2025年大模型應用落地白皮書：企業(yè)AI轉型行動指南

大模型應用落地白皮書企業(yè) 轉型行動指南目錄CONTENTS核心觀點 01第一章：祛魅務實，大模型加速從探索走向落地 02業(yè)務驅動，大模型助力效率飛躍，實現(xiàn)融合的體驗創(chuàng)新 03百舸爭流，大模型服務商競逐AI浪潮新時代 06第二章：知易行難，企業(yè)落地面臨的挑戰(zhàn)與機遇 08大模型落地面臨多重挑戰(zhàn) 09領先企業(yè)已從大模型成功落地中率先獲益 13第三章：加快AI轉型，構建全方位的大模型業(yè)務落地能力 17大模型業(yè)務落地能建設三階段 19破除落地大模型的思維誤區(qū) 23第四章：頭雁效應，大模型深入眾多應用場景 25大模型應用場景不斷擴寬，應用日漸成熟 26眾多行業(yè)企業(yè)深入大模型落地實踐 30第五章：攻克有徑，跨越大模型落地技術難題 50大模型落地部署技術步驟 51精準選模、高效落地、持續(xù)挖掘——落地三要55第六章：信賴之選，火山引擎大模型服務助力省心AI轉型 58豆包大模型 59火山方舟大模型服務平臺 616.3扣子 646.4HiAgent 66結語及未來展望 69核心觀點大模型技術已經邁入與業(yè)務深度融合的階段大模型技術已經邁入與業(yè)務深度融合的階段如同云與機器學習、深度學習等AI小模型一樣，當前大模型技術也進入了與業(yè)務深度整合的關鍵時期。64%的中國企業(yè)預計其對AI的投資將增長10-30%，各企業(yè)正基于具體的業(yè)務場景，積極探索大模型技術的實際部署與應用潛力，以促進業(yè)務發(fā)展。大模型在企業(yè)落地的周期和應用速度超出預期大模型在企業(yè)落地的周期和應用速度超出預期大模型能夠大幅提升企業(yè)生產力、驅動業(yè)務創(chuàng)新和增長，是具有突破性和顛覆性的技術。盡管將大模型技術與業(yè)務深度結合是一個復雜的專業(yè)過程，但在專業(yè)技術服務商的持續(xù)支持下，企業(yè)實現(xiàn)大模型部署的周期已縮短至平均6-12個月，尤其在數(shù)字化領先的企業(yè)中，這一過程更為迅速。企業(yè)正致力于深化業(yè)務場景探索，以期釋放大模型落地帶來的價值企業(yè)正致力于深化業(yè)務場景探索，以期釋放大模型落地帶來的價值為了充分利用大模型帶來的商業(yè)機遇，企業(yè)正不懈探索技術與業(yè)務結合的新模式，逐步打造與自身發(fā)展戰(zhàn)略相契合的大模型應用實踐，以期通過大模型技術的創(chuàng)新應用為企業(yè)帶來更大的商業(yè)價值。大模型產品和服務的選擇和技術伙伴能讓企業(yè)落地大模型事半功倍大模型產品和服務的選擇和技術伙伴能讓企業(yè)落地大模型事半功倍超過47%的企業(yè)認為，與領先的大模型廠商建立可靠的合作關系是項目成功的關鍵。為提升大模型在企業(yè)側的落地效率，企業(yè)應根據(jù)自身業(yè)務需求和發(fā)展規(guī)劃，重點考慮具備AI大模型全棧開發(fā)能力、模型及插件工具豐富、內嵌垂直場景經驗模板的廠商，并選擇可以提供事前、事中、事后全周期咨詢和切實可行實踐方案的服務商通過制定全局周密的策略，并結合個性化的業(yè)務實踐經驗，企業(yè)將能夠更有效地推動大模型的成功落地，加快AI轉型。01祛魅務實大模型加速從探索走向落地的體驗創(chuàng)新大模型技術已經成為人工智能領域的焦點，驅動了AI應用的升級和創(chuàng)新?；诖笠?guī)模數(shù)據(jù)集的預訓練，讓模型具備了高效處理復雜語言結構、視覺模式以及多模態(tài)信息的能力，促使人工智能在認知理解與決策支持方面邁向更高的階段。在產業(yè)應用方面，大模型的實施正在改變企業(yè)業(yè)務開展、產品服務、運營管理的傳統(tǒng)模式，為各行業(yè)的智能化升級提供了強有力的支撐。企業(yè)端對大模型的應用也已從初步的技術探索與創(chuàng)新嘗試，逐漸步入以實現(xiàn)商業(yè)價值為核心的新時代。眾多企業(yè)正加快步伐，尋找能夠迅速構建商業(yè)閉環(huán)、驗證價值的應用場景，期望借助大模型實現(xiàn)運營效率的飛躍、用戶體驗的創(chuàng)新，以及生產力的提升。1.1.1加碼投資，企業(yè)擴大試點1.1.1加碼投資，企業(yè)擴大試點加大投入力度，AI大模型的關注度持續(xù)攀升。AI大模型在提升流程效率、增強創(chuàng)新能力方面發(fā)揮著關鍵作用，并為企業(yè)在市場競爭中贏得優(yōu)勢，例如在個性化營銷內容創(chuàng)作、產品設計創(chuàng)新、用戶體驗優(yōu)化、員工助手打造以及知識專家系統(tǒng)開發(fā)等方面。IDC全球調研數(shù)據(jù)顯示，37.7%的受訪企業(yè)正在重點投資AI大模型，并預計在未來三年內引入AI軟件及相關培訓和服務。此外，64%的中國企業(yè)預計其對AI的投資將增長10-30%。這一顯著的投資增長反映了業(yè)界對AI大模型巨大潛力的日益認可。拓展試點范圍，企業(yè)正積極探索AI的應用潛力。企業(yè)在AI大模型的應用上展現(xiàn)出極高的興趣和參與度，他們通過內部研發(fā)、聯(lián)合創(chuàng)新、跨界合作等多種模式，積極探索AI技術的實際應用場景和潛在爆發(fā)力。IDC調研數(shù)據(jù)顯示，在過去一年里，全球范圍內平均對AI大模型項目進行了34次概念驗證（POC）測試，這一數(shù)字遠超其他IT項目，且企業(yè)對AI大模型測試的滿意度高達70%。這一數(shù)據(jù)表明，AI大模型在解決企業(yè)需求、優(yōu)化運營流程、輔助業(yè)務拓展方面具有顯著效03果。此外，大多數(shù)CXO級別的高管表示，他們將繼續(xù)增加對AI大模型的各項投入，以加強企業(yè)在AI轉型方面的能力建設。1.1.2多維價值，堅定企業(yè)探索大模型潛力的決心1.1.2多維價值，堅定企業(yè)探索大模型潛力的決心IDC研究認為，大模型技術對于企業(yè)價值的貢獻可從對內賦能與對外服務兩大維度進行闡釋。具體而言，該價值可細化為針對企業(yè)員工、用戶群體、營業(yè)收入及市場拓展四個方面，進而構建出一個全面的“AI大模型價值圖譜”。此圖譜詳細描繪了大模型技術在不同維度上對企業(yè)產生的深遠影響和價值增值，包括工作效率提升、業(yè)務引導助理、知識數(shù)據(jù)洞察、用戶體驗創(chuàng)新、生產工具賦能、產品服務升級、管理方式變革、市場營銷決策8大方向。圖1AI大模型價值圖譜工作效率提升業(yè)務引導助理工作效率提升業(yè)務引導助理知識數(shù)據(jù)洞察用戶體驗創(chuàng)新對內賦能生產工具賦能AI大模型對外服務產品服務升級管理方式變革市場營銷決策用戶 用戶營收 營收市場 市場來源：IDC大模型價值研究，2024年04面向員工：一是利用AI大模型提供的辦公軟件、流程管理軟件、開發(fā)設計軟件來提高員工工作效率、縮短重復和復雜工作時間；二是利用企業(yè)內部知識、經驗等無形資產和員工培訓、企業(yè)規(guī)范、服務規(guī)則等文本材料，打造具備企業(yè)記憶的專屬AI智能體。面向用戶：一是對用戶信息、消費習慣、興趣愛好等信息進行綜合分析，更好地總結、對比、預測用戶數(shù)據(jù)變化和趨勢；二是提供全新的使用交互體驗，如借助智能客服、數(shù)字人等，更好地理解用戶意圖并進行產品推薦。面向營收：一是為設計、編程、制造等工作人員的生產工具賦能，自動生成并創(chuàng)新產品內容，加快產品的迭代周期和創(chuàng)新速度；二是創(chuàng)新產品形式，從產品管理、價值創(chuàng)新、上市計劃、價格管理等方面更好地賦能業(yè)務。面向市場：一是主動分析外部市場變化和內部經營數(shù)據(jù)，進行合規(guī)管理、風險預測、潛在效益分析和建模；二是預測整體市場表現(xiàn)、各地區(qū)競爭分析、供應商能力和相關風險，幫助制定策略，并自動生成相關宣傳物料。從AI大模型價值圖譜可見，大模型以其強大的能力和廣闊的應用前景，有望深入到眾多領域，釋放出巨大的企業(yè)應用空間和潛力。此外，根據(jù)IDC針對企業(yè)用戶的大模型調研數(shù)據(jù)可以看出，無論是優(yōu)化用戶體驗、加速企業(yè)決策，減少重復勞動、提升員工生產效率，或是推動產品創(chuàng)新與服務個性化，大部分的受訪企業(yè)都普遍對大模型帶來的價值抱有高度期待。這一預期進一步提升了企業(yè)將大模型技術轉化為實際應用的動力。企業(yè)普遍認為大模型在推動業(yè)務增長、構建核心競爭力、提升用戶體驗等方面扮演著關鍵角色。因此，也有越來越多的用戶更加積極地投入到這場技術革命中，深挖其背后的商業(yè)潛力。05圖2采用AI大模型給企業(yè)帶來的價值53%46%34%53%46%34%32%29%14%加速企業(yè)決策，減少重復勞動創(chuàng)新產品形式/業(yè)務價值為員工創(chuàng)造定制化提升優(yōu)化員工工作體驗0.0% 10.0% 20.0% 30.0% 40.0% 50.0% 60.0%數(shù)據(jù)來源：IDC大模型企業(yè)落地進展調研，N=100，2024年8月百舸爭流，大模型服務商競逐AI浪潮新時代在企業(yè)用戶持續(xù)增加的投資和日益增長的業(yè)務需求推動下，大模型服務商們紛紛加快步伐，競相推動這一技術從創(chuàng)新突破走向企業(yè)應用的實際轉化，致力于將大模型從服務商自身的的探索階段推向企業(yè)落地，以滿足各行各業(yè)對智能化轉型的迫切需求。