智能网原创，转载请注明来源
7月5日，以“向新而行 智驱未来”为主题的2024 WAIC智能趋势论坛在上海举行。阿里云智能集团副总裁安筱鹏以“大模型是数据要素实现价值的最短路径”为主题探讨了数据要素和大模型之间的关系。他表示，发挥数字化价值的桎梏是数据断点，大模型更好地弥合了数据断点。未来一切智能硬件被AI大模型驱动，一切软件系统被AI大模型重构，一切数据被AI大模型激活。
以下为演讲实录精选：
数据要素和大模型的关系
我们给出一个判断，大模型可能是数据要素实现价值的最短路径。
大模型未来可能会应用到什么场景?
我觉得有三个重要的判断。第一个判断是未来一切智能硬件会被AI大模型所驱动。第二个判断是一切软件系统会被AI大模型所重构。第三个判断是一切数据会被AI大模型所激活，今天的手机、电脑、汽车、机器人、摄像头，有些已经成为产品智能化水平提升的载体。
未来的手机、汽车都会无所不在，当一个产品有了芯片，它大概率就有可能被大模型所驱动。今天我们看到手机里的APP功能在迭代，PC里的Windows office，WPS，企业的经营管理，CRM客户关系管理，ERP，制造执行系统乃至控制设备运行的PLC，SCADA，可编程逻辑控制器今天都在被AI大模型所重构。当所有的硬件被大模型所驱动，所有的软件系统被大模型所改造的时候，就意味着整个社会数据要素发挥的作用会被大模型激活。
弥合数据断点是数字化转型再进一步的关键
数字化转型的本质是什么?如果做一个极度抽象的话，我把它概括成一句话：在“数据+算法”定义的世界中，以数据的自动流动，化解复杂系统的不确定性，优化资源配置的效率，提升企业核心的竞争力。
今天的需求越来越碎片化、个性化、实时化、场景化、互动化非常的复杂。在这样一个复杂的世界里边，数字化所要解决的问题就是一个复杂系统的不确定性，它通过什么方式来解决?一句话就是数据如何在一个系统里边自动的流动。
现在工厂里的智能车间、机器人、数控机床是智能制造吗?也不是。真正的智能制造是什么呢?
智能化的高级阶段是什么呢?是获得一个汽车、一架飞机、一件衣服的订单之后，订单的信息在经营管理、产品设计、工艺设计、生产制造、产品测试、产品维护的每一个环节流动。
今天，制造业变得个性化的时候，如何既要提高效率、降低成本，又要满足个性化需求呢?核心是数据在一个制造系统里边，从过去基于文档的流动，到今天基于数据的流动。数据的流动不重要，重要的是自动的流动。
你能够把正确的数据在正确的时间，以正确的方式传递给正确的人和机器，而且不需要人去干预，这是数字化转型的核心要素。但我们今天看到的每一个环节在很多时候都需要人进去，当只要人进到这个环节里边，它的效率一定会打折扣，那人进去干什么呢?人进去最重要的一个工作就是要开发各种各样的模型、算法、软件、调度，这是人的价值，就要干这些事情。
所以我们发现，在数据自动流动的过程中有很多断点，这个断点的原因是因为人要开发各种模型、算法、软件。如何把断点通过软件或者大模型的方式去弥合，是今天数字化转型再向前走一步的关键。
软件系统被AI大模型重构
我刚才提了一个概念，叫做正确的数据在正确的时间以正确的方式传递给正确的人和机器，问题是你怎么知道正确还是不正确?正确不正确取决于什么?取决于两个东西，第一个叫数据，第二个叫软件模型或者算法。
当你把数据输送到软件模型里边，它会解决4个问题，从低级到高级，你可以在数字世界里边去描绘物理世界发生了什么?为什么会发生?将会发生什么?以及人会怎么办?在这个过程中，系统扮演的角色越来越多，人参与的越来越少，当你最终不需要人去参与的时候，叫做自动化。
而这个过程中，当你数据能够自动流动，最终完全替代人的决策的时候，最终的目的在于优化资源配置的效率。这里边的一个关键就在于软件，什么是软件?软件的本质是事物运行规律的代码化。我们现在构造了三个世界，一个是我们看到的物理世界，我们需要研究物理的、化学的、生物的、电磁的规律，要把物理世界的运行的规律化规律、模型化、模型算法化、算法代码化、代码软件化，再用软件加数据去优化这个世界。
在过去我们对于软件的开发构造的这样一个算法，对世界的认知的规律都是人去完成的，人把自己的规律变成一套算法，写成一行代码，注入到这个系统里边。
今天大模型做的最重要的一件事情是把人编软件、编程的这项工作局部的替代了。未来模型能力的增强，更重要的一个标志是在多大程度上能够替代人去解决这个问题。
案例1：大模型替代生产工艺的代码
拓斯达基于通义大模型构建专属制造大模型，实现无代码完成工业机器人编程，大幅提升生产流程换线效率，低成本、高效率实现柔性制造，换线时间从3天缩减至8分钟。
案例2：BI开发代码一汽Chat BI 上线
中国一汽基于通义千问大模型打造汽车行业首个大模型应用GPT-BI，基于自然语言交互进行数据查询、秒级别报表生成，实现数据实时穿透，做到“问答即洞察”，利用大模型助力企业决策方式升级。
我经常说的一个观点是，过去AI解决的是有限问题的有限解。今天大模型带来的是无限问题的精准解，从一个封闭的问题切换到了一个开放的问题。
案例3：标注与规则代码
2023年9月2号，1200万人围观马斯克特斯拉自动驾驶。当他从车里边出来之后说了一句话：我的工程师们从来没有写过一行代码，告诉我的车应当停在什么地方，但你们刚才看到了，它总是停在它应该停的地方。此次采用的FSD V12版本，最重要的一个区别改变了过去自动驾驶海量标注的训练方式，通过海量数据+BEV + Transformer，只需要2000+行代码就可以实现。
传统数字化与大模型时代数字化的差异
我们再回到今天要讲的一个主题，传统数字化与大模型时代数字化的差异与价值，可以从三个角度来看：技术体系，人员要求，业务价值。
从技术体系来说，传统数字化的数据价值是沿着“业务-采集-分析-决策”的实现路径，大模型时代这个逻辑变了，你给输入它就会有输出。从执行程度上，数据流动取决于业务决策的链路，很多时候无法形成闭环，而今天大模型更容易形成一个闭环，创造价值。从建设成本与周期上，很多时候传统的数字化要根据场景逐个制定个性化的周期方案，成本高，周期也比较长。而现在基于大模型，通过泛化能力和微小批量的构建能力，成本更低更快。
从人员要求来说，过去企业人员专业要求高，比如机器人现场调试，现在门槛降低、普通技术人员与业务人员“智能体-自然语言”多角色互动参与。
从业务价值来说，过去是根据需求定制解决方案的路径，价值有限。而今天是全面提升预测和能力，重新定义产业智能。
传统的数字化解决方案和今天的AI大模型有什么本质区别?
过去，客户场景，GPT BI，机器人，工业设备的一个重要方法论是人根据设定的场景，把软件算法植入给这个设备，是在有限的问题，有限的场景确定指标，固定的路线解决问题。
大模型来了之后，使得设备的智能化水平更高，系统的智能化水平更高，它是在一个开放的环境里，在一个开放的指标里，在一个随机的任务里自主的解决问题，这是两者最本质的一个区别。
