例如，现实生活中，各行各业都与海量的数据处理有关，比如把企业的季度营收数据填进报表中，记录证券市场交易数据和市场趋势波动，处理保单医疗图文数据等等，但将数据从非结构化的图文信息中抽取、整理出用户需要的信息，往往需要耗费相当的人力和时间。

近日，《连线》杂志创始主编 Kevin Kelly 在接受媒体采访时表示，他很认同一个观点，就是：在未来，人们需要放大自己身上 10% 的技能，因为剩下的 90% 将被 AI 取代。例如，在医疗领域中，AI 特别擅长搜索和分析，可以协助人类医生进行诊断。

(资料图)

业界对大模型的需求呈井喷之势。基础大模型的优势在于它的通用性，通过强大的图文理解能力和交互方式，目标在于追求最终的通用人工智能（AGI），但与此同时，通用大模型在满足阶段性的、细分场景下的 B 端需求上也体现出 " 牛刀小用 " 的短板，在工程优化、降低成本等方面有很大的提升空间。

对于这一问题，近日 AI 科技评论与深圳市圆代码互联网有限公司的 CEO 张朝明进行了探讨。

张朝明指出，今天的大模型有非常强的话语权，甚至可以决定一个生态的生死；从资金、技术和人才等角度体系思考，创业公司入场的门槛正在降低。小公司要参与大模型的浪潮，张朝明认为最大的机会还是在 To B 市场上。

" 首先，不是去做一个跟 ChatGPT 对抗的大模型，而是聚焦私有化部署，做一个具备行业 Know-How 的企业大模型；第二，ChatGPT 给出的结果是对是错，需要交给专业的人用专业的知识去判断。"

以下是 AI 科技评论和张朝明的对话：

大模型也需要专业知识参与

AI 科技评论：您怎么看小公司在大模型产业变革中的机会？

张朝明：今天大模型在任意领域的问答生成表现都非常好，但它在需要专业知识的领域问答上还是有不足之处的。专业知识的数据在网上不好获取，训练也就不够充分。

比如保险行业中的核保，关于核保的规则往往很难在公开渠道中获取，这属于保险公司的核心机密，我们只能通过在案例里去学习，因此也就存在不够精准的问题。大模型在专业知识领域大概只能做到百分之六七十的准确率，外行人看着可能觉得效果不错，但在内行人看来是无法使用的。

在行业里，95% 是一个生产标准。什么意思？也就是说做到 80% 也好、70% 也好，对生产环节而言没有区别。行业的判断标准之所以是 95%，是因为人的准确率大概在 92% 到 98% 之间，95% 刚好是个中位数，差额的几个点默认是人为也会出现的损失，这是一个容忍度的问题。而越在生产环节，对模型效果准确率的容忍度越低。

在 To C 的场景里，比如娱乐行业、泛娱乐场景，我们用 ChatGPT 聊天、写文章、生成图画、写文案，达到 60% 就觉得效果非常好、很满意，但进入金融行业或其他一些行业，没有 95% 准确率，基本上可认定为它没有任何意义。因此在生产环节里，模型的生成是容忍度非常低、但精度效率要求非常高的一件事情。

我们能看到的一个趋势是，大模型在 To C 方面很难超过 ChatGPT，这是由 To C 特殊的环境决定的，当一家中国企业做出一个 ChatGPT 后、美国人会不会使用，这是个很重要的问题，这也从语料、用户数量等等方面决定了国内厂商的模型很难达到 ChatGPT 的水准，但中国人自己使用是可以实现的。我认为 ChatGPT 和以前的淘宝搜索等不一样的地方在于，它是跨语言的。以前在淘宝上想使用英文搜索、或在谷歌上使用中文，都存在语言问题，但 ChatGPT 很好地处理了跨语言的问题。

因此，最大的机会还是在 To B 的市场上。

首先，不做一个跟 ChatGPT 对抗的大模型，我们看到的市场是在私有化部署上，具备行业 Know-How 能提供专业知识结果的企业大模型。私有化部署解决的是两个问题，一个是数据隐私的问题，这是私有化部署的核心，另一个则是专业性，所以这个大模型用户要自己训练；ChatGPT 给出的结果是对是错，需要通过人专业的知识去判断，且无法矫正数据的准确率，并不是将专业知识灌进去，就可以得到专业的结果，因此，企业也需要训练自己的大模型。

AI 科技评论：用小模型来实现 95% 的生产标准和用大模型来做，思路差异是什么？

张朝明：它是两个概念。小模型的优势是，它是在专业领域里一定是超过大模型的，知识图谱对知识的提炼和数据的获得，都属于小模型的优势，而大模型的优势在于它 60% 左右的通用性。比如说我想写一篇调查报告，写一个调查报告框架描述这件事、肯定是大模型写的好，但里面数据的填入是小模型更专业。所以这件事情需要大模型配合小模型来完成。

