今天小編分享的互聯網經驗：對話IBM：用watsonx和IBM咨詢和大模型“交個朋友”，歡迎閲讀。
文｜沈筱
編輯｜王與桐
向 B 端找錢，是大模型企業在上半年的混戰中達成的默契。
随着國内首批大模型通過《生成式人工智能服務管理暫行辦法》備案，陸續面向公眾正式開放，大模型 B 端商業化進展的神秘面紗也将在下半年被逐一揭開。
然而，盡管 B 端有付費意願和付費能力，但大模型在具體落地應用過程中，并非順風順水。在實踐過程中，企業對大模型的認知也經歷了「看着什麼都能做」到「看看能做什麼」的轉變。
反觀大西洋彼岸，為加速大模型在 B 端應用落地，抱團取暖之勢也早已顯現。大模型玩家紛紛與雲計算、SaaS 公司等互結聯盟。
在眾多聯盟中，IBM 的身影頻現。Hugging face、SAP、Meta、Salesforce、微軟的朋友圈裏都有 IBM 的名字。
作為并未将重心放在類似 ChatGPT 通用大語言模型上的科技巨頭，IBM 為何成為了戰局中的活躍選手？
在 8 月 22 日 IBM 于北京舉辦的 watsonx 發布會上，IBM 大中華區董事長、總經理陳旭東給出了問題的答案—— IBM 希望以多重身份參與其中，幫助合作夥伴加速大模型在企業端的落地應用。
在上述合作中，IBM 的确扮演着三類不同角色：一是依托 watsonx，為企業應用大模型提供訓練、微調及應用部署的技術支持平台。目前其已圍繞基礎模型庫與包括 Hugging face 和 Meta 在内的戰略合作夥伴開展合作；二是作為生成式 AI 應用 / 工具的提供者。SAP 就将 IBM Watson AI 功嵌入了 SAP Start 數字助理中；三是，作為提供規劃和實施支持的服務方。比如，IBM Consulting 與微軟攜手推出了 Azure OpenAI 咨詢服務。
那麼，為何 IBM 會采取這樣的戰略加入戰局？大模型在 B 端落地的堵點是什麼？多重身份能發揮何種作用？
發布會後，圍繞上述問題，36 氪與多家内容服務機構一同與 IBM 大中華區董事長、總經理陳旭東等到會的 IBM 發言人進行了深入交流。
01 企業應用 AI：從 +AI 到 AI+
ChatGPT 出世，AI 技術從量變到質變，企業對 AI 技術的應用從單點到串聯
" 所有行業都值得被重做一遍 "，十年前被用來講產業數字化，到了今天，在 ChatGPT 掀起的生成式 AI 浪潮下，這句話再次被頻繁提及。
然而，在 IBM 看來，企業業務重塑，已今時不同往日——人工智能技術的 " 質變時刻 " 已經到來，企業正經歷從 "+AI" 向 "AI+" 時代的變遷。
按照 IBM 的説法，在 "+AI" 時代，企業對業務的重塑以數據為先，AI 技術發揮的作用是為數據應用賦能。而到了 "AI+" 時代，AI 技術成為引領企業轉型的關鍵。其中一個顯著變化是，過去 IBM 人工智能階梯（AI Ladder）方法提出的企業轉型的四個完整步驟——數據收集、組織、分析、融合，在當下僅是新一輪轉型的開始。未來，企業需要在此基礎上，将 AI 集成到應用中，構建自動化工作流，并逐步替代原有工作流，最終實現由 AI 完成所需工作。
" 企業需在已建立的應用 AI 技術的基礎能力上，結合企業數據和不同業務目标構建新的應用。"IBM 大中華區首席技術官、研發中心總經理謝東告訴 36 氪，這實際上是企業 AI 能力的橫向擴充，從不斷在單點上賦予現有業務 AI 能力，演化為在不同 AI 模型之間（包括大語言模型）進行自動化串聯，将自動化與智能化進一步結合，發揮企業數據和 AI 技術的最大價值。
但是，要實現上述從「AI 賦能業務」到「AI 引領轉型」的跨越并不容易。轉型意味着，利用新技術降本增效僅是企業的短期目标，長期來看，上至組織架構、下至生產流程都需圍繞新技術進行重構。
