8月22日，2024AGI商业趋势大会在深圳成功举行。大会由创业邦主办，南山区科技创新局、西丽湖国际科教城融合创新中心、深圳市“模力营”AI生态社区为支持单位，揽胜运动为大会指定用车，搜狐为战略合作媒体。
本届大会以“AI塑造未来市场”为主题，邀请人工智能领域的行业专家、上市公司、独角兽企业、创新企业、投资机构代表，分享研讨最新的技术、创投、治理热点话题，并围绕产品商业化、人工智能+行业解决方案进行深度交流，共同探寻更广泛的产业合作与创新机遇。
会上，OPPO巡星投资总经理乔雨婷，春雨医生CTO、联合创始人曾柏毅，和气聚力教育科技联合创始人成硕，海天瑞声首席技术官兼自动驾驶事业部总经理黄宇凯，猎聘技术副总裁、AI中心负责人莫瑜在“产业大模型的数智价值”焦点对话中的精彩观点如下：
1. 到处都是低垂的果实，这就是AI的时代。
2. 除了要紧跟技术的变化，更要关注客户需求与商业的本质。
3. 创业要考虑技术+产品+应用三者之间的有机结合，形成商业模式，才能走得更长更远。
4. 要持续建设数据飞轮，让业务能够持续地增长和进化。
以下为对话内容，由创业邦整理：
乔雨婷（主持人）：大家上午好，我是OPPO巡星投资总经理乔雨婷，特别荣幸主持本场AI产业界的panel。首先请问各位，如何看待AI+创新模式和变革的力量，以及如何理解产业大模型的数智价值？
曾柏毅：OpenAI问世已经一年多，我们看到AI肯定是未来十年最重大的趋势之一。它对产业的深远影响，必将持续很长时间。接下来我讲下自己的三个观察：
第一，AI作为提升普通人工作效率的工具，正在迅速普及，许多聊天应用，包括各种Talk类型的应用，已经成为效率工具中最重要的一环。
第二，AI正在利用行业数据来改造行业。在春雨医生平台，大部分任务都涉及到AI的参与。我们通过AI改进整体的效率，这背后依赖于对行业深刻理解和专业知识积累。
第三，今天很多嘉宾提到范式转移，有一些任务可以完全通过AI完成，我认为范式转移是完全有可能发生的事情。
乔雨婷（主持人）：结合春雨医生的几大业务板块，是否可以根据“AI提升效率从高到低”做一个排序？
曾柏毅：我认为效率没有高低之分，是不同的应用场景。比如说普通人的应用，大多是用AI实现“写一篇文章”“修改一个E-mail”这样分散的场景。对于很多企业内的场景，提升企业整个运转的效率，它一定是需要有行业参与的。在我看来，不涉及效率高低之分，而是在不同的细分形态里面，有各自适合的场景。
乔雨婷（主持人）：比如说客服，对比之前的NLP业务人员效率提升了多少？
曾柏毅：我以质量控制为例解释一下。春雨医生平台每天接待数万名用户在线问诊。我们致力于确保每位用户都能获得高质量的医疗服务体验。为了实现这一目标，我们建立了一套系统，通过抽样检查，由客服和专家团队对问诊回复进行评估，并对用户的负面反馈进行深入分析，以找出问题所在。
目前，我们的大部分工作（大约80%）已经实现了自动化，由AI完成初步筛选。AI能够从多个维度对问诊回复进行评估，包括同理心、专业性和回复的详尽性等。评估完成后，我们会将结果直接反馈给医生，作为他们提升线上服务质量的依据，或提供给客服团队进行后续跟进。
与过去相比，现代的自然语言处理（NLP）模型在处理这类任务时更为高效，不再需要依赖大量的训练数据，这大大提升了我们的工作效率和服务质量。
乔雨婷（主持人）：请成总介绍一下AI为教育行业带来的改变和应用。
成硕：我们公司专注于校内教育的数字化。可能在座很多都是家长，作为家长，我们都希望孩子能得到个性化教育，但学校体系中存在两大制约因素。
第一，大班授课模式下，如何准确掌握每个学生的学习情况，以便提供个性化指导，这是一大挑战。这需要我们进行有效的数据采集和分析。
第二，教师的时间和精力有限。我们经常看到老师们加班到深夜，批改作业和作文，这对他们的身心健康是一种考验。
