今天小编分享的互联网经验：对话IBM：用watsonx和IBM咨询和大模型“交个朋友”，欢迎阅读。
文｜沈筱
编辑｜王与桐
向 B 端找钱，是大模型企业在上半年的混战中达成的默契。
随着国内首批大模型通过《生成式人工智能服务管理暂行办法》备案，陆续面向公众正式开放，大模型 B 端商业化进展的神秘面纱也将在下半年被逐一揭开。
然而，尽管 B 端有付费意愿和付费能力，但大模型在具体落地应用过程中，并非顺风顺水。在实践过程中，企业对大模型的认知也经历了「看着什么都能做」到「看看能做什么」的转变。
反观大西洋彼岸，为加速大模型在 B 端应用落地，抱团取暖之势也早已显现。大模型玩家纷纷与云计算、SaaS 公司等互结联盟。
在众多联盟中，IBM 的身影频现。Hugging face、SAP、Meta、Salesforce、微软的朋友圈里都有 IBM 的名字。
作为并未将重心放在类似 ChatGPT 通用大语言模型上的科技巨头，IBM 为何成为了战局中的活跃选手？
在 8 月 22 日 IBM 于北京举办的 watsonx 发布会上，IBM 大中华区董事长、总经理陈旭东给出了问题的答案—— IBM 希望以多重身份参与其中，帮助合作伙伴加速大模型在企业端的落地应用。
在上述合作中，IBM 的确扮演着三类不同角色：一是依托 watsonx，为企业应用大模型提供训练、微调及应用部署的技术支持平台。目前其已围绕基础模型库与包括 Hugging face 和 Meta 在内的战略合作伙伴开展合作；二是作为生成式 AI 应用 / 工具的提供者。SAP 就将 IBM Watson AI 功嵌入了 SAP Start 数字助理中；三是，作为提供规划和实施支持的服务方。比如，IBM Consulting 与微软携手推出了 Azure OpenAI 咨询服务。
那么，为何 IBM 会采取这样的战略加入战局？大模型在 B 端落地的堵点是什么？多重身份能发挥何种作用？
发布会后，围绕上述问题，36 氪与多家内容服务机构一同与 IBM 大中华区董事长、总经理陈旭东等到会的 IBM 发言人进行了深入交流。
01 企业应用 AI：从 +AI 到 AI+
ChatGPT 出世，AI 技术从量变到质变，企业对 AI 技术的应用从单点到串联
" 所有行业都值得被重做一遍 "，十年前被用来讲产业数字化，到了今天，在 ChatGPT 掀起的生成式 AI 浪潮下，这句话再次被频繁提及。
然而，在 IBM 看来，企业业务重塑，已今时不同往日——人工智能技术的 " 质变时刻 " 已经到来，企业正经历从 "+AI" 向 "AI+" 时代的变迁。
按照 IBM 的说法，在 "+AI" 时代，企业对业务的重塑以数据为先，AI 技术发挥的作用是为数据应用赋能。而到了 "AI+" 时代，AI 技术成为引领企业转型的关键。其中一个显著变化是，过去 IBM 人工智能阶梯（AI Ladder）方法提出的企业转型的四个完整步骤——数据收集、组织、分析、融合，在当下仅是新一轮转型的开始。未来，企业需要在此基础上，将 AI 集成到应用中，构建自动化工作流，并逐步替代原有工作流，最终实现由 AI 完成所需工作。
" 企业需在已建立的应用 AI 技术的基础能力上，结合企业数据和不同业务目标构建新的应用。"IBM 大中华区首席技术官、研发中心总经理谢东告诉 36 氪，这实际上是企业 AI 能力的横向扩充，从不断在单点上赋予现有业务 AI 能力，演化为在不同 AI 模型之间（包括大语言模型）进行自动化串联，将自动化与智能化进一步结合，发挥企业数据和 AI 技术的最大价值。
但是，要实现上述从「AI 赋能业务」到「AI 引领转型」的跨越并不容易。转型意味着，利用新技术降本增效仅是企业的短期目标，长期来看，上至组织架构、下至生产流程都需围绕新技术进行重构。
