企業(yè)打算上 AI 的時(shí)候，有兩個(gè)問(wèn)題幾乎一定會(huì)被提出來(lái)：
一是"我們數(shù)據(jù)中臺(tái)還沒(méi)建完，是不是得先建好再說(shuō)"；二是"要不要訓(xùn)練一個(gè)我們自己的行業(yè)大模型"。
這兩個(gè)問(wèn)題的答案，可能和很多人想的不一樣。
| 問(wèn)題 | 結(jié)論 | 真正的前提 |
|---|---|---|
| 要不要先把數(shù)據(jù)中臺(tái)建好？ | 不必等全企業(yè)級(jí)的數(shù)據(jù)中臺(tái)建完 | 但"這一個(gè)場(chǎng)景"的數(shù)據(jù)必須可用、口徑必須對(duì) |
| 要不要訓(xùn)練自己的大模型？ | 絕大多數(shù)企業(yè)不需要 | 先評(píng)估"現(xiàn)有模型 + 企業(yè)知識(shí) + 工具調(diào)用"的組合 |
最常見(jiàn)的錯(cuò)誤，是把"建設(shè)工作"當(dāng)成了"前提條件"。 數(shù)據(jù)中臺(tái)和自訓(xùn)模型都是重投入的長(zhǎng)周期工程，一旦把它們?cè)O(shè)成門(mén)檻，AI 落地基本就無(wú)限期推遲了。
很多人說(shuō)"數(shù)據(jù)沒(méi)治理好，所以不能上 AI"，其實(shí)混淆了三件不同粒度的事：
問(wèn)數(shù)類(lèi) AI 出問(wèn)題的典型原因，往往不是數(shù)據(jù)沒(méi)治理，而是同一個(gè)指標(biāo)在不同系統(tǒng)里定義不一樣：
AI 會(huì)照著它拿到的口徑，給出非常自信的錯(cuò)誤答案。
一個(gè)立刻能做的檢查： 挑幾個(gè)管理層常用的指標(biāo)，要求 AI 的回答顯示數(shù)據(jù)來(lái)源、時(shí)間范圍、篩選條件和計(jì)算口徑，然后和原報(bào)表逐條核對(duì)。這一條做下來(lái)，能擋掉大部分問(wèn)數(shù)類(lèi)事故。
不必問(wèn)"數(shù)據(jù)中臺(tái)建沒(méi)建完"，問(wèn)這四個(gè)：
四個(gè)都過(guò)，就可以起步。
第一，成本高、難度大。 2024 年流行過(guò)企業(yè)微調(diào)自己的垂類(lèi)模型，實(shí)踐下來(lái)投入和復(fù)雜度都遠(yuǎn)超預(yù)期。
第二，不劃算。 通用大模型的迭代速度和泛化能力，已經(jīng)明顯超過(guò)企業(yè)自己微調(diào)的垂類(lèi)模型。你花大力氣訓(xùn)出來(lái)的效果，可能幾個(gè)月后就被新一代通用模型追平了。
第三，有更便宜的解法。 企業(yè)真正缺的往往不是"更懂行業(yè)的模型"，而是讓模型能夠訪問(wèn)企業(yè)私域知識(shí)和業(yè)務(wù)系統(tǒng)。
| 手段 | 解決什么 | 投入 |
|---|---|---|
| 提示優(yōu)化 | 讓模型更好理解任務(wù) | 最低 |
| 檢索增強(qiáng)（RAG） | 讓模型用上企業(yè)私域知識(shí) | 低 |
| 工具調(diào)用 | 讓模型查真實(shí)數(shù)據(jù)、調(diào)業(yè)務(wù)系統(tǒng) | 中 |
| 模型訓(xùn)練/微調(diào) | 改變模型本身行為 | 最高 |
注意：這四步不是必須依次完成的階梯。 別默認(rèn)"先提示詞、再 RAG、最后微調(diào)"，應(yīng)該針對(duì)具體問(wèn)題直接比較效果和成本。
三個(gè)條件同時(shí)具備：
通常先明確場(chǎng)景，再選模型。
因?yàn)閱?wèn)答、預(yù)測(cè)、文檔處理和系統(tǒng)執(zhí)行這四類(lèi)任務(wù)，對(duì)準(zhǔn)確性、時(shí)延、費(fèi)用和隱私的要求完全不同。場(chǎng)景沒(méi)定，模型無(wú)從比較。
企業(yè)AI 的起點(diǎn)不是一個(gè)宏大的建設(shè)計(jì)劃，而是一個(gè)具體的業(yè)務(wù)問(wèn)題。
不要等數(shù)據(jù)中臺(tái)，先把這一個(gè)場(chǎng)景的數(shù)據(jù)和口徑解決掉；不要急著訓(xùn)模型，先讓現(xiàn)有模型接上你的知識(shí)和系統(tǒng)。省下的時(shí)間，投到"選一個(gè)高頻、規(guī)則清晰、可量化的場(chǎng)景先跑起來(lái)"上，比什么都值。