當下，AI技術(shù)繁榮無比，但無數(shù)企業(yè)卻陷入“叫好不叫座”的困境：算法模型很先進，但一到真實的行業(yè)場景中就“水土不服”。問題究竟出在哪?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，并闡述我們?nèi)绾谓枇π录夹g(shù)，打造出真正解決問題的產(chǎn)品。

一、 落地之困：價值兌現(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，依然面臨幾個核心挑戰(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)整或者換一個細分場景都需要重新開發(fā)，研發(fā)成本高、周期長，難以規(guī)?；瘡?fù)制;

“感知”與“認知”的割裂：

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

“交付”與“優(yōu)化”的斷層：

行業(yè)落地過程中，算法上線只是開始，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

幸運的是，技術(shù)本身也在演進，大模型和智能體帶來了新的可能性：

大模型的特點

“通用”但不“專精”

模型的能力來自于數(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，但這些知識落到具體某個行業(yè)、場景上，就非常依賴于對應(yīng)行業(yè)、場景的數(shù)據(jù)是否在互聯(lián)網(wǎng)上出現(xiàn)過，以及出現(xiàn)過多少。所以，在我們看來，大模型在不同的場景下會有截然不同的表現(xiàn)，比如馬路上的行人檢測精度不錯，但是油田場景中抽油機的驢頭檢測卻效果不佳?；诖竽Ｐ偷倪@一特點，可以通過提示詞快速賦能某個具體場景，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“認知”對齊：

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說認知是對齊的，這跟人與人之間的認知對齊形式非常像。舉個例子，比如消防通道堵塞問題，對于人來說，即便是安全主管對安全員說“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任務(wù)后的執(zhí)行情況也會因人而異。如下圖所示，這四種情況可以看作是不同意義上的“消防通道沒有堵塞”。因此，人與人之間形成了模糊的認知對齊，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”等問題上糾結(jié)，這種模糊對齊的認知恰恰是互聯(lián)網(wǎng)數(shù)據(jù)賦予的。

智能體的特點

智能體的兩種內(nèi)在模式：

從智能體底層的實現(xiàn)上來看，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現(xiàn)目標”，該模式適用于“有相對明確的流程，希望通過自動化來提升效率”的場景，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有思路，需要開放式、多路徑的探索”的場景，該模式也存在一些問題，在算力消耗、魯棒性、可信度方面都需要進一步的技術(shù)突破。

如何進行模式選擇：

“Less structure, more intelligence”，從技術(shù)上來說確實如此，畢竟方案設(shè)計越少，對模型能力的要求也越高。但是從應(yīng)用落地的角度上來說，效果好、成本低才是技術(shù)實現(xiàn)價值兌現(xiàn)的核心。因此，面向不同的行業(yè)、場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，工作流模式就是一種不錯的選擇。

三、解題之道：大小模型協(xié)同 & 端到端優(yōu)化

面對前面提到的落地難點，曠視并未將大模型視為萬能藥，而是依托于十多年來積累的算法、系統(tǒng)、硬件的全棧技術(shù)實力，引入大模型和智能體，完成整體解決方案的升級。

大小模型協(xié)同

我們深刻理解大小模型各自的特點，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)揮價值。具體而言，我們利用大模型的通用屬性，為行業(yè)場景提供快速接入的解決方案，也利用大模型的強認知屬性，作為智能體的大腦中樞;同時，我們也在合適的場景下，用經(jīng)過行業(yè)數(shù)據(jù)迭代的小模型實現(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，還在模型庫內(nèi)接入了曠視沉淀的百余種視覺小模型，讓視頻巡檢能夠?qū)崿F(xiàn)任務(wù)接入快、運行成本低、算法精度高。

端到端優(yōu)化

一個AI系統(tǒng)的上線不是終點，而是優(yōu)化的起點?；诖?，曠視經(jīng)過多年打磨，研發(fā)了一套高效的算法生產(chǎn)與應(yīng)用平臺(AIS)，基于這套平臺，我們實現(xiàn)了從數(shù)據(jù)到模型、從軟件到硬件、從研發(fā)到落地的有機結(jié)合，解決了算法模型“交付即落后”的行業(yè)痛點，實現(xiàn)了技術(shù)與場景的“雙向賦能”和協(xié)同進化。舉例來說，使用這套平臺可以快速實現(xiàn)三步走式的行業(yè)算法生產(chǎn)范式。在新場景落地初期，核心訴求、算法邊界尚不明了，此時可以通過零樣本、少樣本技術(shù)快速調(diào)試基礎(chǔ)模型，實現(xiàn)“從無到有”;在小范圍使用一段時間后，可以依托于實際場景的數(shù)據(jù)做場景化訓(xùn)練，實現(xiàn)“從有到優(yōu)”;最后，對于部分任務(wù)而言，積累了一定量的數(shù)據(jù)、認知后，可以產(chǎn)出場景模型與算法，實現(xiàn)“使用降本”。

結(jié)語：邁向“雙向賦能”的新階段

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