这也和陈旭东的看法不谋而合。他指出，企业在具体实践中，将面临技术层面和非技术层面的双重挑战：除算力短缺，技术层面的挑战主要源于数据和 AI 模型两个方面；非技术层面的挑战则包括组织人才的配备、人员技能的转型和提升，以及组织内部建立拥抱 AI 浪潮的认知和企业文化建设。
数据方面，在过往数字化转型过程中，企业暴露的有关数据准备和数据治理的问题，在 AI+ 时代更加凸显。
一方面，尽管基础模型的出现使得企业可以用更少的专有领網域数据训练、微调出不同的专有模型，构建多样应用，但生成式 AI 技术的应用对数据质量、共享性提出了更高要求。企业仍无法绕过打通内部系统之间数据的坎。在部分缺乏大规模高质量数据的行业，例如医疗，亟需建立公开数据集，促进行业内数据共享。另外，非结构化数据的管理和处理也成了新的难题。
另一方面，AI 走向核心业务意味着企业需要在模型训练和使用过程中做好数据隐私保护和安全合规监测。
模型方面，一是 LLM 本身的幻觉问题仍未解决，但企业通常要求 AI 生成结果可信、可解释；二是，在考虑模型训练、部署和运维的高额投入，以及不同模型与业务适配性的情况下，企业还面临模型选型的挑战。
而这又指向除人力、技术储备和企业文化建设外，非技术层面的另一个挑战——企业需找到生成式 AI 技术能真正创造价值的应用场景。
IBM 大中华区客户成功管理部总经理朱辉认为，在未来较长一段时间里，多数企业都将处于探索大模型能力的 " 大开腦洞 " 阶段，需要花大量时间理解生成式 AI 技术与自有业务场景、业务目标的匹配度。这一观点也可从 36 氪上半年对大模型落地应用情况的观察中得到侧面印证。目前，多数 AIGC 应用层企业的 B 端商业化进程仍处于 " 拿着锤子找钉子 " 的状态。
02 创新场景多，能迅速落地的少
ROI 高的应用场景或许更多存在于现阶段数据准备不充分的行业，比如制造业
然而，等待被重塑的千行百业真的缺少 " 钉子 " 吗？
IBM 给出的答案是 " 不 "。
IBM Consulting 大中华区总裁陈科典向 36 氪表示：" 中国的客户都非常有创造力，场景不是问题。"
据了解，在过去半年里，IBM 已经和不同行业客户一同梳理出了大量具体的业务场景。比如，金融行业的风控、客服、知识库建设；汽车行业的车联网数据、运营数据和客户数据安全管理方案，OTA 軟體更新的传输，车企研发平台的全生命周期管理；以及制造业的智能检维修、核心生产设备排产决策优化、订单转化管理等。
不难看出，这其中的确囊括了一些尚未被频繁提及的创新场景或贴近企业核心业务的场景，例如制造业的核心生产设备排产决策优化。然而，从市场整体情况来看，当前大模型在 B 端实际落地应用仍集中在 IT 运维、智能客服、人力资源。具体到制造业，截至目前，36 氪观察到的案例主要涉及智能检维修，比如面向专业检维修工人的智能问答产品。
风险小、较易实施是上述案例的共同特征。究其根本，即便是数据准备充分，具备大模型应用基础能力的企业，现阶段受限于模型本身的缺陷，不一定能在理想应用场景中落地。
针对模型最大的缺陷——幻觉问题，目前的解决途径大概分为三类：一是，在模型训练 / 微调阶段从数据质量和提示词工程着手尽可能降低模型胡说八道的概率；二是，检索增强生成，即采取 embedding 的方式，将模型生成内容的范围限定于企业知识库中；三是，采取多模型融合的架构，根据预设规则让特定模型解决特定任务。从成本和答案可控性角度来看，后两种方式更优，但也都不是完美解法，甚至在一定程度上会显得大模型不及想象中 " 智能 "。
这就将目前模型落地应用的范围限制在对输出结果有一定错误容忍度，即便需要人机协作也能在较大程度上实现降本增效的场景中。
