工作即将灭绝？AI大模型的入侵比你想象得还要快！
原创 一蓑烟雨 | 2023-11-09 19:46
【数据猿导读】 本文将探讨领域大模型发展的两条道路：非浸入式与浸入式的模式，并审视这场变革是否真正触及了思维模式的转变。大模型，不仅是对于技术的挑战，更是对于我们认知边界的一次拓展。
在人工智能的盛宴上，大模型如同占据主宴的巨人，其庞大的身躯在技术世界里引发地震。然而，在这场光鲜亮丽的变革背后，一个亟需探讨的议题正悄然升起：大模型真的需要深入到每一个技术领域和业务逻辑中，成为“浸入式”的存在吗？或者，更深层地问，我们是否准备好让它们这样做？
本文将探讨领域大模型发展的两条道路：非浸入式与浸入式的模式，并审视这场变革是否真正触及了思维模式的转变。大模型，不仅是对于技术的挑战，更是对于我们认知边界的一次拓展。
大模型的两种发展模式
在当前人工智能的高潮中，大模型的发展已呈现两条明显的道路：C端与B端。
C端模式犹如一面镜子，直接映照用户需求，实时响应各式问题。在这种模式下，模型仿若一个全知的博学者，回答从简单到复杂的诸多问题，充当的是信息的直接提供者。它涵盖了从日常咨询到深层知识探索的广泛场景，这种交互模式对用户来说，无疑是最直观、最直接的。
然而，C端的表现虽然亮眼，但在企业应用的深层次场景中，B端模式显得更加复杂且微妙。在B端模式中，大模型退居幕后，成为一个隐形的推手，深度嵌入企业的运营和管理系统中，如CRM、ERP、BI、智能客服、智能营销、智能运营等业务领域，以及更多定制化的行业解决方案。
在这里，大模型不再是一个简单的问答机器，而是变成了一个强大的业务逻辑处理器。它必须理解和处理更为复杂的行业特定语境，参与到业务决策和优化流程中。
这些模型能够在特定行业中，比如金融、医疗或法律，解读和执行复杂任务。不同于C端模式的普适性，B端的领域大模型更注重深度与精准度，旨在用机器的高效性和精确性，来增强特定业务流程的质量和速度。
尽管B端模型的优势明显，但其部署和整合却充满挑战。要成功实施，企业需要有能力将大模型的智能功能融入到现有业务流程中，这往往涉及对现有系统的重新构架，甚至是对企业运作模式的重构。另一方面，B端模型的实效性很大程度上依赖于数据的质量和可用性，数据的整合、清洗和标注成为了这一过程中的关键步骤。
那大模型是如何嵌入目前的各种系统中的呢？目前来看，有两种方式：非浸入式，和浸入式。
领域大模型的初级模式：非浸入式
先来看非浸入模式。
这种模式并未强求企业系统从根本上进行重构，而是选择了一种相对保守的途径：通过API调用外部大模型的能力。企业通过这种方式，试探性地将人工智能的技术引入现有的产品矩阵，以此来增强产品功能，提升用户体验。
然而，这种初级模式面临着明显的局限性。首先，由于没有对原有产品架构进行根本性改造，所以这种模式下的大模型与产品的结合往往仅停留在表面。大模型仅被视为一个附加组件，很难与产品深层次的业务逻辑和数据流程相结合。
产品团队可能会忽视对这些能力的持续优化和深度定制，这会导致AI功能显得附加和生硬，不仅影响用户体验，更可能因为不匹配企业现有工作流程而变得边缘化。
更关键的是，非浸入式模式没有实现大模型与底层数据，以及其他业务模块的有效互动。数据是人工智能发挥作用的基础，而在这种模式下，大模型往往缺乏对企业内部数据的深度接入和理解，这严重限制了其应用的效能。没有充分链接内部数据，大模型很难真正理解和预测业务趋势，也就无法发挥其应有的作用。
