當(dāng)下，AI技術(shù)繁榮無(wú)比，但無(wú)數(shù)企業(yè)卻陷入“叫好不叫座”的困境：算法模型很先進(jìn)，但一到真實(shí)的行業(yè)場(chǎng)景中就“水土不服”。問(wèn)題究竟出在哪?大模型和智能體的興起，又為我們提供了怎樣的新解題思路?本文將深入探討算法落地的核心痛點(diǎn)，并闡述我們?nèi)绾谓枇π录夹g(shù)，打造出真正解決問(wèn)題的產(chǎn)品。

一、 落地之困：價(jià)值兌現(xiàn)的“最后一公里”難題

盡管技術(shù)不斷突破，但算法在深入行業(yè)應(yīng)用時(shí)，依然面臨幾個(gè)核心挑戰(zhàn)：

“專用”與“通用”的矛盾：

傳統(tǒng)小模型要求算法定義明確，功能上稍作調(diào)整或者換一個(gè)細(xì)分場(chǎng)景都需要重新開(kāi)發(fā)，研發(fā)成本高、周期長(zhǎng)，難以規(guī)模化復(fù)制;

“感知”與“認(rèn)知”的割裂：

由于小模型并不具備“類似于人的認(rèn)知”，因此要求給出明確的算法定義，而對(duì)于部分需求而言，算法定義難以設(shè)計(jì)，因而這些功能無(wú)法被有效實(shí)現(xiàn)出來(lái);

“交付”與“優(yōu)化”的斷層：

行業(yè)落地過(guò)程中，算法上線只是開(kāi)始，持續(xù)不斷的優(yōu)化非常關(guān)鍵，僅僅提供算法本身是不夠的。

二、破局之器：大模型與智能體的特性與優(yōu)勢(shì)

幸運(yùn)的是，技術(shù)本身也在演進(jìn)，大模型和智能體帶來(lái)了新的可能性：

大模型的特點(diǎn)

“通用”但不“專精”

模型的能力來(lái)自于數(shù)據(jù)。得益于大量互聯(lián)網(wǎng)數(shù)據(jù)的訓(xùn)練，目前的基礎(chǔ)大模型具備了廣泛的知識(shí)，但這些知識(shí)落到具體某個(gè)行業(yè)、場(chǎng)景上，就非常依賴于對(duì)應(yīng)行業(yè)、場(chǎng)景的數(shù)據(jù)是否在互聯(lián)網(wǎng)上出現(xiàn)過(guò)，以及出現(xiàn)過(guò)多少。所以，在我們看來(lái)，大模型在不同的場(chǎng)景下會(huì)有截然不同的表現(xiàn)，比如馬路上的行人檢測(cè)精度不錯(cuò)，但是油田場(chǎng)景中抽油機(jī)的驢頭檢測(cè)卻效果不佳?；诖竽Ｐ偷倪@一特點(diǎn)，可以通過(guò)提示詞快速賦能某個(gè)具體場(chǎng)景，但不少情況下也需要做行業(yè)化的迭代。

與人類形成模糊意義的“認(rèn)知”對(duì)齊：

大模型除了能作為快速賦能的工具之外，還具備一些小模型不具備的能力，大模型與人類從模糊意義上來(lái)說(shuō)認(rèn)知是對(duì)齊的，這跟人與人之間的認(rèn)知對(duì)齊形式非常像。舉個(gè)例子，比如消防通道堵塞問(wèn)題，對(duì)于人來(lái)說(shuō)，即便是安全主管對(duì)安全員說(shuō)“這條安全通道很重要，務(wù)必不能堵塞”，不同的安全員收到這個(gè)任務(wù)后的執(zhí)行情況也會(huì)因人而異。如下圖所示，這四種情況可以看作是不同意義上的“消防通道沒(méi)有堵塞”。因此，人與人之間形成了模糊的認(rèn)知對(duì)齊，而大模型也是如此，本身就能理解諸如消防通道堵塞、沿街晾曬等任務(wù)，而不需要像小模型一樣在“什么東西堵算堵、堵多少算堵”等問(wèn)題上糾結(jié)，這種模糊對(duì)齊的認(rèn)知恰恰是互聯(lián)網(wǎng)數(shù)據(jù)賦予的。

智能體的特點(diǎn)

