身处热潮之中，诸多科技企业也高调入局。百度发布“文心一言”，阿里达摩院正在研发类ChatGPT对话机器人，腾讯成立“混元助手”项目组以针对ChatGPT对话式产品，京东计划推出ChatJD，而科大讯飞于5月率先推出搭载类ChatGPT技术的AI学习机。此外，浪潮、昆仑万维、网易、360等公司也纷纷宣布加入这场探索，以期挖掘出适合中国市场的ChatGPT商业化模式。
ChatGPT的火爆源自于其独特的能力，即通过能力提升，实现了初步的「智慧涌现」。某种意义上来说，ChatGPT所代表的人工智能技术将重新定义生产力，超级AI算力+大模型算法正在成为国家及各产业战略核心的竞争力。ChatGPT引发的热潮背后，是人们对于人工智能应用的无限想象和期待，也形成了推动人工智能领域进一步发展的巨大动力。
AI大模型：新发展范式应用的核心竞争力
作为一款对话式机器人，ChatGPT可谓是“上知天文、下知地理”，在语义理解、多轮交互、内容生成等方面表现优异，而这背后离不开AI大模型强大的通用智能能力。
自2018年起，预训练大模型成为了一个风口，国外谷歌、微软的大规模预训练模型参数指标不断创新高，国内的AI领域也在快速跟进，百度、华为、阿里巴巴、科大讯飞等科技巨头也投入了大量资源进行预训练大模型攻关。
大模型攻关非一日之功，算力、算法和数据这三要素是AI技术应用化突破的基石。和传统的AI算法相比，ChatGPT背后的AI大模型参数从初代的1.17亿提升到第三代的1750亿，用于训练的数据量呈指数级提升，这才带来了模型能力和使用效果的大幅提升。
具有算力、算法、数据综合优势的企业，基于低门槛、高效率的生产平台，通过采用“预训练+下游任务微调”的方式，在研发阶段就可以将模型的复杂生产过程封装起来。这样，大数据、大算力、大模型的复杂技术和研发挑战可以在客户应用之前得到解决。
客户能够直接使用简单、易用、工业化的大模型能力，而各个行业的企业只需要通过生产平台提出具体应用场景，开发大模型的企业根据使用需求进行针对性地开发、训练，帮助使用者优化调整大模型的各项参数，从而向千行百业提供大模型服务。
AI大模型强大的通用智能能力，有助于跨越技术与应用之间的鸿沟。其应用模式的优势体现在三个方面：首先，解决了AI模型过于碎片化的问题，使得模型的泛化应用场景得到了很大的提升；其次，可挖掘现有大模型潜力，提升智能程度，从而降低下游具体任务的研发成本；最后，大模型实现了高度标准化的训练过程，可缩短研发周期，加快AI应用的落地。这三大特性让大模型更适应AI工业化阶段的需求。随着人工智能第三波大模型生成式AI浪潮的到来，相信人工智能的落地模式将跃迁进入新的发展范式。
AI大模型：从智能客服到ChatGPT，企业级应用的落地仍需优化
近些年来，AI对话能力在具体业务场景落地的主要方式之一，就是搭建企业级的智能客服。通过对话式AI平台，企业用户可以构建对话机器人，实现人机交互。此前，智能客服主要用于消费市场的企业，但随着客服服务边界不断拓宽深化，金融机构如银行、保险等企业级服务场景也不断增加，例如企业客服、营销以及内部助手等场景。
然而，智能客服应用的表现仍有提升的空间。根据iiMedia Research(艾媒咨询)2021年中国智能客服满意度调查报告的数据显示，只有29.8%的用户认为智能客服能够解决较多问题。在智能客服使用中，千篇一律的回答占比达59.1%，重复循环操作为50.6%，答非所问为47.3%，听不懂需求为31.2%，回答滞后则为17.9%，用户遇到的问题也呼应了智能客服有待改进的方面。
而ChatGPT能够“光速出圈”，原因就在于它能够像人一样对话。其背后强大的认知智能、自然语言理解、逻辑推理能力，能够让人机之间的对话流畅进行，有效地弥补了智能客服“答非所问”和“听不懂需求”等缺陷。
那么，具备大模型支撑的ChatGPT，是否可以直接取代或者解放智能客服呢？
目前来看，ChatGPT是一种通用AI技术，在通用领域积累了足够的数据和语料，但在众多垂直行业和专业领域尚无法完全替代智能客服。如果想将ChatGPT应用于智能客服产品中，需要结合具体的业务场景优化调整大模型，不断训练模型的专业能力而非通用能力。与此同时，客户要求企业智能客服提供准确回答，这也需要针对企业的个性化知识库对大模型进行训练，并对回答进行审核和纠正。