可以预见，非浸入式模式下的大模型，通常只能应对一些简单、规范化的场景，比如常见问题的自动回答、标准文档的生成等。在更加复杂的业务逻辑面前，这些大模型的功能显得力不从心，难以提供实质性的帮助。
以BI产品为例，非浸入式接入大模型，在处理单一数据点或简单的数据分析任务时表现尚可。然而，当升级到多维度指标交叉分析时，这种非浸入式的接入就暴露了其固有的弱点。大模型在这里往往跌入逻辑的迷宫，无法有效地对复杂的、相互依存的数据点进行分析和解读。
例如，在尝试分析销售额与广告投入、市场趋势及消费者行为之间的关系时，这种模型可能会因为不能理解这些指标间微妙的关联性，而导致数据分析效果不佳。它可能可以告诉你单一指标的变化，但却无法揭示多个指标之间相互作用的深层次关联。
领域大模型的高级模式：侵入式，重构产品逻辑
虽然非浸入式模式为企业提供了一种低风险的AI尝试方案，但要想从根本上提升业务的智能化水平，就需要超越这种初级模式，进行更深入的技术整合和业务创新。
接下来，我们就来讨论一下以浸入式方式在原有系统中嵌入大模型。这种模式，大模型不再只是一项新增功能，而是基于全新的人机交互逻辑，来重构原有的整个技术产品体系。
原有的产品逻辑，更多的偏向机器思维：一个按钮对应一个功能，多个操作流程联动起来满足一个业务流程，这需要用户了解不同按钮背后的功能，然后对应自己的需求，将业务逻辑映射到对产品不同按钮的操作流程。这种思维，整体上是让人去适应计算机。
而大模型所带来的强大的自然语言理解能力，让计算机可以理解人类的自然语言，这种理解不仅仅是关键词，而是一段复杂的自然语言，而且已经可以实现比较好的多轮沟通交互了。
基于这种能力，可以重构整个的人机交互方式，让计算机来适应人，具体方式是：用户要想计算机完成什么任务，不再去寻找这个系统中有什么功能按钮，而是只需要把自己的需求说出来就行，大模型充当一个“翻译器”，将人类的自然语言翻译成计算机能够理解的各个系统操作流程，来完成对系统的操作。
这样一来，原有的产品界面将大改，不用将功能界面都堆到用户界面这个“前台”，而是隐藏在后端，用户界面只要保留一个人机对话窗口，以及很少的一些操作按钮就行，这样可以实现用户界面的极简化。
以BI为例，原来的用户界面往往很复杂，功能按钮很多，用户需要根据自己的分析需求，来找对应的组件，然后通过拖拉拽操作，完成数据分析。用大模型改造后，大部分的功能组件都可以隐藏起来，保留人机对话窗口和几个必不可少的辅助组件即可。用户要调用什么组件，只需要用自然语言告诉BI系统即可，系统自己理解用户需求后，再自己去调用后台的组件，来进行数据分析，并返回可视化的数据分析结果。
从这个逻辑出发，BI产品需要大改，甚至底层的数仓、数据治理平台都得大改。来更好的配合上册基于大模型的人机交互系统，来提升整个系统的效率。
那么，为了实现浸入式的嵌入大模型，需要对原有系统进行哪些改造呢？应该说，这是一个系统工程，需要整个体系的重构。其中，数据处理、产品交互逻辑、用户体验三个方面的改造尤为重要。
在数据处理层面，为了适应侵入式的大模型，需要对数据库和存储系统进行优化。例如，依赖于自然语言查询的数据库需要能够处理模糊查询和语义查询，它们必须能够理解和处理自然语言的多样性和不确定性。这可能需要采用图数据库来更好地映射和处理复杂的实体关系，或者采用NoSQL数据库来处理非结构化的自然语言数据。