這一趨勢不僅促進了大模型技術的快速成熟，也為企業(yè)用戶帶來了更加豐富和高效的應用解決方案，助推了大模型落地需求端和大模型技術服務供給端的雙向循環(huán)發(fā)展。一方面，大模型技術服務在產品服務和技術層面實現(xiàn)了諸多的創(chuàng)新突破。為降低企業(yè)的使用門檻，領先的大模型廠商已經成功構建了從零到一的端到端解決方案，極大地減少了重復開發(fā)的必要性。企業(yè)可以借助這些既有模型和服務，避免“重新造輪子”的投入，從而將更多資源和精力集中在業(yè)務創(chuàng)新上，加速智能化轉型的步伐。例如火山引擎持續(xù)豐富豆包大模型家族，基于基礎底座大模型最新06發(fā)布視頻生成、文生圖、圖生圖、語音合成、聲音復刻、音樂、同聲傳譯等更貼合實際場景的模型，將模型能力進一步專業(yè)細化。此外，為加速企業(yè)搭建內部智能體的進度，火山引擎還打造了HiAgent——一個企業(yè)專屬的AI創(chuàng)新應用平臺；它允許業(yè)務人員利用提示詞、知識庫、插件等工具，以低代碼方式實現(xiàn)AI落地，集成內部數(shù)據(jù)，降低AI開發(fā)的難度、積累AI中臺的厚度。另一方面，大模型技術服務商也在不斷地進行能力全面升級，深度服務業(yè)務場景。為了幫助企業(yè)更有效地落地大模型技術，技術服務商們不遺余力地采用了多種手段來升級自身的服務能力，深入挖掘各種契合企業(yè)業(yè)務場景的需求。除了持續(xù)的技術研發(fā)、優(yōu)化算法、提升數(shù)據(jù)處理能力之外，他們還積極加強對行業(yè)知識的積累，確保為企業(yè)提供能落地、高效率的解決方案。一些大模型技術服務商還通過構建行業(yè)大模型落地聯(lián)盟、提供專業(yè)咨詢和培訓服務、加強落地場景探索等，全方位地提升自身在幫助企業(yè)應用大模型過程中的專業(yè)性和實用性，從而確保AI大模型能夠真正融入企業(yè)的核心業(yè)務，發(fā)揮出最大的價值。如：火山引擎圍繞行業(yè)需求場景，構建大模型應用生態(tài)，連續(xù)成立汽車大模型生態(tài)聯(lián)盟、智能終端大模型聯(lián)盟、零售大模型生態(tài)聯(lián)盟，聯(lián)合業(yè)界頭部企業(yè)、技術廠商和合作伙伴，幫助企業(yè)能夠以極低的試錯成本將大模型技術應用落地到業(yè)務場景，共同探索AI驅動未來發(fā)展，提升運營和開發(fā)效率，全面創(chuàng)新用戶體驗。07知易行難企業(yè)落地面臨的挑戰(zhàn)與機遇在評估大模型的商業(yè)潛力時，企業(yè)和技術服務商都普遍持樂觀態(tài)度，并認識到這一技術有望開啟新的商業(yè)機遇。然而，將大模型的潛力轉化為實際業(yè)務效益的過程，無疑充滿了諸多挑戰(zhàn)。在此次革命性的大模型轉型旅程中，企業(yè)不僅要擁抱創(chuàng)新帶來的效率和效能提升，還需精心應對成本控制、人才短缺、技術復雜性以及信息安全等一系列考驗。大模型落地面臨多重挑戰(zhàn)挑戰(zhàn)1：高成本、復雜投入下的投資收益挑戰(zhàn)挑戰(zhàn)1：高成本、復雜投入下的投資收益挑戰(zhàn)IDC調研顯示，算力成本、隱形的機會成本、投資回報的長周期以及不足的人才儲備是企業(yè)落地大模型遇到的第一道難題，具體包括：算力成本：算力資源的消耗是當下阻礙AI大模型落地的最主要因素，這一成本對不少企業(yè)的財務狀況構成了較大的壓力。調研數(shù)據(jù)顯示，92%的企業(yè)認為在大模型工程化落地階段，缺少算力資源是最大的挑戰(zhàn)；細分來看，89%的高管認為模型訓練成本高，81%的高管認為模型推理成本高。對比而言，模型的調優(yōu)成本已經相對低價，僅有35%的企業(yè)認為模型調優(yōu)（Fine-tun-ing/Prompt）成本高。這些成本無疑是企業(yè)財務投入的重要考量點，使得企業(yè)在做出是否引入大模型的相關決策時顯得猶豫不決，不得不權衡預算和投資回報之間的比重。圖3算力資源是企業(yè)落地大模型最大的挑戰(zhàn)92.0%89.0%81.0%92.0%89.0%81.0%缺少算力資源 模型訓練成本高 模型推理成本高數(shù)據(jù)來源：IDC大模型企業(yè)落地進展調研，N=100，2024年8月09選擇錯誤下的機會成本：機會成本，雖然并非直接的經濟支出，但它同樣是企業(yè)在是否引入大模型決策時不可忽視的成本之一。它代表了企業(yè)為了選擇某一方案而放棄的、可能是更佳替代方案的價值。尤其在瞬息萬變的市場環(huán)境中，企業(yè)抓住機遇的時間窗口極為有限；一旦錯失或在大模型初始的選擇時對其性能、適配度、應用能力等方面欠考慮，企業(yè)可能面臨巨大的機會成本，甚至可能要承受數(shù)倍的額外負擔，如后期不得不進行的模型切換、基礎設施的改造升級等。實際與預期回報仍有差距：根據(jù)IDC的調研，雖然企業(yè)對AI大模型項目抱有極高的期望，普遍期待能夠實現(xiàn)1-3倍的投資回報率（ROI），但現(xiàn)實情況卻與這些美好愿景有所偏差。目前，大多數(shù)企業(yè)觀察到的投資回報實際上低于50%，這一數(shù)據(jù)與其對大模型的高度關注和前期投資預期形成了較大的落差。面對這樣的現(xiàn)狀，企業(yè)在投入AI大模型項目時，普遍較為審慎，且在內部投資決策時受到較大的阻力。多方面人才積累不足：目前多數(shù)企業(yè)在AI人才方面的儲備尚顯不足。企業(yè)落地大模型不僅亟需專業(yè)的大模型開發(fā)人才，還需要具備算法優(yōu)化、數(shù)據(jù)處理、計算能力、測試驗證等技能的實用型人才。由于AI大模型的全方位開發(fā)人才難以在短期內迅速積累，企業(yè)在探索和實施大模型應用的過程中，內部人才不足，而外部招聘難覓懂自身業(yè)務又了解大模型落地的專業(yè)人才，使得落地受阻。挑戰(zhàn)2：模型選配難題精準匹配難，適配挑戰(zhàn)加劇挑戰(zhàn)2：模型選配難題精準匹配難，適配挑戰(zhàn)加劇部分場景下模型效果接受度低：87%的企業(yè)認為模型精度還不能滿足落地要求，無法衡量具體效果；具體表現(xiàn)在涉及用戶信息、面向生產和決策的任務中，對模型的邏輯推理、任務執(zhí)行要求更高，而當前大模型的泛化性使得企業(yè)在模型優(yōu)化上面臨更大的挑戰(zhàn)。10大模型選型困難：在模型的選擇方面，IDC調研顯示，62%的企業(yè)認為市場上模型選擇太多，缺乏選擇的標準和評判依據(jù)。企業(yè)通常參考模型準確率排行榜、社區(qū)口碑推薦來選擇模型，并自行搭建內部業(yè)務數(shù)據(jù)測試集來簡單評測效果，而這一過程又缺少完整、科學、豐富的評估體系和標準。通用模型能力與專業(yè)需求不匹配：IDC調研顯示，50%的企業(yè)認為模型能力與業(yè)務需求不匹配，原因是通用大模型無法滿足專有場景的需求。模型上線性能難以保證：正式上線后的服務響應時間、穩(wěn)定性、并發(fā)數(shù)、高吞吐、可擴展性往往不可預測，而這些正是企業(yè)最關心的問題。圖4公司落地大模型面臨的挑戰(zhàn)-模型層62%50%39%62%50%39%市場上模型太多，沒有選擇標準和評判依據(jù)0.0%10.0%20.0%30.0%40.0%50.0%60.0%70.0%80.0%90.0%數(shù)據(jù)來源：IDC大模型企業(yè)落地進展調研，N=100，2024年8月挑戰(zhàn)3：模型部署落地：細節(jié)挑戰(zhàn)遍布，每一步都是考驗挑戰(zhàn)3：模型部署落地：細節(jié)挑戰(zhàn)遍布，每一步都是考驗效果調優(yōu)路徑多、執(zhí)行難：59%的企業(yè)認為模型調優(yōu)（PromptEngineer-ing/Fine-tuning）是大模型開發(fā)中投入最多且挑戰(zhàn)更大的工作之一。由于模型優(yōu)化方式、路徑、調整程度選擇多樣且企業(yè)缺少足夠經驗和技術支撐，導致該過程復雜且耗時，使得經驗欠缺的企業(yè)在執(zhí)行過程中面臨眾多困難。分裂的開發(fā)環(huán)節(jié)造成事倍功半：企業(yè)在實施大模型的落地過程中，涉及從開發(fā)到部署的多個復雜步驟，包括但不限于二次訓練、數(shù)據(jù)管理、參數(shù)優(yōu)化、11效果精細調整、Prompt工程、RAG（檢索增強生成）、生態(tài)插件集成、模型性能評估、模型剪枝與蒸餾、模型維護管理以及算力資源調度等十余個關鍵環(huán)節(jié)，每個環(huán)節(jié)都涵蓋了眾多細致的工程化任務，對技術團隊和開發(fā)人員來說是一項復雜而繁瑣的挑戰(zhàn)。沒有穩(wěn)定的數(shù)據(jù)底座則無法發(fā)揮最大價值：在推進大模型應用的過程中，數(shù)62%的高管挑戰(zhàn)4：潛在安全風險與可解釋性的雙重挑戰(zhàn)挑戰(zhàn)4：潛在安全風險與可解釋性的雙重挑戰(zhàn)缺少全周期安全可信方案：大模型服務擁有更長的鏈條，涉及全周期的數(shù)據(jù)和模型管理、模型調優(yōu)、使用交互、查詢調用等，因此需要考慮為大模型搭建專門的安全模塊。