AI大模型企业开始了企业软件改造探索

　　大模型的核心价值，不是聊天，而是生产力。大模型的技术关键，不是作诗，而是思维链。

　　文|周享玥

　　靠着颠覆式的“Chat”能力从2023年Q1火到Q2后，大模型的生产力工具属性正在加速被重视和加强。

　　4月26日下午，人工智能企业第四范式展示其大模型产品“式说3.0”。一同被公布的还有这家公司最新提出的AIGS战略(AI-Generated Software)：以生成式AI重构企业软件。

　　“从我的视角看，无论中美，并不缺任何一个基于GPT的聊天平台，如果有，很好;如果没有，也无所谓。但生产力的平台是决不能错过的。”第四范式创始人兼CEO戴文渊说出了他对大模型关键性的思考，在他看来，AI大模型是一个生产力级别的事物，能带来全社会效率的提升。

　　此前，国内外大厂已开始探索AIGC大模型对生产力的改造。

　　其中备受关注的是微软。从去年开始，微软宣布了一系列Copilot(副驾驶)产品，将AIGC布局到代码生成、Office办公软件、CRM企业软件以及安全等领域。此后，亚马逊、Salesforce、华为、阿里、字节跳动也有相关动作。

　　第四范式选择的切入口是尝试改造B端企业级软件，也叫AIGS。戴文渊提到，AIGS的想法源于一个很多人都比较直观的认知——相比已经逼近用户体验和效率上限的C端产品，B端的企业级软件还处于交互体验极为复杂、开发效率极低的阶段，这些恰恰为生成式AI留下了足够大的重构和改造空间。

　　业界人士将大模型类比于当年第一台蒸汽机，在新的AIGC时代，“蒸汽机”正在带来对各行各业生产效率的提升。

　　01

　　大模型的高段位不是聊天，而是思维链

　　第四范式的大模型名为“式说”。与此前公布的多个AI大模型一样，式说具有多轮对话、图片理解、写小说、画图、知识库等多模态基础能力。比如，在现场演示中，式说完成了画“狮子头”和“红烧狮子头”、编写了《流浪地球3》的剧本，完成“用Python编写求斐波那契数列前30项的程序”、“编写一个随机数的游戏程序”等代码生成。

　　数智前线观察，式说将上述功能归为“基础能力”。而把能力重心更多放在Copilot(副驾舱)和思维链CoT(chain of thoughts，多步推理)上，二者也是实现AIGS的关键能力。

　　比如，式说要完成一个更为复杂的物流运输行业的“装箱”操作——将货物放入集装箱，如何最大化装箱效率。现场，戴文渊下达“帮我执行一个装箱任务”的指令后，式说便会推理出接下来一步步要执行的子任务：

　　它先确认“这是一个装箱任务”，并自动设定了“任务目标”：分析集装箱及小箱子的尺寸，设计装箱方案。

　　之后，又把目标拆分成三个具体步骤：主动要求戴文渊分步骤输入集装箱尺寸、待装箱货物尺寸和数量，以及其他约束条件。

　　然后，对不同类型的箱子进行堆叠组合，经过多轮尝试，耗时几十秒之后，输出了自己通过思考后在65种装箱方案中找出的最优装箱结果。

　　最后，在交互界面中完整展示出了自己的“思考”过程。

　　“它干这个事比我厉害，我没半个小时做不出来。”戴文渊表示，这背后正是思维链的能力起了作用。简单来说，就是在解决多步骤推理问题时，模型可以模仿人类思维过程，将复杂任务拆分，逐步推理并执行。

　　一位互联网大厂资深人士告诉数智前线，业界现在其实还存在一种意识误区，“很多人都在强调Chat，看到大模型热热闹闹地写了个作文、作了一首诗，却很少注重思维链，而实际上，思维链才是大模型背后真正最核心的东西。”

　　他举例称，最近国内某大型金融企业就推出了一个AI大模型产品，但从命名来看，其去掉了ChatGPT中最重要的GPT，反而保留了相对不那么重要的Chat。

　　为什么思维链远比Chat重要?这就好像是如果没有理解和推理能力，就相当于在沙漠中盖高楼。

　　戴文渊也强调：“因为思维链的能力就是只有当它聪明到一定程度，干别的事也可以。”这正是通用大模型的本质。

　　以企业软件为例，在学习企业软件大量的数据和“套路”后，AI能形成中间的逻辑推理步骤，从而更好地配合人在软件上执行复杂的工作。

　　“就像是PS一张照片，机器可以做到把图片调亮20%、调一下阴影等单点步骤，但你最终的诉求并不是这些步骤本身，而是把人像修的好看。进化至’把图P好看’就需要用到思维链。思维链的能力就像是一个人一直看着别人用PhotoShop，看了几百遍他就学会了。”

　　这也是为什么要将思维链作为实现AIGS的关键能力的原因。

　　关于怎么提高思维链的问题，上述大厂资深人士告诉数智前线，目前大家都在采取各种不同的方式来探索提升思维链，比如一些企业喂给大模型更有逻辑性的语料，以及用到程序、提示学习等方式。

　　戴文渊称，对于企业软件合作伙伴来说，可以基于范式的大模型能力，在一个个领域里面钻得足够深，学习到足够多的数据和攻略，最终形成所在领域的思维链，发展成“领域”大模型。而当思维链复杂度到一定程度以后，它的软件就能够自动执行越来越复杂的功能，最终形成壁垒。

　　02

　　如何用生成式AI重构企业软件?