AI 科技评论：大模型配合小模型来完成，这么做的核心逻辑是什么？

张朝明：在大模型还没有起来之前，人们很难看到行业知识图谱背后的价值，只看到了完成它所需要付出的巨额成本。直到大模型火爆后，知识图谱成为了生成报告的数据内容，可以为多轮问答提供支持等等，才展现出它的价值。

从商业逻辑上看，在仅用小样本就能完成一个行业知识训练的情况下，使用几个亿、几十个亿的成本来训练行业知识的人、即便将这部分成本平摊到各个业务环节中，也肯定是赔钱的。核心的逻辑就在于，知识整理、储备整理和这个成本是多少？而这件事情过去很少有人去做。

过往知识图谱很多只能售卖一次，但好的商业模式应该具备可持续的续费能力。小模型的问题在于它构建知识图谱的成本太高。当一个做小模型的公司，构建知识图谱需要花费高达一两个亿，就又回到了不挣钱这件事。而大模型提供的能力是，写文章的时候让你怎么写得更优美、问答更通顺，而核心的知识来源一直没有解决。也就是说，无法使用大模型来指导工作，因为成本太高了。

为此，圆代码之所以能够极大地减少成本开支，是基于我们从小模型时代就基于自研技术、所提出的核心抽取模型。通过核心抽取模型所具备的复杂语义抽取能力，可实现用小样本解决构建知识图谱的成本问题。

AI 时代需要新的 " 操作系统 "

AI 科技评论：圆代码所做的是提供基础大模型，还是帮助客户训练大模型？

张朝明：我们提供的是一套基础的东西。前几年零代码特别火，但其大家都非常清楚它的价值有限。在我看来，它并不是一个跨时代、变革的产品，而只是在原有生态体系下减轻工作量的一个工具，难以使用它跨任何行业去做无代码，但现在 AI 我们认为它已经是一个全新的生态。

PC 时代是操作系统为王，到互联网时代浏览器成为了入口、入口为王，再到移动互联网时代又是操作系统（iOS 和安卓）为王，发展路径十分清晰，非常简单的道理是、操作系统没有强势地位就会被剥削掉。

因此我们认为，大模型跟零代码的区别就在于，大模型一定是个基础设施，有非常强的话语权，甚至可以决定一个生态的生死。我们想做的就是一套操作系统，任何玩家都可以用，我们把这套东西提供给企业，企业的人不需要会编程，而是只要会业务、把他的业务数据放到这套东西上就可以使用，任何领域的人都能非常简单地完成相应的工作，这是我们对这套 " 操作系统 " 的定义。

比如一个公司要做研报解析，需要派 100 个人完成这件事，现在交给了 AI 公司，但如果 AI 公司也需要用 80 或者 90 个模型工程师来完成这件事情时，那么它所发生变化很小，赔钱的人从原来的公司变成了 AI 公司，这是一个核心的问题，只有解决了它，AI 公司才能够是赚钱的。

解决问题的关键在于，怎么通过使用我们所提供的这套操作系统，让 AI 公司仅需要用 1 个模型工程师和算法就能把问题解决到 95% ，这才是有价值的。

AI 科技评论：圆代码目前客户群体主要是哪些行业？

张朝明：目前我们只聚焦教育和医疗保险两个行业。

以医疗为例，圆代码做的主要对病例报告的解析，但我们不对影像报告的内容做解读，而是解析影像报告解读出来的文字内容。这部分需求放在医疗行业里，很难看到它的生态，但保险行业对这部分内容的需求很大。用大模型做医疗的事情，把保险行业的需求平移、解决保险人员对报告数据的需求问题。

跟银行不同，银行大多数的数据都是结构化的，因此在日常的运转过程中对数据解析的需求并不大。银行在正常运转下，使用 IT 软件就能处理 90% 左右的事情，剩下 10% 是由人在处理，例如贷款审核等等，因此报告解析在对应的工作内容体量中非常少。而保险公司从一开始就是人为处理的事情居多，其业务内容中人为占比达到 90% ，AI 只支持 10% 的信息存取、数据的流转，根本原因是，二者的数据源不一样，一个就是结构化的数据，一个就是非结构化的数据。