模型生成內容準確性和可解釋性不足：8%的企業(yè)表示希望提高模型和數(shù)據(jù)的可解釋性，這需要大模型學習、鏈接關鍵業(yè)務信息，并在模型微調提高精度的同時，確保關鍵信息不泄露、不被模型學習了解，以及數(shù)據(jù)不可隨意被查看和問詢。12領先企業(yè)已從大模型成功落地中率先獲益在積極探索和落地大模型的過程中，企業(yè)雖然面臨不同程度的挑戰(zhàn)，但整體來看，先行擁抱和落地AI大模型的企業(yè)已經展現(xiàn)了清晰的收益曲線，不少率先解鎖大模型紅利的先鋒實踐案例為期待大模型為自身業(yè)務帶來變革的觀望者注入了落地的動力。2.2.1大模型落地收益曲線2.2.1大模型落地收益曲線IDC以如下收益曲線以描述市場情況，橫縱坐標分別表示企業(yè)擁抱AI的程度和企業(yè)獲得的收益。在企業(yè)跨過前期探索和正式投資建設后，AI大模型的部署和落地可以為企業(yè)帶來明顯可見的收益，包括工作效率的提升、用戶體驗的升級和市場競爭力的增強。但投資回報與前期投入持平的時間點并不是固定的；企業(yè)對大模型擁抱程度越高、資源投入和落地范圍越大、應用深度越深，這個時間點也會越早到來，企業(yè)收益也會更明顯。圖5大模型收益曲線P3:臨界點——大規(guī)模收益與S1+S2投入平衡P3:臨界點——大規(guī)模收益與S1+S2投入平衡t部署上線S3:企業(yè)落地與持續(xù)更新階段企業(yè)擁抱AI程度S2:規(guī)?；剿鏖_發(fā)階段P1:廠商POC驗證S1:小范圍測試階段大部分企業(yè)所在階段——市場呈紡錘結構來源：IDC，202413S1：小范圍測試階段——即開始嘗試探索AI大模型應用階段。該階段資源投入較少，可明顯為企業(yè)帶來新的體驗和價值增長；但由于僅處在小范圍驗證階段，所以增益空間有限。S2：規(guī)?；_發(fā)階段——即進入大模型服務規(guī)?；度腚A段。由于需要整體架構的開發(fā)和服務解決方案的落地和時間驗證，企業(yè)所獲得的收益并不明顯；但隨著大模型應用的部署上線，帶來的收益也隨之增長。S3：企業(yè)落地與持續(xù)更新階段——即不斷完善更新大模型服務來增加收益階段。該收益得益于內部成本降低、人員效率提高，以及外部產品服務創(chuàng)新升級帶來的市場競爭優(yōu)勢。P1：廠商POC驗證——該點表示為企業(yè)在經歷大模型小范圍探索后進行大規(guī)模資源投入前的廠商服務驗證POC時刻。P2：應用部署上線——該點表示為AI應用大規(guī)模部署上線的時刻。P3：盈虧平衡臨界點——該點表示大模型帶來的收益與投入支出平衡的時刻。142.2.2搶跑AI時代：先鋒企業(yè)率先解鎖大模型紅利2.2.2搶跑AI時代：先鋒企業(yè)率先解鎖大模型紅利實例揭示，AI大模型在企業(yè)應用中的成效顯現(xiàn)。大模型具備可以快速落地、不用重復進行基礎工作建設的優(yōu)勢，因此對企業(yè)而言落地更快、更易見效。IDC調研顯示，大模型的落地周期多在6-12個月（48.5%）和12-18個月之間上線時間更短，最快可1個月內完成落地。因此，率先落地的先鋒企業(yè)已經收獲大模型落地的紅利。上汽乘用車利用豆包大模型更快聆聽反饋“用戶之聲”。上汽乘用車通過引入豆包大模型，可以快速處理來自公域和私域的“用戶之聲”，并精確理解每條內容，在服務反饋、熱點事件跟蹤和質量改進等領域取得顯著成效，為用戶帶來更加優(yōu)質的體驗和服務。火山引擎助力中國飛鶴落地AI技術?；鹕揭嫣峁〩iAgent平臺，針對企業(yè)級市場進行深度定制，通過段位劃分策略，幫助企業(yè)員工逐步掌握HiAgent使用，同時通過原廠咨詢、內置最佳實踐應用效果評測確保達到生產級標準。平臺將AI技術融入各個業(yè)務流程中，從而提升整體運營效率和市場競爭力，為數(shù)字化轉型提供了堅實基礎；在某智能問答項目中，能夠處理廣泛的消費者咨詢，實現(xiàn)100%的問答響應率，同時保持了超過95%的高準確率?；鹕揭鏀y手中手游為《仙劍世界》打造AINPC。利用火山引擎RAG方案，中手游打造游戲精靈“圓滿”，使其具備更智能的輔助功能，其可以根據(jù)玩家的行為數(shù)據(jù)和游戲內的進程，提供最適合玩家角色當前狀態(tài)的支持，如任務推薦、玩法說明等，從而減少玩家在游戲中的阻礙感，提升游戲樂趣。火山方舟平臺充分滿足中手游對對游戲的的高RPM/TPM要求，通過按需調整配額，保障游戲在超大流量下的服務穩(wěn)定性，并打造極致性價比，助力降低技術、資金與人力成本。15企業(yè)CXO普遍預計，未來一年大模型服務將會帶來更多的效益改善。面向未加2%收入、縮短24%流程時間、提高17%員工工作效率、提高7%資產利用圖6未來一年AI大模型給企業(yè)帶來的效益18%2%24%17%18%2%24%17%7%降低成本7%提高資產利用率

增加收入19%19%創(chuàng)新定制化、精細化產品與服務水平

6%提升洞察力6%

提高員工生產、研發(fā)效率2%2%提升決策速度數(shù)據(jù)來源：IDC大模型企業(yè)落地進展調研，N=100，2024年8月16加快AI轉型構建全方位的大模型業(yè)務落地能力初始意愿戰(zhàn)略驅動戰(zhàn)略投入業(yè)務驅動初始意愿戰(zhàn)略驅動戰(zhàn)略投入業(yè)務驅動戰(zhàn)略分析業(yè)務分析場景試點策略業(yè)務場景結合數(shù)據(jù)資產盤點資源、能力整合搭建團隊 數(shù)據(jù)評估業(yè)務、技術、流程融合 數(shù)據(jù)要素的準備度 應用智能體業(yè)務拓展戰(zhàn)略規(guī)劃應用開發(fā)與部署上線橫向業(yè)務場景拓展對內企業(yè)IT持續(xù)優(yōu)化、應用協(xié)作工具鏈、流程、數(shù)據(jù)、場景模型調優(yōu)縱向業(yè)務場景拓展擴展至多節(jié)點、復雜任務對外開發(fā)平臺搭建模型接入效果調優(yōu)性能安全測試算力儲備模型部署應用上線應用建設路徑效果評估模型選擇資源投入計劃聯(lián)合創(chuàng)新 競爭力 降本增效來源：IDC，202418大模型業(yè)務落地能力建設三階段提前做好計劃準備、扎實推進模型部署、持續(xù)優(yōu)化迭代三大階段對企業(yè)建設全方位的大模型業(yè)務落地能力、實現(xiàn)AI轉型至關重要。具體來看：階段一：計劃準備階段階段一：計劃準備階段首先明確初始意愿。企業(yè)高管在了解AI大模型解決方案時切忌盲目跟從技術潮流，而是需要從企業(yè)整體的層面明確落地AI大模型的原始驅動力，分析與AI結合的可能性、行動路線并做好預期收益的管理：戰(zhàn)略驅動：即企業(yè)可能沒有明確的AI+場景落地計劃，但考慮企業(yè)的發(fā)展環(huán)境、行業(yè)趨勢、競爭態(tài)勢，有必要將大模型落地作為戰(zhàn)略性規(guī)劃的一環(huán)。從戰(zhàn)略布局出發(fā)，分析內外部發(fā)展環(huán)境，盤點企業(yè)內部資源和能力，制定場景試點策略，制定篩選場景的標準和路徑。業(yè)務驅動：企業(yè)已經有了非常明確的業(yè)務場景，迫切地需要引入大模型的能力來進行應用場景的改造，以實現(xiàn)降本增效、提升效率、優(yōu)化體驗等目標；執(zhí)行切實可行的業(yè)務分析策略，了解場景現(xiàn)狀、預期目標、數(shù)據(jù)的就緒度、梳理業(yè)務流程；深入探索業(yè)務場景結合點和需求程度，將大模型解決方案與特定的業(yè)務環(huán)境、業(yè)務流程或業(yè)務需求緊密聯(lián)系起來。其次剖析目標任務，了解就緒度。在確定需求和目標后，從資源盤點、流程梳理、能力自查三個方面來考慮并拆解目標，充分參考了解大模型落地所需的企業(yè)資源投入，制定詳細周密的時間和建設計劃：一是資源盤點，在最短時間內梳理內部資源，如數(shù)據(jù)資源、算力資源，并分析資源整合的可能性和優(yōu)先級，確定可為AI大模型的落地提供完備的后續(xù)支撐；了解是否數(shù)據(jù)充足、治理水平如何、是否有大量未清洗數(shù)據(jù)、是否需要外部購買數(shù)據(jù)、有無數(shù)據(jù)獲取渠道、算力資源如何購買以及計費方式；19二是流程梳理，AI的搭建、應用并不是點對點的數(shù)據(jù)傳輸，在模型調優(yōu)、模型管理、查詢調用、內容生成的過程中，均涉及企業(yè)、部門、團隊內外的多個組織方和參與方，只有明晰AI執(zhí)行的過程方式，才可以更好地進行開發(fā)建設和運營管理；三是能力自查，大模型的建設需要大量專業(yè)人才和業(yè)務人才共同合作，因此企業(yè)應重點考慮評估人才資源基礎和經驗知識儲備，制定研發(fā)創(chuàng)新的人才投入形式，是否需要低代碼、輕量化的開發(fā)平臺，以及是否需要外部合作來進行定制化開發(fā)。最后，搭建跨部門團隊確保大模型落地的推進。大模型是對企業(yè)人員、市場、產品、業(yè)務場景的賦能，不僅僅是“底座”“中臺”等概念；其需求的提出和最終實現(xiàn)均來源于使用方，而非僅靠數(shù)據(jù)部門、科技部門的采購開發(fā)就可以落地。企業(yè)應充分獲得高級管理者的支持，搭建跨部門協(xié)作團隊，制定人、財、物資源的管理和監(jiān)管制度，確保資源的即時響應和快速供給，實現(xiàn)資源的有效整合和優(yōu)化配置，從而推動大模型在企業(yè)的深入融合和高效運行。