這也和陳旭東的看法不謀而合。他指出，企業在具體實踐中，将面臨技術層面和非技術層面的雙重挑戰：除算力短缺，技術層面的挑戰主要源于數據和 AI 模型兩個方面；非技術層面的挑戰則包括組織人才的配備、人員技能的轉型和提升，以及組織内部建立擁抱 AI 浪潮的認知和企業文化建設。
數據方面，在過往數字化轉型過程中，企業暴露的有關數據準備和數據治理的問題，在 AI+ 時代更加凸顯。
一方面，盡管基礎模型的出現使得企業可以用更少的專有領網域數據訓練、微調出不同的專有模型，構建多樣應用，但生成式 AI 技術的應用對數據質量、共享性提出了更高要求。企業仍無法繞過打通内部系統之間數據的坎。在部分缺乏大規模高質量數據的行業，例如醫療，亟需建立公開數據集，促進行業内數據共享。另外，非結構化數據的管理和處理也成了新的難題。
另一方面，AI 走向核心業務意味着企業需要在模型訓練和使用過程中做好數據隐私保護和安全合規監測。
模型方面，一是 LLM 本身的幻覺問題仍未解決，但企業通常要求 AI 生成結果可信、可解釋；二是，在考慮模型訓練、部署和運維的高額投入，以及不同模型與業務适配性的情況下，企業還面臨模型選型的挑戰。
而這又指向除人力、技術儲備和企業文化建設外，非技術層面的另一個挑戰——企業需找到生成式 AI 技術能真正創造價值的應用場景。
IBM 大中華區客户成功管理部總經理朱輝認為，在未來較長一段時間裏，多數企業都将處于探索大模型能力的 " 大開腦洞 " 階段，需要花大量時間理解生成式 AI 技術與自有業務場景、業務目标的匹配度。這一觀點也可從 36 氪上半年對大模型落地應用情況的觀察中得到側面印證。目前，多數 AIGC 應用層企業的 B 端商業化進程仍處于 " 拿着錘子找釘子 " 的狀态。
02 創新場景多，能迅速落地的少
ROI 高的應用場景或許更多存在于現階段數據準備不充分的行業，比如制造業
然而，等待被重塑的千行百業真的缺少 " 釘子 " 嗎？
IBM 給出的答案是 " 不 "。
IBM Consulting 大中華區總裁陳科典向 36 氪表示：" 中國的客户都非常有創造力，場景不是問題。"
據了解，在過去半年裏，IBM 已經和不同行業客户一同梳理出了大量具體的業務場景。比如，金融行業的風控、客服、知識庫建設；汽車行業的車聯網數據、運營數據和客户數據安全管理方案，OTA 軟體更新的傳輸，車企研發平台的全生命周期管理；以及制造業的智能檢維修、核心生產設備排產決策優化、訂單轉化管理等。
不難看出，這其中的确囊括了一些尚未被頻繁提及的創新場景或貼近企業核心業務的場景，例如制造業的核心生產設備排產決策優化。然而，從市場整體情況來看，當前大模型在 B 端實際落地應用仍集中在 IT 運維、智能客服、人力資源。具體到制造業，截至目前，36 氪觀察到的案例主要涉及智能檢維修，比如面向專業檢維修工人的智能問答產品。
風險小、較易實施是上述案例的共同特征。究其根本，即便是數據準備充分，具備大模型應用基礎能力的企業，現階段受限于模型本身的缺陷，不一定能在理想應用場景中落地。
針對模型最大的缺陷——幻覺問題，目前的解決途徑大概分為三類：一是，在模型訓練 / 微調階段從數據質量和提示詞工程着手盡可能降低模型胡説八道的概率；二是，檢索增強生成，即采取 embedding 的方式，将模型生成内容的範圍限定于企業知識庫中；三是，采取多模型融合的架構，根據預設規則讓特定模型解決特定任務。從成本和答案可控性角度來看，後兩種方式更優，但也都不是完美解法，甚至在一定程度上會顯得大模型不及想象中 " 智能 "。
這就将目前模型落地應用的範圍限制在對輸出結果有一定錯誤容忍度，即便需要人機協作也能在較大程度上實現降本增效的場景中。