而对受数据等方面挑战牵绊的行业而言，尽管拥有创新场景并且落地前景可期，也只能面临 " 巧妇难为无米之炊 " 的困境。这在劳动力相对密集的制造业中较为常见。
"AI 的本质是通过技术充分扩大自动化的可能性，而此类需求最旺盛的正是制造业企业。"IBM 大中华科技事业部数据人工智能、自动化中国华南与华东大区总经理许伟杰告诉 36 氪，大量制造业客户对业务场景有充分想象力，但由于过去不重视 IT 建设，在 IT 上的资金投入少、数据治理差。
此外，非技术层面的挑战也是现有案例大多从上述场景切入的重要原因。" 企业需要逐步建立变革管理流程、培养内部人才、提高度新技术的接受度。" 陈科典指出，当企业内部对生成式 AI 产生信心，就会有更多场景被创造，用好这些场景，企业也会更有信心走出去。
另外，创新场景也意味着供需双方均需花费更多时间探索如何落地，比如金融行业的量化交易、制造业的资源调度。而现阶段，尽管是在常见的场景中落地应用大模型，也有大量企业缺乏方法论指导。
03 IBM 的 AI 战略：watsonx+ 咨询、实施服务 + 开放生态合作
对如何解决上述难点，IBM 基于 watsonx 平台，打出了一套组合拳
多样场景，多重桎梏。填补理想和现实的缺口是上半年以来，整个大模型产业链上的企业共同努力的方向。
而在这条产业链中，IBM 选择了差异化的生态卡位——聚焦企业级专有大模型，例如用于数字劳动力如客服和 HR 场景的大语言基础模型、用于 IT 自动化、安全、可持续、应用现代化（如具备生成式代码功能）的基础大模型，同时将触角伸进了企业落地应用大模型所需的每个环节。为做到这一点，IBM 在大语言模型的圈子里 " 广结善缘 "。为其提供交友背书的则是其 5 月推出的企业级 AI 和数据平台「watsonx」和经历 2021 年业务简化后能独立对外提供服务的 IBM Consulting 团队。
在推进大模型落地应用的过程中，watsonx 的作用是帮助企业解决技术层面的挑战，包括数据准备、模型训练和微调、应用部署、模型监控等。尽管 IBM 提到 watsonx 面向企业提供的是覆盖 AI 生命周期的服务，但显而易见，其需要为 watsonx 平台补上缺失的通用大语言模型这一角。而在大模型圈中，也有一类需要有伙伴帮助其让模型真正在 B 端跑起来的玩家，例如拥有开源模型的 Hugging face、Meta、质谱华章等。这样一来，IBM 和上述玩家的合作也就顺理成章了。
目前，IBM watsonx 的基础模型库提供专有的 IBM 基础模型，也包含来自 IBM 及其合作伙伴，以及开源社区 Hugging Face 的多类 AI 模型。同时，企业也可选择添加自有模型。
IBM Consulting 则承担了解决企业落地应用大模型非技术挑战的职责，为企业提供从应用场景共创到项目试点，再到大模型落地实施的规划和咨询服务。在原有咨询团队基础上，IBM 还针对生成式 AI 服务设立卓越中心 ( Center of Excellence ) ，配备了 1000 多名具备生成式 AI 专业知识的顾问。这对需要推进生成式 AI 新产品落地的 Salesforce，以及加速 Azure OpenAI 市场渗透的微软而言，自然是也难以拒绝的合作邀请。
在当下 ChatGPT 掀起的生成式 AI 浪潮中，和酣战大语言模型的微软、谷歌相比，IBM 的确显得不那么 " 性感 "。但是，其打出的「watsonx+ 咨询、实施服务 + 开放生态合作」组合拳或许正是现阶段大模型和生成式 AI 应用的供给方，以及对新技术应用有强需求的企业需求方所需要的。然而，如陈旭东所言，To B 的 AI 注定不是立竿见影的。在新的历史机遇期，IBM 的组合拳能否奏效，也需经历时间考验。