　　作为一家人工智能公司，第四范式此前一直与软件公司互为生态，“范式做软件里面的AI决策，软件公司做功能和流程的实现”。但此前他们经常遇到一个问题，比如用AI改造供应链场景时，模型相关的工作两周就能搞定，但整个智慧供应链却往往因为软件的开发周期需要做一年，大大拖慢了AI整体的落地速度。

　　这背后代表的是B端软件在体验和开发效率上的巨大改造空间。戴文渊曾在与合作伙伴交流时发现，对方给他展示行业内所使用的软件，下拉菜单甚至已经超过电脑屏幕的大小。实际上，即便是C端的Office软件，用户要真正用好也是有难度的，更何况是CAD、ERP、CRM等面向功能导向、使用门槛更高的B端企业软件。

　　生成式AI的出现，带来了改变这种困境的机会，AI对软件和产业的改造从原来的决策部分，进一步扩展至了前端交互。一个AIGS软件(大概率是一个对话框的形式)，有机会创造一个体验优秀、界面极简、自我迭代的新型软件工作流。

　　“之前B端企业软件基于菜单式的开发，每次一个功能升级，又要周而复始的经历原型图、设计、开发等，至少是月级别的开发时间。”戴文渊称，但随着大模型带来的“对话框”式固定界面出现，现在功能和逻辑只需在数据、API和内容层面下功夫即可，可以提速到以天为级别的开发效率。

　　一家国内航空制造企业当日演示了与第四范式在CAD工业软件上的共创情况。这也是一个功能菜单远超屏幕大小的软件，在软件库中，自研零部件几十万，型号上百万，更别说外采零部件的信息(描述、标签、属性、参数)等，一般来说，厂商会投入大量时间和精力在“三维数模”的搜索、聚类、生成等设计过程中。

　　在探索引入大模型后，该企业相关负责人现场直接用语音提问，「帮我找类似的零件」，「给出这两个零件的装配方案」，这样的自然语言，就能在 CAD 系统的庞大工程中，找到所有与之类似的三维数模零件，给出多种数模组装方案。

　　“AIGS 的一小步，对我们来说已经是迈出了一大步。这些功能对于动辄需要几百万个零部件的飞机制造来说，将带来巨大的生产力提升。”相关负责人表示。

　　实际上，这样的创新符合国内制造龙头在工业软件上的创新趋势。数智前线此前了解到诸如造船业要涉及几乎80%的工业门类，使用几十种工业软件，这些软件主要来自国外不同供应商，他们都是封闭的，导致数据在设计、制造、采购、维修等流程中无法流转。国内已有龙头企业对工业软件从底座上进行改变，以提升效率。而AIGS对数据流转和传统软件开发应用将带来巨大变革。

　　03

　　AIGS在行业中的共创

　　在提出AIGS理念并迭代相关技术的同时，第四范式已将其带入行业，在场景中与行业龙头进行联合创新。

　　4月26日当天，一批来自金融、医疗、航空制造等领域的企业，也在现场分享了他们有关大模型的思考和实践。

　　一家医疗企业已经开始探索将式说大模型引入到患者关怀、医生提效、业务助力等关键场景中。比如基于专业知识，用生成式AI为患者提供更加专业、真实、符合个人情况的关怀。比如帮助医生提醒没有按时随访、且指标有可能存在异常的患者。比如通过模型思维链能力，赋能医药代表如何一步步解答医生疑虑，更好地完成业务目标。

　　不过，通过生成式大模型改造生产力的过程并非一蹴而就，戴文渊总结为三个阶段：

　　1.0阶段是以Copilot将企业软件改造成自然语言的交互形式，背后是企业内部应用库、私有数据之间的“联网”;

　　2.0则在这个基础上，基于Copilot不停地丰富对话框的能力，并且积累企业用户的行为数据来形成基于企业规则的“知识库”，这个“知识库”可以作为AI一次次执行复杂工作的“攻略”;

　　最终的3.0，具有推理能力的大模型会自己形成中间步骤，从而替人来拆分并执行复杂工作。

　　但这个跨越需要建立在大量数据以及行为数据的积累之上。“通常绝大多数企业会直接从AIGS的1.0阶段快速进入到2.0，而3.0是需要一定的时间去进行数据积累的。”戴文渊说。但他也表示，随着大模型能力的加强，3.0并不像以前那样需要积累几百万、上千万的样本才能做。

　　第四范式主任科学家涂威威介绍，目前已搭建了一个在AIGS领域的四层布局，分别是底层的式说大模型，能力层的思维链CoT、Copilot、知识库，平台层的开发平台，以及基于上面这三层，在金融、零售、医疗、制造、能源、交运领域开发的企业级应用。

　　一家金融企业的人士现场表示，他们在感受到ChatGPT带来的冲击后，就第一时间联系了国内能做这方面能力的企业咨询相关事宜。“这是我们必须面对的挑战和做出的变化，不能逃避。”该人士表示。最终，他们选择了第四范式，因为它是第一家向他们承诺能私有化部署的企业。

　　大模型的私有化部署的确已经成为一些国内企业的迫切需求。"像金融行业相对是比较敏感的，当然也有些行业其实不那么敏感。”戴文渊表示。