而對受數據等方面挑戰牽絆的行業而言，盡管擁有創新場景并且落地前景可期，也只能面臨 " 巧婦難為無米之炊 " 的困境。這在勞動力相對密集的制造業中較為常見。
"AI 的本質是通過技術充分擴大自動化的可能性，而此類需求最旺盛的正是制造業企業。"IBM 大中華科技事業部數據人工智能、自動化中國華南與華東大區總經理許偉傑告訴 36 氪，大量制造業客户對業務場景有充分想象力，但由于過去不重視 IT 建設，在 IT 上的資金投入少、數據治理差。
此外，非技術層面的挑戰也是現有案例大多從上述場景切入的重要原因。" 企業需要逐步建立變革管理流程、培養内部人才、提高度新技術的接受度。" 陳科典指出，當企業内部對生成式 AI 產生信心，就會有更多場景被創造，用好這些場景，企業也會更有信心走出去。
另外，創新場景也意味着供需雙方均需花費更多時間探索如何落地，比如金融行業的量化交易、制造業的資源調度。而現階段，盡管是在常見的場景中落地應用大模型，也有大量企業缺乏方法論指導。
03 IBM 的 AI 戰略：watsonx+ 咨詢、實施服務 + 開放生态合作
對如何解決上述難點，IBM 基于 watsonx 平台，打出了一套組合拳
多樣場景，多重桎梏。填補理想和現實的缺口是上半年以來，整個大模型產業鏈上的企業共同努力的方向。
而在這條產業鏈中，IBM 選擇了差異化的生态卡位——聚焦企業級專有大模型，例如用于數字勞動力如客服和 HR 場景的大語言基礎模型、用于 IT 自動化、安全、可持續、應用現代化（如具備生成式代碼功能）的基礎大模型，同時将觸角伸進了企業落地應用大模型所需的每個環節。為做到這一點，IBM 在大語言模型的圈子裏 " 廣結善緣 "。為其提供交友背書的則是其 5 月推出的企業級 AI 和數據平台「watsonx」和經歷 2021 年業務簡化後能獨立對外提供服務的 IBM Consulting 團隊。
在推進大模型落地應用的過程中，watsonx 的作用是幫助企業解決技術層面的挑戰，包括數據準備、模型訓練和微調、應用部署、模型監控等。盡管 IBM 提到 watsonx 面向企業提供的是覆蓋 AI 生命周期的服務，但顯而易見，其需要為 watsonx 平台補上缺失的通用大語言模型這一角。而在大模型圈中，也有一類需要有夥伴幫助其讓模型真正在 B 端跑起來的玩家，例如擁有開源模型的 Hugging face、Meta、質譜華章等。這樣一來，IBM 和上述玩家的合作也就順理成章了。
目前，IBM watsonx 的基礎模型庫提供專有的 IBM 基礎模型，也包含來自 IBM 及其合作夥伴，以及開源社區 Hugging Face 的多類 AI 模型。同時，企業也可選擇添加自有模型。
IBM Consulting 則承擔了解決企業落地應用大模型非技術挑戰的職責，為企業提供從應用場景共創到項目試點，再到大模型落地實施的規劃和咨詢服務。在原有咨詢團隊基礎上，IBM 還針對生成式 AI 服務設立卓越中心 ( Center of Excellence ) ，配備了 1000 多名具備生成式 AI 專業知識的顧問。這對需要推進生成式 AI 新產品落地的 Salesforce，以及加速 Azure OpenAI 市場滲透的微軟而言，自然是也難以拒絕的合作邀請。
在當下 ChatGPT 掀起的生成式 AI 浪潮中，和酣戰大語言模型的微軟、谷歌相比，IBM 的确顯得不那麼 " 性感 "。但是，其打出的「watsonx+ 咨詢、實施服務 + 開放生态合作」組合拳或許正是現階段大模型和生成式 AI 應用的供給方，以及對新技術應用有強需求的企業需求方所需要的。然而，如陳旭東所言，To B 的 AI 注定不是立竿見影的。在新的歷史機遇期，IBM 的組合拳能否奏效，也需經歷時間考驗。