圖7您認為開發(fā)大模型時前期準備工作的重要性確定關鍵考慮指標45%制定安全規(guī)則40%測試大模型水平38%組建跨部門團隊31%梳理場景需求30%梳理內部數(shù)據(jù)29%確定投入預算及周期28%建立評估體系27%招募專業(yè)人才18%尋求外部專家團隊咨詢0.0%10.0%14%20.0%30.0%40.0%50.0%數(shù)據(jù)來源：IDC大模型企業(yè)落地進展調研，N=100，2024年8月20階段二：模型部署階段階段二：模型部署階段模型部署是最核心的落地環(huán)節(jié)，將直接影響企業(yè)應用AI大模型的實現(xiàn)效果，因此需要按照科學的路徑進行開發(fā)建設。此過程包括如下重點步驟：資源投入計劃：明確開發(fā)AI大模型落地過程中所需要的專業(yè)人才、資金投入、數(shù)據(jù)準備和管理，以及業(yè)務領域所需的知識經驗；模型選擇：結合具體的需求從模型精度、效果、參數(shù)規(guī)模、場景匹配度來篩選適合自身的模型；效果預測：預測AI時間、TPM、RPM（TPM：TokensPerMinute每分鐘TokensRPM：RequestsPerMinute每分鐘請求數(shù)）；應用建設路徑：規(guī)劃AI大模型的建設周期、落地具體場景、覆蓋使用廣度、垂直場景應用深度；算力準備：考慮推理與計算成本和使用方式，以及購買的規(guī)模、服務的選擇；開發(fā)平臺搭建：為AI大模型的應用率先搭建好底層開發(fā)平臺，覆蓋LLMOps全流程，接入豐富的Agent工具鏈、API管理服務和數(shù)據(jù)引擎平臺；可以重點考慮提供低代碼、全流程大模型開發(fā)能力的廠商；模型接入方式：即考慮模型接入和部署應用的方式，包括云端接入、API管理、線下部署；面向簡易快速上線以及企業(yè)級、部門級應用定制化開發(fā)，挑選可以提供多產品選擇的服務；效果調優(yōu)：即提升模型效果使其更滿足自身業(yè)務需求，主要可通過Prompt工程、RAG增強檢索生成、有監(jiān)督調優(yōu)、基于人類反饋優(yōu)化等；性能安全測試：即在模型上線前確保性能穩(wěn)定和安全可信；21應用上線：即考慮應用上線范圍和管理，包括跨平臺、系統(tǒng)部署、跨數(shù)據(jù)源生成、多版本管理。階段三：迭代優(yōu)化階段階段三：迭代優(yōu)化階段AI大模型在應用測試和效果評估后可正式上線，但這并不是整個流程的結束，企業(yè)還應重點考慮模型的可成長性。隨著使用量和使用方向的增多，應進一步開展調優(yōu)訓練和知識管理，達到“越用越好”的效果。因此，模型的部署完成并非終點，企業(yè)仍需持續(xù)關注并致力于大模型在三個關鍵層面的迭代與優(yōu)化：智能體應用效能的提升、跨業(yè)務領域的拓展應用，以及對企業(yè)整體戰(zhàn)略規(guī)劃的對內和對外的影響：智能體優(yōu)化，即針對基于大模型的智能體的能力和水平的持續(xù)提升。對于開發(fā)上線的AI智能體應用，企業(yè)可以持續(xù)提升模型的精度、改善用戶體驗，例如通過AB測試評估調優(yōu)后的效果，并針對在應用服務過程中遇到的工具缺失、流程混亂、數(shù)據(jù)管理困難、場景需求升級等問題進行優(yōu)化完善，以保證其發(fā)揮最大的價值和效果。業(yè)務擴展，即將已成功的基于大模型的應用擴展至相關或更復雜的業(yè)務領域以挖掘更多的價值。橫向業(yè)務拓展：在實際應用AI大模型中，企業(yè)往往會首先選擇1-2個易于落地、急需改善的場景進行項目試點，當完成項目上線并評估可持續(xù)投資后，可結合積累的技術、開發(fā)、流程、管理經驗，共享同一套平臺、工具和資源，進一步將模型應用到其他場景中，服務不同的人員，打通、管理更多的數(shù)據(jù)和實踐經驗?？v向場景延伸：知識管理、對話問答、查詢分析是AI大模型最先落地的場景，隨著模型的升級和應用需求的加深，企業(yè)應考慮將小范圍、簡單任務擴展至多層次、復雜任務，打造可以同時滿足多個任務的智能體，探索、擴大大模型的服務深度和邊界。22戰(zhàn)略規(guī)劃，即從企業(yè)整體的視角評估大模型部署落地后對企業(yè)整體競爭力的改變，同時關注其對IT基礎設施的影響。持續(xù)關注企業(yè)對外的差異化競爭優(yōu)勢：當AI大模型應用上線后，企業(yè)應重點考慮競爭環(huán)境，了解其他企業(yè)與AI的結合深度和布局計劃，評估、判斷自身企業(yè)在當前和未來的競爭力和優(yōu)勢對比，從而制定、明確AI大模型下一輪的投資和開發(fā)計劃，以促進應用和產品的迭代，形成長期差異化競爭優(yōu)勢。對內關注企業(yè)整體數(shù)字化基礎設施的能力：大模型上線后，企業(yè)IT基礎設施面臨一系列的變化，包括計算資源需求、服務器負載、存儲空間、數(shù)據(jù)管理、安全性和隱私保護等。因而企業(yè)需要關注現(xiàn)有IT系統(tǒng)的升級和優(yōu)化，以確保大模型的高效運行。破除落地大模型的思維誤區(qū)對大模型落地這一新的企業(yè)課題，在準備、實施和優(yōu)化三大階段中，企業(yè)容易產生認知誤區(qū)。這些誤區(qū)如同迷霧，籠罩在企業(yè)前進的道路上。為幫助猶豫觀望的企業(yè)梳理發(fā)展路徑，避免在大模型落地過程中走不必要的彎路，我們歸納了先行者在探索過程中常見的思維陷阱：23技術指標VS商業(yè)應用把技術指標（參數(shù)量、數(shù)據(jù)訓練規(guī)模）等當作商業(yè)應用成功與否的指標，而忽略了大模型的實際效果。成本VS需負擔的成本大模型的訓練確實需要大量的計算資源和資金，但并不意味著企業(yè)用戶需要承擔大模型全部的費用和成本投入。目前，大模型技術服務商已經通過預訓練、模型微調、算法優(yōu)化等技術降本的方式，使企業(yè)以相對合理的成本享受大模型的技術優(yōu)勢。企業(yè)用戶可以直接選擇成熟的預訓練模型，不需要從0開始訓練。開發(fā)流程VS全生命周期的開發(fā)工具開發(fā)大模型不是需要用戶獨立建立開發(fā)流程、實現(xiàn)端到端開發(fā)，技術供應商能提供全周期的開發(fā)平臺和流程推薦，并提供插件、測試、數(shù)據(jù)管理等“開箱即用”和低代碼的工具組件，幫助企業(yè)更加敏捷、快速地應用AI。短期產出VS長期投入關注短期內大模型帶來的價值產出，而忽略長效投入下的價值收益。模型上線不等于AI應用落地的結束，還需要長期的投入。僅關注短期產出，可能將忽略數(shù)據(jù)飛輪效應的長遠收益。安全隱私VS大模型商業(yè)價值擔心引入大模型會伴隨著產生數(shù)據(jù)隱私和數(shù)據(jù)安全的風險，而忽略了大模型落地對現(xiàn)有數(shù)據(jù)資產和數(shù)據(jù)價值發(fā)揮的推動作用。實際上，大模型技術供應商圍繞大模型開發(fā)和使用提供了全棧安全可信解決方案，可保證全流程的模型和數(shù)據(jù)安全。來源：IDC，202424頭雁效應大模型深入眾多應用場景隨著大模型在眾多企業(yè)中的落地實踐不斷取得成功，其應用場景正逐步拓寬。這些企業(yè)在不同業(yè)務場景中的積極探索和驗證，使得大模型的能力得到了廣泛認可。從最初的業(yè)務試點到如今的深度融入，大模型的應用范圍不斷擴展，涵蓋了生產、管理、營銷等眾多領域。大模型應用場景不斷擴寬，應用日漸成熟IDC研究總結了十大核心能力和十大應用領域，每個應用領域下梳理十個細分場景，梳理了AI大模型落地應用場景全景圖，并分析其落地成熟度和發(fā)展?jié)摿?，以期為市場和企業(yè)提供參考，幫助企業(yè)選擇最合適落地的場景和服務。十大核心能力：包括文本生成、圖像生成、視頻生成、推薦搜索、數(shù)據(jù)分析、智能決策、會話問答、知識管理、多模態(tài)、邏輯推理；十大應用領域：包括金融、互聯(lián)網、零售消費、醫(yī)藥健康、智能終端、游戲、企業(yè)服務、文化娛樂、教育科研、汽車；26圖8AI大模型落地應用場景全景圖汽車 金融 互聯(lián)網智能座艙 自動駕駛產品設計 仿真模市場營銷 客群分供應鏈管理 智能制銷量預測 企業(yè)服

財富顧問市場營銷智能客服研報分析市場預測展業(yè)拓客金融產品創(chuàng)新金融風控數(shù)字員工代客交易

情感陪伴搜索問答商品推薦廣告推送營銷文案生成教育培訓教育科研論文助手 實驗仿真

零售消費智慧門店 銷量預測科研結果創(chuàng)新教學設計機器人輔助虛擬教師作業(yè)出題批改教案生成行政管理助手學生培養(yǎng)文化娛樂輿情分析內容審核圖片生成興趣愛好推薦回話問答虛擬人形象

邏輯推理 文本生成 圖像生多模態(tài) 視頻生生成式AI知識管理 搜索推會話問答 智能決策 數(shù)據(jù)分

供應鏈管理 用戶行為分析廣告?zhèn)€性化 商品搜索推薦數(shù)字員工 售前售后客文案視頻設計 商品介紹生醫(yī)藥健康藥物研發(fā) 論文總結專利分析 智能導診分診手術機器人 用藥推薦醫(yī)生助手 個人健康助診后回訪監(jiān)測 患者問答企業(yè)服務數(shù)字人客服辦公軟件供應鏈管理 人力資源管

游戲游戲角色對話任務劇情設計游戲素材推薦用戶數(shù)據(jù)分析