智能體的兩種內(nèi)在模式：

從智能體底層的實(shí)現(xiàn)上來(lái)看，主要分為工作流模式和全自主模式。工作流模式指的是“智能體基于預(yù)設(shè)的方案工作，使用大模型和工具實(shí)現(xiàn)目標(biāo)”，該模式適用于“有相對(duì)明確的流程，希望通過(guò)自動(dòng)化來(lái)提升效率”的場(chǎng)景，其局限性在于面向新任務(wù)的拓展性受限。全自主模式指的是“智能體自主規(guī)劃決策，以結(jié)果為導(dǎo)向”，該模式適用于“只有大致思路甚至沒(méi)有思路，需要開(kāi)放式、多路徑的探索”的場(chǎng)景，該模式也存在一些問(wèn)題，在算力消耗、魯棒性、可信度方面都需要進(jìn)一步的技術(shù)突破。

如何進(jìn)行模式選擇：

“Less structure, more intelligence”，從技術(shù)上來(lái)說(shuō)確實(shí)如此，畢竟方案設(shè)計(jì)越少，對(duì)模型能力的要求也越高。但是從應(yīng)用落地的角度上來(lái)說(shuō)，效果好、成本低才是技術(shù)實(shí)現(xiàn)價(jià)值兌現(xiàn)的核心。因此，面向不同的行業(yè)、場(chǎng)景做出合理選擇是必要的。比如在判斷某次施工是否符合預(yù)設(shè)的流程規(guī)范時(shí)，工作流模式就是一種不錯(cuò)的選擇。

三、解題之道：大小模型協(xié)同 & 端到端優(yōu)化

面對(duì)前面提到的落地難點(diǎn)，曠視并未將大模型視為萬(wàn)能藥，而是依托于十多年來(lái)積累的算法、系統(tǒng)、硬件的全棧技術(shù)實(shí)力，引入大模型和智能體，完成整體解決方案的升級(jí)。

大小模型協(xié)同

我們深刻理解大小模型各自的特點(diǎn)，因此采用大小協(xié)同架構(gòu)，讓大小模型在最適合的位置發(fā)揮價(jià)值。具體而言，我們利用大模型的通用屬性，為行業(yè)場(chǎng)景提供快速接入的解決方案，也利用大模型的強(qiáng)認(rèn)知屬性，作為智能體的大腦中樞;同時(shí)，我們也在合適的場(chǎng)景下，用經(jīng)過(guò)行業(yè)數(shù)據(jù)迭代的小模型實(shí)現(xiàn)應(yīng)用降本。以視頻巡檢智能體為例，不僅集成了行業(yè)化的太乙大模型，還在模型庫(kù)內(nèi)接入了曠視沉淀的百余種視覺(jué)小模型，讓視頻巡檢能夠?qū)崿F(xiàn)任務(wù)接入快、運(yùn)行成本低、算法精度高。

端到端優(yōu)化

一個(gè)AI系統(tǒng)的上線不是終點(diǎn)，而是優(yōu)化的起點(diǎn)?；诖?，曠視經(jīng)過(guò)多年打磨，研發(fā)了一套高效的算法生產(chǎn)與應(yīng)用平臺(tái)(AIS)，基于這套平臺(tái)，我們實(shí)現(xiàn)了從數(shù)據(jù)到模型、從軟件到硬件、從研發(fā)到落地的有機(jī)結(jié)合，解決了算法模型“交付即落后”的行業(yè)痛點(diǎn)，實(shí)現(xiàn)了技術(shù)與場(chǎng)景的“雙向賦能”和協(xié)同進(jìn)化。舉例來(lái)說(shuō)，使用這套平臺(tái)可以快速實(shí)現(xiàn)三步走式的行業(yè)算法生產(chǎn)范式。在新場(chǎng)景落地初期，核心訴求、算法邊界尚不明了，此時(shí)可以通過(guò)零樣本、少樣本技術(shù)快速調(diào)試基礎(chǔ)模型，實(shí)現(xiàn)“從無(wú)到有”;在小范圍使用一段時(shí)間后，可以依托于實(shí)際場(chǎng)景的數(shù)據(jù)做場(chǎng)景化訓(xùn)練，實(shí)現(xiàn)“從有到優(yōu)”;最后，對(duì)于部分任務(wù)而言，積累了一定量的數(shù)據(jù)、認(rèn)知后，可以產(chǎn)出場(chǎng)景模型與算法，實(shí)現(xiàn)“使用降本”。

結(jié)語(yǔ)：邁向“雙向賦能”的新階段

算法的價(jià)值，最終必須在場(chǎng)景中兌現(xiàn)。大模型和智能體不是炫技，而是我們解決老問(wèn)題的新答案。它們讓我們能夠搭建一座橋梁，連接技術(shù)的無(wú)限可能性與行業(yè)的真實(shí)需求，真正實(shí)現(xiàn)技術(shù)與場(chǎng)景的雙向奔赴、協(xié)同進(jìn)化。