但天价的大模型训练费用让企业望而却步，据国盛证券在报告《ChatGPT需要多少算力》里提到，ChatGPT背后的自回归语言模型（GPT-3）训练一次的成本约为140万美元，对于一些更大的大型语言模型（LLM），训练成本介于200万美元至1200万美元之间。为了应对高昂的成本和多种场景下的复用要求，ChatGPT大规模发展的必由之路，是采用工程化技术来解决模型开发、训练、预测等全链路生命周期的问题。通过这种方式，企业可以在合理的时间和费用范围内完成模型训练，从而解决不同行业或企业规模化运营时的性能和效率问题。
因此，ChatGPT的应用需要与智能客服相互补充，才能更好地服务客户。
综合而言，企业级智能客服的市场规模仍然非常广阔，它们拥有庞大的呼叫中心和客户服务体系，客户数量众多，业务规模庞大，面临的咨询压力也很大。因此，这些企业更需要像ChatGPT这样的产品，与智能客服结合起来，极大地提升智能客服的水平，提高客户满意度和体验，进而打开数字化转型升级的大门，从以前的成本中心真正实现到未来的价值中心。
AI大模型：赋能金融行业数字化转型新路径
金融行业作为智能客服应用最广泛的行业之一，是数字化和智能化的领跑者，也是大模型技术落地的最佳领域。
大模型技术基于海量数据进行预训练，在智能咨询与推荐、内容生产、用户体验、赋能从业者等方面，有助于金融机构大幅提升经营效率和管理决策能力。
在智能咨询与推荐方面，当前银行等金融机构使用自助问答系统为客户提供咨询服务，但无法直接解答客户的所有问题。大模型的应用可智能判断，给出可靠性高的专业解答，提高解决率与客户满意度；同时，大模型依托海量专业智能知识库，根据客户的需求、基本情况、收入情况和健康状况等信息，24小时不间断在线、智能地推荐适合的理财、信贷和保险产品。大模型的知识库处在不断进化中，可以不断增加对客户的洞察理解，这使得金融机构更加精准地了解和响应客户的需求。
在内容生产方面，随着用户消费需求多样化和个性化要求的提高，金融行业在内容生产方面正面临着质量和数量双重压力。依托金融行业大模型的升级应用，并结合AIGC，即可自动生成营销物料，实现千人千面的精准个性化营销，提高营销效率，并满足客户日益增长的个性化需求。
在用户体验方面，金融行业持续建立以APP为核心的移动应用生态建设，手机银行和证券APP等产品通过不断提升用户体验来争夺用户流量。通过金融行业大模型的升级应用，可以改善人机交互方式，提升人机对话服务的质量。同时，结合数字人技术，实现更加贴心的虚拟服务，为金融机构和用户交互环节带来更好的体验价值。
在赋能从业者方面，利用生成式大模型，可打造一款全新的“智能业务助理”。它智能化地掌握着金融行业的宏观政策、行业动态、市场信息、产品信息等，可以自动生成分析报告、文章，给出专业的建议和方案，使金融从业者可以更加高效、全面地完成工作，给客户提供更专业、更个性化的服务。
此外，生成式大模型还可以轻松生成适合广告和营销的创意内容，包括文稿、图像和视频等，这将大幅提升广告和营销效率。
大模型AI：驱动智能客服厂商乘风而上
在技术浪潮式迭代的当下，新的人工智能技术发展具有不确定性。但我们可以确定的是，未来人工智能的应用将更加普及。据IDC预测，2026年中国人工智能软件及应用市场规模将达到211亿美元，人工智能进入大规模落地应用关键期。
但距离大模型技术在智能客服的应用仍旧有很长的道路要走。对于任何企业而言，将大模型的通用能力与行业业务场景进行融合，创造出性能强、成熟度高、规模适宜的AI产品，都是一个艰巨的挑战。
在当前竞争激烈的智能客服市场中，想要脱颖而出的关键在于，需要通过大算力、行业大数据训练ChatGPT大语言模型，突破AI瓶颈，将其应用于自然语言交互领域。同时，还需要探索出合适的模型规模以满足客户需求。
在这个过程中，智能客服厂商需要拥有专业的行业知识，以及持续的技术投入，以应对不断变化的市场需求。在此种背景下，拥有大模型关键技术的企业将有望乘风而上。
作为认知智能领域的国家战略科技力量，科大讯飞于2022年12月进一步推进生成式预训练大模型任务攻关，在核心算法积累、数据积累、应用和算力支撑方面处于领先地位，再加上科大讯飞此前在邮储银行、中国人保、浦发银行、广发银行、长沙银行等金融机构中持续实践，有望借此东风乘风而上，不断拓深智能客服的服务边界。
在金融业数字化转型和人工智能技术研究的基础上，ChatGPT“让机器理解”能力已经为金融行业数字化转型与升级开启了全新的大门，大模型应用在金融业也开始了进一步探索，金融业必须积极拥抱AI技术，以实现数字化转型升级。
