase(展示體驗(yàn))、Solution(個(gè)性化配置)、Service(全棧服務(wù))、Security(安全保障)在內(nèi)的“4S”服務(wù)。

　　一方面，這些體驗(yàn)中心里，沉淀了浪潮云已經(jīng)打磨完成的100多款成熟的智能體產(chǎn)品，涉及政務(wù)、應(yīng)急、農(nóng)業(yè)等多個(gè)領(lǐng)域，可提供給不同領(lǐng)域的組織用戶以“試駕”服務(wù)，幫助他們精準(zhǔn)鎖定高價(jià)值場(chǎng)景。

　　另一方面，這些體驗(yàn)中心將被放置在浪潮云的全國120多個(gè)云中心，基于分布式智能云的架構(gòu)，用戶將能通過本地化部署、專屬云以及可運(yùn)營私有云等多種方式，實(shí)現(xiàn)靈活算力支持的同時(shí)，確保數(shù)據(jù)不出域。

　　“目前，海若大模型智能體驗(yàn)中心首批已落地濟(jì)南、上海、北京等六大城市，今年的目標(biāo)是年底前落地超100個(gè)城市，近距離在用戶所在地解決場(chǎng)景匹配與微調(diào)問題，構(gòu)建起智能技術(shù)與實(shí)際需求無縫對(duì)接的高效平臺(tái)。”顏亮說。

　　“前店”之外，“后廠”的打造同樣重要，包括模型升級(jí)、智能體分裝等后訓(xùn)練的工作，都需要在后廠去完成。

　　目前，大模型發(fā)展仍在早期，更新迭代頻繁，隨著技術(shù)的不斷升級(jí)，對(duì)應(yīng)的行業(yè)或企業(yè)大模型以及智能體也需要進(jìn)行更新升級(jí)。尤其在金融、醫(yī)療等知識(shí)更新非常快的行業(yè)，垂類模型和場(chǎng)景智能體的更新將更為頻繁。

　　“比如醫(yī)療領(lǐng)域，對(duì)于某種病怎么治，我們?nèi)ビ?xùn)了個(gè)模型，半年后，一旦出了新藥或新的治療方案，這個(gè)模型就得改。金融也一樣，一旦原來的制度規(guī)定更新了，對(duì)應(yīng)的模型和智能體也要做知識(shí)調(diào)整和更新。”一位行業(yè)人士告訴數(shù)智前線。

　　顏亮則認(rèn)為，大模型訓(xùn)練和智能體的訓(xùn)練，都會(huì)流水線化，以此來解決快速改倉問題。

　　一般情況下，知識(shí)庫的更新，類似給模型“打補(bǔ)丁”，不需要改動(dòng)模型本身，在“前店”就可以解決。

　　而“改倉”，是直接升級(jí)模型的“大腦”，比如修改訓(xùn)練數(shù)據(jù)、調(diào)整模型結(jié)構(gòu)等，這種改動(dòng)不是簡(jiǎn)單的“換皮膚”，而是動(dòng)“筋骨”。如果按“小作坊式”路線，每次改倉都要重新實(shí)驗(yàn)、調(diào)試，不僅成本極高且影響效率，而且很可能因?yàn)楸镜厮懔�和技術(shù)不夠，造成模型認(rèn)知問題，需要一個(gè)中央“模型工廠”，以流水線模式，集中處理，降低成本，提升效率。

　　為此，在浪潮云的“前店后廠”模式中，海若大模型工廠將作為“后廠”，依托語料中心、訓(xùn)練中心、評(píng)測(cè)中心、集成中心這四大中心，實(shí)現(xiàn)大模型訓(xùn)練和智能體訓(xùn)練流水線，全面支持大模型快速迭代與持續(xù)優(yōu)化，并通過定制化訓(xùn)練與后續(xù)培訓(xùn)推動(dòng)智能工廠向全產(chǎn)業(yè)鏈延伸。

　　大模型工廠還兼顧了數(shù)據(jù)安全問題，在調(diào)倉和改倉過程中，如果有不能用用戶原始數(shù)據(jù)的，脫敏即可，數(shù)據(jù)脫敏不方便的，模型工廠里也建設(shè)有專區(qū)，來滿足用戶需求。