智能終端任務規(guī)劃個人助手視覺感知交互產品排產終端設備研發(fā) 營銷文案生成落地成熟度L1 L2 L3 L4 發(fā)展?jié)摿Φ?中 高來源：IDC，202427金融互聯(lián)網互聯(lián)網對AI大模型的接受程度最高，企業(yè)希望實現(xiàn)運營成本的降低和產品設計創(chuàng)新，如搜索問答、廣告推送、商品推薦、營銷文案生成、教育培訓、辦公輔助等已開始規(guī)?；涞貞?。此外，情感陪伴也表現(xiàn)出了更大的用戶潛力。零售消費圖文生成能力已廣泛應用于商品介紹生成、售前售后客服場景，大幅降低人力成本并保證內容準確性。此外，銷量分析和預測、用戶行為分析等數(shù)據(jù)分析功能，也通過BI升級的形式來服務更多人員。醫(yī)藥健康當前AI大模型主要用于輔助場景，如藥物研發(fā)中靶點發(fā)現(xiàn)、分子合成，以及智能問診助手、導診分診等。另外，養(yǎng)老場景中也有較大的應用潛力，例如，利用AI實現(xiàn)視頻安全監(jiān)控、文化娛樂、情感陪伴、出行輔助等功能，可以為用戶提供更智能更有溫度的服務。28智能終端以手機、電腦、智能家居為主的終端設備在積極融合AI能力，開發(fā)智能對話、任務控制等基礎能力。面向未來，手機有著明顯的優(yōu)勢——可移動，APP功能豐富，應用生態(tài)底座全面，SoC芯片持續(xù)升級且具備攝像頭拍攝能力，可作為大模型的個性化開發(fā)底座來進行問答、執(zhí)行、控制。筆記本電腦則更多圍繞系統(tǒng)工具的升級來實現(xiàn)輔助辦公、代碼開發(fā)、視覺感知和控制等功能。智能家居在對話理解和語音控制的過程中，可以給人更自然的體驗，而不僅是關鍵詞識別和觸發(fā)。另外，同時具備多模態(tài)感知和可移動能力的智能眼鏡、AR設備也是大模型落地的熱點領域。游戲優(yōu)質游戲的開發(fā)成本巨大，成功后也會帶來明顯回報。對于優(yōu)質內容和游戲玩法的設計、數(shù)值策劃、闖關類型、人機匹配等，大模型尚不能完全替代；如當前大部分設計策劃仍由人來設計測試，不需要復雜的算法介入，人機匹配則大多是機器學習領域的強化學習和模仿學習。目前AI大模型多用于2D圖像生成、語音生成、智能客服、違規(guī)詞監(jiān)測、3D人物和動作生成，以及智能客服、辦公輔助等場景。企業(yè)服務這一賽道的企業(yè)已經將“AI+”列為2024年重點目標，投資動力明顯，更新路徑也從基礎的內容生成、數(shù)據(jù)分析、知識問答，延伸至個人助理、跨模態(tài)生成、跨數(shù)據(jù)檢索、多輪對話、長文生成等能力。29文化娛樂新聞生成、圖片素材生成、音樂生成等單模態(tài)能力已在現(xiàn)實生活中廣泛應用。隨著GPT-4o的發(fā)布，視頻生成領域、圖片生成視頻、文字生成視頻、視頻自動剪輯生成等方向，也開始在互娛領域快速落地。教育科研頭部教育機構擁有足夠的題庫積累，覆蓋幼兒教育、學前教育、小學教育、初中教育、高中教育、職業(yè)培訓、大學和考公考研全年齡段，依靠AI生成能力來提供試題生成、批卷打分、口語分析、虛擬教師等功能。大模型已在英語培訓市場展現(xiàn)出巨大的商業(yè)機會。汽車汽車與AI大模型的結合主要分成四個模塊，包括智能座艙、企業(yè)服務、自動駕駛和智能制造。目前多家車企已上線智能座艙和企業(yè)服務，如車內控制、導航娛樂、知識管理、市場營銷等，通過語音對話、意圖識別、RAG檢索、指令生成、FunctionCall、API調用、插件調用、內容整理和生成這一流程完成駕艙控制。眾多行業(yè)企業(yè)深入大模型落地實踐隨著大模型應用場景的不斷拓展和應用的日益成熟，我們看到了越來越多的大模型成功落地案例。這些案例如同路標，為眾多企業(yè)指明了落地的方向，提供了實實在在的參考。企業(yè)可以從中了解到先進的技術應用經驗，感受到大模型帶來的實際效益，從而更加堅定地在自身業(yè)務中推進大模型的應用。30企業(yè)介紹賽力斯：攜手豆包大模型提升用戶滿意度企業(yè)介紹賽力斯始創(chuàng)于1986年，是一家以新能源汽車為核心業(yè)務的技術科技型汽車企業(yè)，旗下主要產品包括AITO問界系列高端智慧新能源汽車、藍電新能源汽車、瑞馳電動商用車等，秉承著“推動汽車能源變革，創(chuàng)享智慧移動生活”的使命，專注技術自研，在三電技術、增程技術、電子電氣架構和超級電驅智能技術平臺方面處于行業(yè)領先地位。需求驅動力需求驅動力主要需求：提升用戶反饋閉環(huán)效率，優(yōu)化業(yè)務部門決策支持提升用戶反饋閉環(huán)效率：通過優(yōu)化從收集、分析到響應用戶反饋的整個流程，加快用戶問題解決速度，提高用戶滿意度；優(yōu)化業(yè)務部門決策支持：基于對用戶反饋的及時處理與準確判斷，提升相關業(yè)務部門的業(yè)務決策效率。賽力斯與火山引擎合作重點賽力斯與火山引擎合作重點賽力斯工作重點：厘清用戶反饋處理流程中各項工作環(huán)節(jié)，借助豆包大模型建設用戶之聲管理平臺（VOC：VoiceofCustomers）；梳理公私域平臺有關用戶反饋的數(shù)據(jù)源頭，打通企業(yè)工單系統(tǒng)，同時對接內部協(xié)同辦公軟件，如飛書、釘釘、企微等，依托火山引擎提供的數(shù)據(jù)采集與分析能力，為業(yè)務部門提供第一手高質量用戶反饋信息?；鹕揭娼鉀Q方案：火山引擎基于豆包大模型的理解、分類與總結能力，攜手賽力斯共創(chuàng)用戶之聲管理平臺，實現(xiàn)了用戶反饋分析、處理工作由人工承接轉為模型承接，達成用戶反饋閉環(huán)的智能化升級。情緒正負向判定：豆包大模型可對反饋內容做上下文理解，輸出“正向”、“中立”、“負向”標簽，避免人工主觀漏判/誤判，該類標簽可用于報表聚類展示；31內容標簽提?。涸诨鹕揭?00+“開箱即用”的汽車行業(yè)標簽支持下，豆包大模型可基于應業(yè)務部門；內容觀點總結：豆包大模型能提取用戶反饋內容中的主要觀點，例如其可將一篇3,000字的反饋精簡至200-300字，并結構化地提煉核心觀點，從而幫助運營大幅提升對于內容的理解處理效率；實時數(shù)據(jù)采集與分析：火山引擎數(shù)據(jù)產品助力用戶之聲管理平臺，可實時采集公私域數(shù)據(jù)，包含資訊、評價、投訴、建議等多個維度的圖文、視頻信息，并支持品牌、車系、車型的下鉆分析，維度涵蓋用戶聲量監(jiān)測、來源渠道分布等。落地效果在豆包大模型的幫助下，VOC管理平臺有效提升了賽力斯的用戶反饋閉環(huán)效率，縮短了處理時長，實現(xiàn)了用戶滿意度的提升；基于火山引擎提供的數(shù)據(jù)分析能力，賽力斯的風險監(jiān)控水準得以進一步提升，并推動各個業(yè)務部門基于用戶反饋及時制定決策與實施，從而優(yōu)化企業(yè)運營。32企業(yè)介紹上汽乘用車：有效提升“用戶之聲”的反饋處理效率企業(yè)介紹上海汽車集團股份有限公司（簡稱“上汽集團”）作為國內規(guī)模領先的汽車上市公司，努力把握產業(yè)發(fā)展趨勢，加快創(chuàng)新轉型，正在從傳統(tǒng)的制造型企業(yè)，轉變?yōu)槊嫦蛳M者提供移動出行服務與產品的綜合供應商。需求驅動力需求驅動力主要需求：高效處理海量數(shù)據(jù)，精準分析用戶反饋，快速響應市場變化高效處理海量數(shù)據(jù)：需要快速處理和分析大量用戶的反饋信息，以確保不會錯失任何重要的用戶聲音；精準分析用戶反饋：需要能夠準確識別和理解用戶反饋中的關鍵點和情感傾向，以便更好地滿足用戶需求；快速響應市場變化：需要通過高效的數(shù)據(jù)處理和精準的反饋分析，獲得及時且有價值的洞察，以支持快速的業(yè)務決策，從而在競爭激烈的市場中保持領先。上汽乘用車與火山引擎合作重點上汽乘用車與火山引擎合作重點上汽乘用車工作重點：整合來自各類垂直媒體、論壇、微博、企業(yè)APP等渠道的用戶反饋數(shù)據(jù)，為豆包大模型的分火山引擎解決方案：33落地效果34企業(yè)介紹海爾消金：豆包大模型為信貸資產管理提質增效企業(yè)介紹海爾消費金融成立于2014年，是由海爾集團發(fā)起設立的持牌金融機構，經銀保監(jiān)批準設立的全國性持牌消費金融公司，旗下?lián)碛小昂栂M金融”“夠花”兩款APP,通過科技金融為用戶提供消費信貸服務。需求驅動力海爾消金與火山引擎合作重點海爾消金與火山引擎合作重點海爾消金工作重點：整理貸款知識、客戶信息、員工手冊等內容，做好數(shù)據(jù)安全管理后，與豆包大模型連接，提升關鍵詞查詢和模糊匹配生成的準確率；組織員工培訓，學習大模型使用方式和建議，建立生成Prompt模板。通過扣子搭建適合不同業(yè)務人員的智能體?；鹕揭娼鉀Q方案：基于字節(jié)跳動豆包大模型精調的大模型，能夠滿足海爾消金90%以上的智能化場景需求，包括風控、客戶服務、貸后資產管理、意愿度識別等；火山引擎提供了火山方舟大模型服務平臺、扣子AI原生應用開發(fā)服務平臺、算力管理平臺等全棧式大模型工具；35提供完善的模型應用數(shù)據(jù)治理體系，提供豐富多樣的獨享技術方案，嚴格遵循安全合規(guī)的要求，確保安全、合理地使用大模型。落地效果在資產管理過程中，通過與火山引擎的合作，引入豆包大模型能力，在初始應用階段，效果提升達到15-20%；海爾消費金融坐席助手摘錄過程中可達到超過95%的準確率。每天節(jié)約坐席專員1-3小時，同時提升智能問答系統(tǒng)的準確率。