为了解决这些问题，我们认为可以利用数字化技术和人工智能技术来提高教育效率。自2015年以来，我们一直在探索人工智能与教育的结合，并开发了多种产品。随着大模型技术的出现，我们的产品也在不断升级。例如，我们研发的人工智能排课产品，通过启发式算法，帮助教务老师自动化排课，减轻了他们的工作负担。我们还研发了自动化批改工具，包括试卷批改和数据分析，以及去年推出的生成式AI智能作文教学产品，帮助老师生成评语和建议，老师可以在此基础上修改，提高工作效率，实现作文教学的减负增效。
乔雨婷（主持人）：谢谢成总。接下来我们请黄总分享一下。
黄宇凯：我们会看到各行各业只要当它需要运用AI能力或者大模型的时候，都会有或多或少数据方面的需求。这些需求往往需要我们这样的公司来提供支持。随着大模型技术的飞速发展，我们见证了它在多个领域的革命性应用。
正如融360叶总所指出的，AI技术已经使得许多原本依赖人工的任务实现了自动化，同时交互方式也因技术进步而变得更加丰富和便捷。这些进步都是由先进的AI技术，尤其是大模型技术所驱动的。
在产业层面，我们观察到企业正积极将AI能力整合到他们的业务中。通过不断的数据优化和模型调整，企业正在寻找最佳的应用平衡点，以实现产品市场契合度（PMF），从而推动产业发展。
在公司内部，我们也在积极拥抱AI技术。作为全球领先AI数据服务提供商，我们深知效率和成本的重要性。传统的数据清洗和标注工作不仅耗时而且成本高昂。为此，我们投入了大量研发资源，通过自动化预标注和质量检测等技术，显著提升了我们的工作效率和市场竞争力。随着大模型技术的整合，我们在语音、文本和视觉处理等多个领域实现了生产效率的飞跃，同时降低了运营成本。这不仅使我们能够扩大服务范围，也为整个数据服务行业带来了深远的影响。
乔雨婷（主持人）：谢谢黄总。莫总，您觉得在人力资源行业，AI对猎聘的改变是什么？
莫瑜：大家好，我是猎聘技术副总裁、AI中心负责人莫瑜。猎聘是一家人力资源科技公司，在大模型技术出现之前，我们就已经在为人力资源行业提供赋能服务。在求职招聘领域，尤其是招聘端，我们致力于帮助HR和猎头提高工作效率。
传统上，我们依赖搜索推荐系统这种常见的模式。大模型技术的出现，为我们解决了两个主要问题。首先，它增强了需求表达的能力，不再局限于标准的标签或关键词，而是可以使用更自然的语言表达招聘需求。这对于处理那些包含复杂条件的招聘诉求特别有帮助。其次，传统的搜索推荐系统主要依赖用户行为的隐式反馈，比如用户的点击行为。而大模型技术允许我们收集更多显式的反馈，从而进一步提升交互效果和能力。
除了招聘场景，我们还开发了智能面试官，通过智能面试的方式，显著提高了初筛的效率。此外，我们还在内部赋能方面做了很多工作，包括内容审核和销售赋能等。
乔雨婷（主持人）：谢谢莫总。各位都是真正在AI一线参与产业落地的，其实像去年火热的“百模大战”，还是停留在模型层面。今年是要落地见真章，真正聚焦效率，聚焦是否可以找到PMF实现利润的增长。各位分享一下，在您各自的领域，抽离出来的AI落地方法论是哪些？
曾柏毅：我跟其他做AI的人也讨论过，我觉得AI应用有两种模式：一个是油电混合，一个是自动驾驶。油电混合是说从油车到电车的过程是渐进的过程，可以有增程，有纯电，当然也不需要一上来就到纯电。
其实大模型的应用，我认为也是这样的。在医疗这个行业里面，我们有两类东西，一类是渐进的，自控的改善，它可以改善50%，也可以改善80%。只要你用上了，它就能够提升效率。另外一类是AI问诊或AI家庭医生，这个是整个医疗大模型的圣杯，但这个非常难，它有点像自动驾驶，可能做不到99.99%，都很难说服用户去用。
我们的策略是先从油电混合型的业务开始，通过不断迭代提高效率和效果。在这个过程中，医生使用AI模型进行辅诊，这不仅能提供校准AI输出的机会，还能产生新的数据，帮助我们逐步接近AI家庭医生的目标。对我们来说，是两者相结合的。
成硕：我结合我们自己的产品，从四个方面分享我的看法：场景、客户、需求和数据。
刚刚有提到说，我们的产品是围绕“怎么去帮学校减负、实现因材施教”，包括帮老师从繁重的工作中解放出来，让老师将更多的精力专注在教学本身和学生个性成长上。这得益于8年的教育数字化经验，和气聚力教育科技与八千多所学校合作，积累了大量教学的学情数据。去年，大模型技术的出现让我们看到了“AI+教育”领域的巨大变革潜力。