在交互逻辑方面，传统的命令驱动的操作流程，将被以对话为中心的交互方式所取代。传统软件以功能性为中心，每个按钮和菜单项都围绕着明确的操作和结果设计。但侵入式的领域大模型要求更高级别的交互逻辑，使得用户无需了解底层的复杂性就能与系统交互。
在这里，交互设计的核心挑战，是如何精确地捕获用户的意图并提供有效的反馈。这就要求模型不仅要在单轮对话中准确理解意图，还要能在多轮对话中累积上下文信息，对不完整或模糊的用户输入做出智能的假设和推理。
在用户体验方面，产品设计的核心将转向如何最小化用户操作的复杂性，同时最大化大模型的交互能力。侵入式模型需要在保持界面简洁的同时，确保用户能够通过自然语言，有效地传达复杂的命令和查询。设计师需要创造一种界面，它不再是各种功能按钮的集合，而是能够智能地引导用户进行高效对话的环境。
是技术变革，更是思维的变革
需要指出的是技术的演变往往伴随着思维方式的革命。当大模型技术崭露头角时，这不仅仅是技术层面的突破，更是对传统业务逻辑和产品设计思维的一次深刻洗礼。成功捕捉技术红利的关键，在于能否突破固有思维的框架，以创新的视角重塑产品和服务。
其实，类似的事情已经多次上演，让我们来看看智能手机和智能电动车这两个例子。
在智能手机的例子中，它们的出现不单单是屏幕变大，而是触控技术彻底改变了用户与设备的互动方式。苹果公司推出的iPhone，不仅仅在技术上领先，它们重新定义了用户体验，提供了一个全新的平台，引领了应用程序经济的诞生。诺基亚等传统手机制造商，由于未能及时调整其产品策略和业务模型，最终未能在新时代立足。
对比之下，在汽车行业中，传统燃油车制造商将电动车视为简单的“油改电”转换。这种浅层次的思维忽视了电动车技术在车辆设计、能效管理、软件集成等方面的根本性改变。电动车不仅改变了动力系统，它的整个设计理念都与燃油车有着本质的不同。它们本质上是软件定义汽车，并再次基础上实现汽车的数字化、智能化、网联化，而不仅仅是改变了一个动力系统。
然而，丰田、本田、大众等不少燃油汽车巨头，很难实现这种思维的转变。这也解释了为什么传统汽车巨头有上千亿的资金、几十万人才、庞大的产供销体系，却在智能电动汽车这个赛场上屡屡碰壁，他们不缺人才、不缺资金、不缺资源，但思维上的局限让他们最终落后了。
可见，某种程度上，比技术变革更重要的，是思维方式的变革。
同样的道理，大模型技术的引入，尤其是侵入式模式，要求企业不仅仅是在产品层面上添加AI功能，而是要重新考虑整个产品的设计理念。产品设计思维需要从“功能导向”转变为“体验导向”，在这个过程中，大模型技术使得自然语言成为用户和机器之间的直接沟通工具，这不仅影响了界面设计，也改变了后端数据处理、业务逻辑甚至是服务的提供方式。
目前，我们处于一个前所未有的转折点上，大模型的涌现，正如同往昔工业革命时蒸汽机的吼鸣，它呼唤着我们放下旧有的工具，拥抱新的思想和机遇。
然而，技术的光芒背后，我们也不应忽视它所带来的深刻社会挑战，包括工作的重构、隐私的保护，以及伦理的界定。这一切，需要我们以审慎和智慧的目光审视。正如诗人在夜色中追寻星辰，而不是被夜的黑暗所吞噬，我们也应在这次技术革命中寻找方向，保持警醒，确保科技的力量被正确引导，照亮人类前进的道路。
让我们以大模型技术的智能为翼，但不忘人性的指引。这样，当我们回望历史，将看到的不仅仅是技术的跃进，还有人类在理解自己和改造世界中的成长与超越。这一切都将取决于，在这个由数据和算法织就的新世界中，我们将如何定义自己，以及我们的未来。
文：一蓑烟雨 / 数据猿
来源：数据猿
刷新相关文章
我要评论
不容错过的资讯
大家都在搜