后續(xù)支持海爾消金與火山引擎共同成立金融大模型聯(lián)合創(chuàng)新實驗室，致力于構建消費金融垂直大模型，并在精準營銷、智能客服、貸后管理、風控等業(yè)務場景中持續(xù)探索大模型的創(chuàng)新應用，加速海爾消金的智能化轉型進程；海爾消金CIO“在引入大模型后，現(xiàn)在實際的落地效果非常顯著，最典型的要數(shù)海爾消金的貸后管理工海爾消金CIO“在引入大模型后，現(xiàn)在實際的落地效果非常顯著，最典型的要數(shù)海爾消金的貸后管理工作。此外在客服領域里邊，也對客戶意圖進行識別，可以更精準地理解客戶的意圖，還便于事后對客戶進行管理?！?6企業(yè)介紹中國飛鶴：利用AI實現(xiàn)企業(yè)全面的AI轉型升級企業(yè)介紹作為全國乳品行業(yè)龍頭企業(yè)，中國飛鶴1962年創(chuàng)立于趙光農場，迄今已有60多年歷史，是中國最早的奶粉企業(yè)之一。根據(jù)第三方調研機構全新數(shù)據(jù)，2019年-2023年度，飛鶴連續(xù)5年銷量位居全國首位。同時，飛鶴奶粉連續(xù)兩年全球銷量第一，旗下星飛帆系列已連續(xù)3年成為全球第一大單品。截至2023年1月，中國飛鶴在嬰幼兒奶粉中市占率達21.5%，穩(wěn)居市場第一。需求驅動力飛鶴與火山引擎合作重點飛鶴與火山引擎合作重點飛鶴工作重點：重塑基礎設施能力，攜手火山引擎搭建先進的云架構、業(yè)務中臺和數(shù)據(jù)中臺，確保數(shù)據(jù)處理的高效性和業(yè)務流程的靈活性，支撐上層AI應用運行；選擇AI能力中臺核心組成部分，面向實際業(yè)務場景和需求，重點建設大模型能力、數(shù)字人、數(shù)字孿生、智能推薦、音視頻、VR/AR等；將應用場景分成用戶運營觸達、渠道銷售和企業(yè)管理三大類，每個類別下重點建設具體應用場景，如追溯回答、消費者咨詢、優(yōu)選客服等，以滿足不同環(huán)節(jié)的需求。火山引擎解決方案：基于飛鶴信息化建設“3+3+2”的戰(zhàn)略藍圖，飛鶴聚焦搭建集成基礎設施層、能力層、接入層、場景層全覆蓋的AI能力中臺。通過明晰業(yè)務需求、愿景及資源狀況，火山引擎為飛鶴AI能力中臺做整體規(guī)劃，制定分步實施策略，促使中臺成功落地；37圍繞HiAgent平臺，火山引擎針對企業(yè)級市場進行深度定制，提供成熟解決方案，通過段位劃分策略，幫助企業(yè)員工逐步掌握HiAgent使用，同時通過原廠輕咨詢、內置最佳實踐和應用效果評測，確保達到生產級標準。落地效果HiAgent平臺發(fā)揮了核心作用，將AI技術融入各個業(yè)務流程中，從而提升整體運營效率和市場競爭力，為數(shù)字化轉型提供了堅實基礎；某智能問答項目能夠處理廣泛的消費者咨詢，實現(xiàn)100%的問答響應率，同時保持了超過95%的高準確率。“AI大模型已在消費者服務、線下活動檢核、企業(yè)辦公、導購培訓、數(shù)據(jù)分析和智慧農牧等多個業(yè)務場景中廣泛應用，為飛鶴的創(chuàng)新發(fā)展注入新動力?！?8企業(yè)介紹中手游：為《仙劍世界》打造豐富的AINPC生態(tài)企業(yè)介紹中手游是領先的全球化IP游戲運營商，以IP為核心，通過自主研發(fā)和聯(lián)合研發(fā)，為全球玩家提供精品IP游戲。圍繞自有IP《仙劍奇?zhèn)b傳》，持續(xù)為粉絲創(chuàng)造精品內容和互動體驗，打造世界級IP，并將《仙劍世界》打造成全球首個國風仙俠虛擬世界。需求驅動力需求驅動力主要需求：為《仙劍世界》打造AINPC，落地RAG技術，保障游戲服務穩(wěn)定為《仙劍世界》打造AINPC：基于大模型搭建豐富的AI玩法，打造具有長期記憶和成長能力的AINPC；落地RAG技術：通過RAG技術進一步提升模型的推理效果，優(yōu)化AI游戲內容的表現(xiàn)；保障游戲服務穩(wěn)定：借助模型及系統(tǒng)穩(wěn)定強大的推理QPS保障能力，保障游戲服務穩(wěn)定運行。中手游與火山引擎合作重點中手游與火山引擎合作重點中手游工作重點：針對《仙劍世界》游戲中可落地大模型的場景進行了深入探索，如意圖識別、情緒識別；對基座大模型、RAG解決方案中的向量數(shù)據(jù)庫等關鍵組件，進行了大量評估，并搭建開發(fā)框架?；鹕揭娼鉀Q方案：提供豆包·角色扮演模型，助力中手游打造行為獨立、可對玩家的行為做出個性化的反應游戲氛圍NPC；基于豆包大模型能力幫助中手游打造玩家專屬劍靈“圓滿”，其可為玩家提供問題解答、任務引導、功能喚起、智能傳送、戰(zhàn)斗BUFF、時辰播報等功能；通過召回能力優(yōu)秀的豆包·向量化模型、P90延時僅18.2ms的向量數(shù)據(jù)庫VikingDB等組件，搭建一站式RAG解決方案，為中手游建設游戲RAG知識庫提供技術支撐；39提供依托火山引擎充沛公有云GPU資源池打造，底層算力充足，且支持分鐘級完成千卡擴縮容的大模型服務平臺火山方舟。落地效果基于豆包大模型打造的AINPC生態(tài)在《仙劍世界》游戲中被全面應用，塑造了一個對于玩家而言陪伴感更強的游戲世界；火山引擎RAG解決方案，幫助游戲精靈“圓滿”具備了更智能的輔助功能，例如其可以根法說明等，從而減少玩家在游戲中的阻礙感，提升游戲樂趣；中手游技術中心總監(jiān)“目前大模型已經在中手游項目開發(fā)流程中的多個環(huán)節(jié)投入應用?；鹕揭孢@樣一位高效、值得信賴的云服務商伙伴，在這中間扮演著至關重要的角色?！被鹕椒街燮脚_充分滿足了中手游對于游戲的高RPM/TPM中手游技術中心總監(jiān)“目前大模型已經在中手游項目開發(fā)流程中的多個環(huán)節(jié)投入應用?；鹕揭孢@樣一位高效、值得信賴的云服務商伙伴，在這中間扮演著至關重要的角色?！?0浙江大學介紹浙江大學信息技術中心：落地全方位大模型應用體系，構造智能化教育環(huán)境浙江大學介紹浙江大學是一所特色鮮明、在海內外有較大影響的綜合型、研究型、創(chuàng)新型大學，設有7個學部、40個專業(yè)學院（系）、1個工程師學院、2個中外合作辦學學院、7家直屬附屬醫(yī)院。截至2023年底，學校有全日制學生67656人、國際學生5514人、教職工9557人。2022年，浙江大學入選第二輪“雙一流”建設高校。需求驅動與創(chuàng)新驅動需求驅動與創(chuàng)新驅動主要需求：融合大模型能力，獲得跨越式發(fā)展融合模型能力：大模型時代技術背景下，校園教學、科研、管理、服務等系統(tǒng)，亟待融入大模型能力，使得各系統(tǒng)更加智能化，各系統(tǒng)組成的校園系統(tǒng)更加智能化；融合模型能力：在政策背景下，全校師生亟待平臺支持，以實踐人工智能的學習；獲得跨越式發(fā)展：浙大西湖之光算力聯(lián)盟已經建成了良好的基礎設施，由火山引擎大模型方案構建的AI應用，將繼續(xù)推動自身的發(fā)展和基礎設施的發(fā)展。浙江大學信息技術中心與火山引擎合作重點浙江大學信息技術中心與火山引擎合作重點浙江大學工作重點：圍繞教學、科研、教務、校園服務、本地生活等需求，建設體系化解決方案；解決場景多、多方協(xié)作、時間緊、效果要求高的全方位挑戰(zhàn)?；鹕揭娼鉀Q方案：火山引擎HiAgent平臺為建設“浙大先生”門戶及AI科學家等系列智能體場景應用，提供了四大能力支持：多模型接入和多維數(shù)據(jù)整合：實施多模型接入策略，根據(jù)不同場景應用需求精選最合適的模型，以多維數(shù)據(jù)整合能力有效處理不同數(shù)據(jù)庫的多樣化業(yè)務數(shù)據(jù)，為各場景應用提供可靠的數(shù)據(jù)支持；41集成化工作空間協(xié)同開發(fā)：高效構建并利用集成化工作空間，實現(xiàn)多供應商之間無縫的數(shù)據(jù)流轉與深度協(xié)同開發(fā)，減少“數(shù)據(jù)孤島”信息摩擦，確保整個開發(fā)鏈路每個環(huán)節(jié)都能基于最新、最準確的數(shù)據(jù)決策行動，提升應用開發(fā)的迭代效率和質量；靈活的發(fā)布與集成機制：通過靈活地發(fā)布和集成Chatbot、Copilot、Agent多種形式的AI應用，實現(xiàn)“浙大先生”大模型應用體系的多元化，幫助師生按需自動化處理日常任務；模型應用自動化調測優(yōu)化：提供效果評測、應用Tracing、Debugging等能力，支持工作流速應用的迭代優(yōu)化，確保應用在實際場景中的穩(wěn)定性和可靠性。落地效果僅花7天時間，就實現(xiàn)了“浙大先生”大模型應用體系的完整、高效構建，讓AI應用走進課堂、校園、實驗室等場景，為超過6萬名在校師生等打造了更智能化的教學教務、科研創(chuàng)新、校園生活等全新體驗；在大模型能力支持下，“浙大先生”應用體系為用戶提供高度定制化的AI服務與支持，全面促進浙江大學教學、教務、科研智能化升級與效率提升：門戶：無縫對接浙大統(tǒng)一身份認證系統(tǒng)，師生可憑校園賬號輕松登錄并享受相關服務AI科學家：提供全學科數(shù)據(jù)庫、知識庫、通用AI科研助手等工具，快速鏈接算力平臺、模型庫、算法庫，大幅提升科研效率課堂智能問答：深度融合大模型與向量數(shù)據(jù)庫，精準處理教案、考試要求等課堂資料，即時解答學生疑問、提升學習效率與質量教務咨詢：以智能交互提供專業(yè)教育咨詢，強化政策文件檢索與理解，助力學生高效掌握教務信息百事通助手：整合超600項網上服務事項，覆蓋學習、生活、行政等多個場景，為師生提供全方位辦事指引本地生活助手：精準捕捉意圖，為師生篩選、推薦貼合需求的餐飲，并提供頁面地址及推薦理由，滿足多樣化用餐生活需求慧學外語：提供豐富多樣、高效使用的課程信息與學習對話體驗，助力外語學習42企業(yè)介紹蘇泊爾：構建AI驅動的“居家食養(yǎng)健康”物聯(lián)場景生態(tài)企業(yè)介紹蘇泊爾成立于1994年，2004年在深交所上市，是中國炊具行業(yè)首家上市公司。