首先，场景端。我们以去年推出的好专业作文智能教学产品为例。这个产品是基于现有语文教学需求场景的升级，而非创造新场景。我们先确定具体需求场景，再寻找可应用的技术，这与传统技术先行的方式有所不同。同时，我们邀请学校特级语文老师参与到产品开发的工作中来，会根据他们的反馈调整评语和评分标准等。
第二，客户端。为了把这个产品做好，我有两次深入到学校的深刻印象。第一次是公司刚成立的时候，我去学校办公；第二次是去年大模型出现的时候，我又回到学校办公。因为作为一个应用型的Saas类公司，我必须要时刻跟客户在一起。
第三，需求端。我们认识到，要打造爆款产品，不仅要满足客户需求，还要帮助他们梳理需求的优先级。作为技术提供者，我们需要帮助客户理解人工智能技术的发展，并明确哪些需求是可行的。
第四，数据端。我们的产品之所以能在半年内吸引数百所学校付费使用，离不开我们对数据的长期积累，以及将先进的大模型技术与特定垂直领域的数据紧密结合。
乔雨婷（主持人）：谢谢成总。我觉得非常重要的一点，是要先找场景，看哪些场景可以结合AI改善用户体验，而不是先去找技术，我觉得这是给AI创业者很重要的启发。
黄宇凯：我非常认同落地方法论的重要性。在AI应用开发中，我们首先需要深入理解具体的应用场景，选择恰当的模型和算法架构，找到正确的数据和数据处理方法。然后通过不断迭代产品来实现持续升级。
在大模型时代，快速迭代显得尤为关键。它不仅能够提高大模型在创业初期的落地成功率，更是推动项目快速发展的决定性因素。我们可以通过采用小批量数据和较小规模的模型来进行快速验证，然后通过小规模的用户测试来收集反馈，进而实现产品的快速迭代。
以我们自动驾驶服务为例，自动驾驶相关数据标注的需求变化非常迅速。我们需迅速适应客户的需求，与算法团队紧密合作，理解他们的技术发展路线，并进行大量的试错。在某些情况下，我们仅需处理少量高质量的精确数据，如几十帧视频或几张图片，就能迅速达到算法所需的数据量级，并观察到明显的改进效果。这种快速迭代的能力对我们的数据服务行业至关重要，它不仅帮助我们快速适应市场的变化，也使我们的客户能够迅速实现大模型或AI技术的落地和应用。
莫瑜：当场景、业务这些相对比较明确之后，我们做一个比喻—将开源或闭源的模型比作招聘数字员工。这些模型的能力在不断增强，就像不断有新员工加入或离职。我们内部在探索和应用这些模型时，需要考虑如何选择合适的模型，并建立培训机制，以适应不同场景。选用育留的机制其实是未来能够区分不同企业或组织做得极致与否的体现，也是壁垒的体现。
我们培养一个新的数字员工，整合企业数据和流程，类似于将大型模型转化为具有工作流程的智能代理。关键的第一步是建立机制，以确保我们的系统能够与大型模型同步迭代和进化。
另外，我也非常认同马毅教授的观点—一个模型能力再强，如果没有迭代，它就只能被视作维持在“做计算”的本能阶段。只有针对具体业务场景进行持续优化和实时更新，它才走向了真正的智能。这就需要我们持续构建数据飞轮，持续做积累。
乔雨婷（主持人）：谢谢莫总。特定场景的agent，其实不是一个特别大的模型，而是一些中小模型。您作为公司的技术负责人，怎么去平衡资源的分配？
莫瑜：不同的模型具有不同的能力范围和强度。有些模型更擅长处理文科类任务，而有些则更适合理科类问题。在选择模型时，我们需要从业务角度出发，综合考虑效果、性能和成本，并非总是选择最大的模型。因为某些场景可能对性能有较高要求，而其他场景可能更注重效果。因此，我们需要根据不同场景建立相应的评估和应用机制。
乔雨婷（主持人）：感谢各位精彩的观点输出。最后请各位分享一句与创业者共勉的话，谢谢。
曾柏毅：到处都是低垂的果实，这就是AI的时代。
成硕：除了要紧跟技术的变化，更要关注客户需求与商业的本质。
黄宇凯：创业要考虑技术+产品+应用三者之间的有机结合，形成商业模式，才能走得更长更远。
莫瑜：我们要持续建设数据飞轮，让业务能够持续地增长和进化。
9月19-20日，更多的创业者将登上2024 DEMO CHINA的舞台，在AI纪元绽放自己的创新力量。