当 AI 巨大变革来临，或许银行在审核环节也会有变革，但其绝没有 AI 对保险行业的影响直接。

AI 科技评论：有了体检报告和这个表格之后的话，圆代码会对数据进行解析，那是否会进行下一步的分析处理？

张朝明：我们不进行下一步的分析处理，因为能处理这些数据的人全国能找出来不止 1 万个。但是能将这些数据它进行结构化、给到这 1 万个人的公司或机构很少。

当今天保险行业需要处理医疗的数据内容，通过人工来处理报告的数据输入、往往需要花费一天时间，结构化成本非常高；而借助我们的模型和平台、可以实现秒级速度迅速完成资料的结构化，这就是我们的技术实力。

AI 科技评论：数据样本的问题怎么解决？

张朝明：举个简单的例子，医疗行业的体验报告样式各不相同，当使用 AI 模型对体检报告进行结构化处理，几万篇同一模板格式的报告数据、对圆代码的技术研究作用不大。当体检报告样式有十几万种，要将这十几万种报告都找齐、再进行模型识别训练，这件事也并不现实。此外，如保险等此类隐私数据，我们也很难通过网络途径获取，隐私数据禁止买卖，上述均是十分现实的情况，如果问题无法解决，很难进行后面的训练。

对此，圆代码的思路是，在找不到一千份、一万份前提下，我们能否找到二十份小样本数据，基于二十份数据加上我们的技术，将适用于整个行业的模型训练出来，把图文信息转化为结构化数据，走自研底层技术、用更少的数据达到更好效果的模式。

小公司创业能做、但难度很高

AI 科技评论：小公司想做大模型创业，今天还有机会吗？

张朝明：有机会，但也很难，看的就是谁先能跑出来。

今天小公司想做大模型创业，我觉得其创业门槛相比小模型时代已经极大地降低了，但同时我们也要看到它最终能做成功的难度非常高。非常难的原因在于，首先一定需要有极强的科研能力，这对创业公司来说要在技术和人才上迅速拉平需要非常大的成本，这是第一点。

第二点，在现在这个情况下，不管做大模型也好、做小模型也好，一个公司手里如果没有四五十块显卡，连模型都跑不起来。显卡的投入轻易在几百万、上千万，这也意味着，一笔投资两三百万的种子轮融资，难以支撑一家企业购买硬件设备的钱。

可以说，上述两个问题就已经把绝大部分的创业公司都杀掉了，所以我认为，当前创业公司已经很难能够跑出来，在这个纯技术的赛道上，窗口已经关闭了。

AI 科技评论：AI 公司和 "AI+" 公司的区别在哪里？

张朝明：区别在于 AI 为二者的服务、业务提供了哪些方面的能力。很多 AI 大模型的创业公司会使用开源模型，在开源模型上建模，但我们要看它建的是哪种模。

举个例子，做 AI 的公司把证券公司需要的数据给到证券公司，使用了它在 AI 上的能力来解决证券公司的人的需求，这叫做 AI 公司；而使用 AI 能力解决证券问题，体现的是公司在证券方面的建模和分析能力，这种我们称之为 AI + 证券公司。大多数做 AI 公司会采用开源的解法来解决一个行业的具体问题，但它的核心能力是在金融建模上的能力，而并非 AI 建模上。

AI 科技评论：做什么模型跟细分行业的相关性大么？

张朝明：在大模型之前，我们做的是行业通用小模型，即对任何文本都可以进行非常结构化的处理。比如律师怎么看合同、想从哪些层面来使用数据等等，这些问题都可以完成。再比如医院的体检报告，通过我们的模型，可以把所有的数据都提供给客户去做任意的筛选分析，也可以向企业提供定向化数据。

AI 科技评论：它跟行业垂类大模型的区别在哪里？

张朝明：垂类大模型并不是针对具体某一个细分领域，它解决的也是行业性的问题。以医疗病例和体验报告的结构化问题为例，假设一家做糖尿病垂类大模型的公司，我可以输入糖尿病病人的病情数据、借助糖尿病垂类大模型解决相关的问题，也可以基于通用大模型基础上、就任意一个疾病种类，用同一套技术去解决新的病情。

这是商业模式的设计，而非技术的设计。也就是说，当你解决了数据源的问题，其实并没有解决别的问题。但在我们看来，大模型应该是一种基础技术，并不是说数据加模型的服务，就能够成为一个大模型。圆代码用大模型提供了一种数据处理的方式，最终也并不参与解决具体的行业问题。

正如前面提到的例子，保险行业需要处理好的、结构化的医疗数据，同时他们也拥有大量的优秀的核保人员和理赔人员，这种高级人才在中国并不稀缺，我们做的事情是，把这些结构化数据给到这些专业的人、擅长的人去分析，而不是去做分析的事情。

（雷峰网雷峰网）

关键词：