蘇泊爾擁有6大研發(fā)制造基地，分布在杭州、武漢、紹興、玉環(huán)、柯橋和越南，通過持續(xù)創(chuàng)新和對品質的始終堅持，在小家電行業(yè)保持領先地位。產品涵蓋烹飪用具、廚房電器、家居與個人護理電器等多個領域。云饌平臺是蘇泊爾旗下的智慧生活共創(chuàng)平臺，為消費者居家健康烹飪全場景提供了領先的解決方案。需求驅動力主要需求：提供個性化健康食譜，增強蘇泊爾APP使用體驗，建設智能炒菜機生態(tài)需求驅動力提供個性化見刊食譜：提升廚房烹飪品類電器的內容生產效率，同時滿足消費者對于個性化專屬譜的需求；增強APP體驗：提供多場景中食譜智能檢索和推薦體驗；蘇泊爾與火山引擎合作重點建設智能炒菜機生態(tài)：提升智能炒菜機生態(tài)服務能力，為炒菜機用戶提供一日三餐“居家食養(yǎng)健康”主題的配餐服務。蘇泊爾與火山引擎合作重點蘇泊爾工作重點:基于扣子專業(yè)版，打造云撰食譜創(chuàng)作、云饌AI尋味、云饌居家食養(yǎng)健康等智能體；優(yōu)化以往PaaS-SaaS-APP的軟件架構模式，借助“AgentasAPI”方式實現(xiàn)智能體與蘇泊爾APP、蘇泊爾IoT產品直連，提升開發(fā)效率和用戶體驗?；鹕揭娼鉀Q方案：火山引擎扣子專業(yè)版提供了靈活編排搭建AI智能體的能力，加速蘇泊爾云饌系列智能體的構建；扣子平臺靈活的API支持，令蘇泊爾以“AgentasAPI”的方式應用智能體成為可能：云撰食譜創(chuàng)作：結合用戶綁定的廚電產品及家庭飲食情況，智能體可借助豆包大模型和文生圖能力，為用戶生成專屬的個性化健康食譜；43云饌AI尋味：可在扣子專業(yè)版的智能體編排技術支持下，于蘇泊爾APP尋味欄目中，實現(xiàn)多場景食譜智能檢索和推薦等功能；云饌居家食養(yǎng)健康：借助扣子平臺智能體語音交互OpenAPI、音色克隆、音色合成API等能力，提升蘇泊爾智能炒菜機的服務水平，為消費者提供每日三餐“配餐式”的健康美食日歷服務。落地效果云饌食譜創(chuàng)作智能體針對蘇泊爾旗下電飯煲、電壓力鍋、烤箱、空氣炸鍋等重點品類，月均服務超15萬蘇泊爾APP會員，好評度逐步提升。云饌AI尋味智能體日均服務蘇泊爾APP會員一日三餐2萬多次。*數(shù)據(jù)取自蘇泊爾云饌平臺，2024年10月至今。蘇泊爾AIOT中心總監(jiān)張作強蘇泊爾AIOT中心總監(jiān)張作強“蘇泊爾聯(lián)合豆包大模型與扣子AI智能體平臺，深入居家健康烹飪等多領域，以'AgentasAPI'直連產品，優(yōu)化了IoT平臺架構，提效研發(fā)且用戶體驗得以優(yōu)化。憑技術創(chuàng)新構建'居家食養(yǎng)健康'物聯(lián)生態(tài)，賦予烹飪電器人格化體驗，給消費者帶來智能便捷的健康烹飪新生活?！?4企業(yè)介紹海底撈：基于智能化客戶評價分析，打造更好餐飲服務企業(yè)介紹海底撈品牌創(chuàng)建于1994年，歷經二十多年的發(fā)展，海底撈已經成長為國際知名的餐飲企業(yè)。截至2022年12月底，海底撈擁有上千家直營餐廳。海底撈多年來歷經市場和顧客的檢驗，成功地打造出信譽度高、融匯各地火鍋特色于一體的優(yōu)質火鍋品牌。2018年9月，海底撈于港交所掛牌上市。需求驅動力需求驅動力主要需求：高效完成客戶評價分析海底撈與火山引擎合作重點海底撈與火山引擎合作重點海底撈工作重點：建設數(shù)據(jù)中臺，整合顧客餐后評價、投訴工單、第三方餐飲平臺點評與評價等反饋；打造后端環(huán)境進行數(shù)據(jù)治理，過濾無效內容，將有效評價推送至大語言模型。火山引擎解決方案：基于豆包大模型，火山引擎為海底撈搭建了用戶評價分析模型，通過對用戶評價進行情緒、觀點的高效智能抽取，形成服務質量、菜品質量洞察。豆包大模型具有更強性能，可通過語言處理能力，對顧客評價中有關環(huán)境、菜品、服務等不同維度內容進行抽取，同時判斷顧客評價時正向/負向情緒：從全局角度，對顧客評論給出“好中差”整體評價結論；提供進一步精細化分析能力，從服務、產品、衛(wèi)生、性價比等多個角度判斷顧客情緒。提供不同顆粒度總結報告，以直觀、數(shù)字可視化形式呈現(xiàn)在海底撈數(shù)據(jù)中臺，方便查閱。45落地效果落地效果在火山引擎豆包大模型能力幫助下，海底撈實現(xiàn)了高效、精準的用戶評價分析，為門店績效管理及后續(xù)經營管理的持續(xù)迭代與優(yōu)化提供了指導?！癆I在餐飲行業(yè)的應用，不能一味地考慮邊際效用，也需要結合服務體驗，海底撈是以服務立足的企業(yè)，在AI方案的選擇上，也一直在追求“以人為本，體驗第一”的原則。”46更多企業(yè)落地案例實踐招商銀行落地智能體，形成更全面AI能力客戶需求：加速智能化轉型：推動AI創(chuàng)新從高性能基礎設施向智能體多元場景拓展；提供更智能化、個性化客戶服務：以自然流暢語言交互方式，滿足金融行業(yè)用戶多樣化個性需求。解決方案：火山引擎為招商銀行的智能化創(chuàng)新提供了擁有低門檻智能體構建能力的扣子平臺，以豐富的企業(yè)級插件、靈活的集成機制、多模型適配能力，加速招商銀行AI能力落地應用：以扣子平臺為依托，招商銀行舉辦了為期三個月、范圍覆蓋全行的“大模型應用創(chuàng)新大賽”，加速大模型及智能體技術在金融行業(yè)的融合應用，推動更多金融智能體項目涌現(xiàn)；依托扣子平臺打造的“掌上生活優(yōu)惠”及“財富看點”等智能體，為用戶提供生活優(yōu)惠查詢以及市場行情分析等一系列服務。落地效果：打造的智能助手以更自然的交互方式，以及更智能化、個性化的服務，提升用戶滿意度及粘性；招商銀行內部大模型及智能體技術的普及，為后續(xù)更多貼合自身業(yè)務需求的AI智能體構建奠定了基礎。領克汽車將AI打造成銷售顧問的得力助手客戶需求：產品知識培訓：優(yōu)化內訓流程，強化銷售顧問知識體系，理解客戶需求；智能化工具助理：智能化建檔，匹配現(xiàn)代消費者購買行為，豐富銷售工具，建立健全現(xiàn)代化工具。解決方案：火山引擎與領克汽車構建了同SalesCopilot技術深度融合的豆包大模型銷售助理，以及實時對練和評級系統(tǒng)、用車知識工具等：豆包大模型銷售助理：通過豆包大模型，銷售顧問可以獲取關于本品和競品汽車產品的深度知識，以及市場趨勢的即時更新，更好地理解客戶需求和優(yōu)化銷售策略；實時對練和評級系統(tǒng)：SalesCopilot提供的對練系統(tǒng)能夠模擬各種銷售場景，讓銷售顧問在實際接待和跟進客戶前，能夠充分練習并提升應對各種問題的能力；用車知識工具：銷售顧問可以通過這一工具快速訪問到關于汽車維護、操作和功能的詳細信息，并可以通過客戶手冊，查閱以視頻等方式輸出的豐富內容，從而獲得準確而詳細的產品知識。落地效果：更精準地滿足客戶需求，提供個性化、更高效的服務，助力銷售業(yè)績成功達成，打造業(yè)務增長新空間；靈活的底層算力支持，使得領克汽車能夠以極低成本快速落地大模型，降低端側推理成本。47想法流基于模型多模態(tài)能力保障更強用戶互動客戶需求：提升用戶互動性：打造嚴格遵循人設要求，且具備基本常識對話問答能力的AI角色，以主動開啟新話題等方式推進聊天進展，增加用戶粘性；多場景支持：希望獲得對多個細分專業(yè)場景中、用戶不同交互行為的支持；服務穩(wěn)定：為保證更好的對話體驗，提升用戶留存率，需要延時穩(wěn)定在40-50ms，并保障RPM&TPM請求。解決方案：火山引擎為想法流提供了效果更強的豆包大模型，以多模態(tài)AI能力，幫助平臺為用戶提供豐富奇妙的內容體驗：以提供PE提示詞調優(yōu)方式協(xié)助AI游戲的制作，并將制作指南開放提供給PGC創(chuàng)作者參考；通過豆包大模型語音合成、圖片人臉合成等多模態(tài)能力，支持多場景中不同交互行為需求；通過MoE架構模型和充足資源保障，滿足客戶對延時和RPM/TPM的要求。落地效果：通過接入豆包大模型，想法流獲得了用戶每日互動次數(shù)1.5-2.5倍、人均互動輪次1.5-3.5倍于其他模型的增長，部分內容場景中人均對話高達150輪以上。同時，在火山引擎千萬級TPM資源保障下，平臺線上請求成功率達99.95%，token間時延平均控制在40-50ms內。深維智信借大模型獲營銷能力、培訓效率雙提升客戶需求：解決方案：火山引擎為深維智信提供了豆包大模型，以模型能力對運營數(shù)據(jù)分析過程進行提效，同時以模型能力加持、實現(xiàn)更智能的對話模擬，幫助提升客服能力：火山引擎提供豆包多種窗口尺寸模型及角色扮演模型，滿足多場景需求；分析銷售會話數(shù)據(jù)，提供基于語義的智能質檢配置和分析，識別客戶異議、卡點分析、關鍵矛盾、交易復盤，實現(xiàn)銷售過程透視，服務銷售管理；通過AI提煉高頻問題、真實需求、客戶畫像，從客戶聲音出發(fā)，科學制定銷售策略，借助精準營銷提升轉化效率。落地效果：語義分析的召回率相對于常規(guī)質檢工具提升55%以上，幫助客戶將新人入職培訓時間縮短50%，少22%，平均人效提升31%。48和府撈面以模型能力提效用戶評論分析客戶需求：用戶評論分析：分析用戶評論數(shù)據(jù)，識別情感傾向并對其進行分類；經營策略調整：基于用戶對菜品口味、門店服務質量的評價，調整經營策略。解決方案：扣子專業(yè)版提供低代碼開發(fā)環(huán)境，使得沒有編程基礎的業(yè)務人員也能輕松完成智能體的開發(fā)。和府的業(yè)務人員借助扣子產品的強大編排能力和豐富的插件功能，結合豆包大模型的技術支持，實現(xiàn)了更高效、更精準的用戶點評分析：通過豆包大模型的強大文本分析能力，對用戶評論數(shù)據(jù)進行情感分析，精準識別正面、負面、中性等情感傾向；基于模型的多層次理解，結合環(huán)境、服務、菜品等關鍵詞，對評論進行智能分類，并提取相關標簽，綜合準確率超過95%。分析結果以JSON格式輸出，便于開發(fā)團隊進行后續(xù)數(shù)據(jù)的處理和應用。落地效果：和府撈面打造的“顧客點評分析”智能體，能夠替代人工、高效完成顧客點評工作，為門店建立對顧客的高效洞察，并為其在菜品、服務等方面進行策略調整提供了有力依據(jù)。中和農信借助扣子完成抖音生態(tài)內容質檢客戶需求：解決方案：借助扣子專業(yè)版強大的編排能力和豐富的插件能力，中和農信在沒有耗費研發(fā)人力資源的情況下，實現(xiàn)了質檢智能體的開發(fā)上線，完成了過去單靠人力無法做到的工作。借助扣子單Agent（LLM模式）搭建，并將智能體發(fā)布為API，實現(xiàn)了每天都通過API來自動獲取員工自媒體賬號的視頻內容并進行效果分析；智能體主要依靠視頻理解插件和豆包大模型的能力進行信息獲取和處理等批量、自動化場景，免除了意圖識別、工具調用的時間延遲。落地效果：扣子提供的低代碼搭建環(huán)境、豐富的插件和強大的workflow組件，使得中和農信智能體的開發(fā)過程中幾乎沒有耗費研發(fā)資源，2人經過3天的開發(fā)和調試就達到了滿意效果，成功上線。49攻克有徑跨越大模型落地技術難題基于對眾多企業(yè)應用實踐的總結分析和對技術應用的研究，IDC總結了大模型部署落地的技術路徑。這套路徑融合了實際操作中的寶貴經驗，為企業(yè)引入和應用大模型提供了清晰的指南，確保了大模型技術落地的高效性和穩(wěn)定性，助力企業(yè)的智能化轉型。大模型落地部署技術步驟資源投入計劃資源投入計劃人才資金數(shù)據(jù)經驗模型選擇模型精度模型效果參數(shù)規(guī)模效果評估響應時間TPMRPM應用建設路徑建設周期落地場景覆蓋廣度創(chuàng)新深度應用上線跨平臺/跨數(shù)據(jù)源版本管理算力準備性能安全測試效果調優(yōu)PromptRAGSFTRLHF模型接入性能測試云端接入API管理開發(fā)平臺搭建LLMOpsAgentAPI管理數(shù)據(jù)平臺來源：IDC，202451資源投入計劃：資源投入計劃：確定團隊建設路徑，整合大模型開發(fā)人才、調優(yōu)人才、數(shù)據(jù)人才、業(yè)務人才，重點考慮是否需要引入外部人才或展開外部合作，保證大模型開發(fā)應用各環(huán)節(jié)的充足人才儲備；保證資金階段性的持續(xù)投入，并制定里程碑，讓每項成果都能被看到；盤點內部數(shù)據(jù)，制定數(shù)據(jù)采集、數(shù)據(jù)清洗和數(shù)據(jù)治理計劃，使其更好服務于AI大模型的訓練和推理；考慮企業(yè)內部是否有可以直接學習和引用的模板和經驗沉淀，打造差異化壁壘。模型選擇：模型選擇：了解大模型市場提供產品的功能特性和應用效果，面向需求定制，使用內部和外部測試集來測試模型效果，并充分體現(xiàn)評估集對業(yè)務指標的考量，選擇評測指標達到業(yè)務需求的模型；從模型實際落地的效果、可參考的實踐案例和demo來挑選模型；從訓練和推理效率、延遲以及調用成本方面挑選最合適規(guī)格的大模型，可參考模型大小、硬件支持水平、服務SLA水平；重點考慮該模型與企業(yè)目標業(yè)務場景的匹配度，是否需要調優(yōu)或經過簡單調優(yōu)即可上線應用來解決問題。效果評估：效果評估：在選擇模型后，企業(yè)應考慮從具體落地的場景和使用效果出發(fā)，來預測模型上線后的業(yè)務指標達成率、實際體驗效果、各功能平均時延、最大吞吐等工程指標；52預估需要調整優(yōu)化的投入和開發(fā)難度，確保使用者擁有最好的AI應用體驗，實際效果和響應時間的長短會極大影響用戶的感受和留存率。應用建設路徑：應用建設路徑：明確建設周期，制定詳細的時間計劃和關鍵時間節(jié)點，做到多線程統(tǒng)一管理；了解大模型的應用邊界，從賦能方向、使用人群等確定大模型的落地場景；算力準備：算力準備：隨著大模型應用廣度和深度的增加，大模型的覆蓋范圍和使用頻率會規(guī)?；嵘?，推理時算力資源的消耗額度也將同步增加；企業(yè)應重點考慮算力購買規(guī)模，制定階段化、梯度上升的算力準備策略；明確算力資源的使用消耗方式，傾向選擇可以實現(xiàn)瞬時響應和擴縮容的服務；算力有公有云、私有云等多種方式，應根據(jù)自身業(yè)務體量和實際需求挑選成本最優(yōu)、服務最合適的方案。開發(fā)平臺搭建：開發(fā)平臺搭建：搭建LLMOps平臺，保證AI大模型的開發(fā)建設和管理擁有完整的工具鏈條，具備全棧平臺能力；利用外部AI廠商成熟的Agent工具實現(xiàn)AI大模型的快速開發(fā)和應用，直接使用預置的豐富垂直場景化模板和工具；53隨著模型版本、上線應用場景的增多，做好統(tǒng)一API接口的管理；為AI大模型采集、產生和使用的多模態(tài)數(shù)據(jù)搭建可靠的數(shù)據(jù)平臺底座，實現(xiàn)文本、圖像、視頻等多樣化數(shù)據(jù)的一體化管理。模型接入：模型接入：從場景安全需求、數(shù)據(jù)隱私保護需求、管理便捷程度、成本等方面來選擇模型的接入方式，如云端接入、API管理或線下部署；重點考慮后續(xù)調優(yōu)的成本以及模型更新的代價；目前來看，云端接入是多數(shù)企業(yè)的選擇，且在后續(xù)模型版本更新后也能通過更低的成本實現(xiàn)無縫銜接。效果調優(yōu)：效果調優(yōu)：可選擇Prompt工程、RAG知識庫等簡單、低代碼、無代碼方式進行效果調優(yōu)，需重點考慮AI廠商是否具備豐富的經驗沉淀、算法模型和模板預置，如RAG過程中提供成熟的嵌入、檢索和重排序模型；選擇SFT、RLHF等復雜方式進行調優(yōu)；這一過程需要更高水平的開發(fā)人員對大模型的架構、參數(shù)和訓練數(shù)據(jù)進行調整。性能安全測試：性能安全測試：在模型上線前最關鍵的步驟是進行性能安全測試，包括性能、安全、風控測試，對內容生成效率、數(shù)據(jù)內容泄露風險、敏感詞等進行測試；例如TPM（Tokens Per Minute每分鐘Tokens數(shù)量）、RPM（RequestsPerMinute每分鐘請求數(shù)），保證大流量、高并發(fā)場景下運行穩(wěn)定；重點考慮互聯(lián)網場景應用更深、服務人數(shù)更廣的AI廠商，其擁有更多的數(shù)據(jù)和經驗，在測試時水平更高，可以有效避免安全和敏感問題。54應用上線：根據(jù)業(yè)務場景重點考慮AI大模型的跨平臺、跨系統(tǒng)上線，統(tǒng)計應用上線出口，明確是否需要開發(fā)額外的用戶界面、客戶端，還是與已有服務界面融合即可；做好底層數(shù)據(jù)的管理，保證模型上線后不同使用群體、不同問題和任務可以在既定的規(guī)則和使用范圍下應用數(shù)據(jù)，同時保護用戶的數(shù)據(jù)隱私；做好版本管理，以應對模型應用的增多、測試和更新。落地三要素在大模型落地的眾多技術步驟與細節(jié)之中，精準選模、開發(fā)平臺、伙伴與同行這三個方面顯得尤為關鍵。精準選模確保了所選模型與業(yè)務需求的高度匹配，為后續(xù)應用打下堅實基礎；開發(fā)平臺則是模型訓練與優(yōu)化的關鍵場所，直接影響到模型的性能發(fā)揮與落地效率；而伙伴與同行則關乎技術支持、資源共享與協(xié)同創(chuàng)新，對于模型的成功落地同樣至關重要。5.2.1模型的選擇：企業(yè)實現(xiàn)AI轉型的關鍵5.2.1模型的選擇：企業(yè)實現(xiàn)AI轉型的關鍵充分的業(yè)務場景論證將保證商業(yè)應用的成功。實驗室環(huán)境下的模型水平與實際業(yè)務落地存在一定認知差距，企業(yè)需要重點考慮該模型背后是否有更大的使用量、有充分的業(yè)務場景論證；更多的模型使用可以保證更快的迭代升級，包括通用基礎模型和多場景的模型家族，能帶來更好的、更貼合業(yè)務場景的、可以帶來真正商業(yè)價值的AI服務。55多模型家族給企業(yè)更多的選擇空間和更緊密的匹配度。面向不同業(yè)務場景，企業(yè)需要文生文、文生圖、聲音復刻、語音合成、語音識別、視頻生成等多樣化、多模態(tài)模型，并實現(xiàn)多源數(shù)據(jù)的同時接收、判斷、思考、處理、檢索、生成需要的內容，以選擇與業(yè)務高度適配的大模型服務體系。模型應具備廣泛塑造、即時可用的靈活性。大模型作為企業(yè)創(chuàng)新提效工具，5.2.2一站式大模型服務平臺：解決模型部署