原創 | 數據猿
在人工智能的盛宴上，大模型如同占據主宴的巨人，其龐大的身軀在技術世界里引發地震。然而，在這場光鮮亮麗的變革背后，一個亟需探討的議題正悄然升起：大模型真的需要深入到每一個技術領域和業務邏輯中，成為“浸入式”的存在嗎？或者，更深層地問，我們是否準備好讓它們這樣做？
本文將探討領域大模型發展的兩條道路：非浸入式與浸入式的模式，并審視這場變革是否真正觸及了思維模式的轉變。大模型，不僅是對于技術的挑戰，更是對于我們認知邊界的一次拓展。
大模型的兩種發展模式
在當前人工智能的高潮中，大模型的發展已呈現兩條明顯的道路：C端與B端。
C端模式猶如一面鏡子，直接映照用戶需求，實時響應各式問題。在這種模式下，模型仿若一個全知的博學者，回答從簡單到復雜的諸多問題，充當的是信息的直接提供者。它涵蓋了從日常咨詢到深層知識探索的廣泛場景，這種交互模式對用戶來說，無疑是最直觀、最直接的。
然而，C端的表現雖然亮眼，但在企業應用的深層次場景中，B端模式顯得更加復雜且微妙。在B端模式中，大模型退居幕后，成為一個隱形的推手，深度嵌入企業的運營和管理系統中，如CRM、ERP、BI、智能客服、智能營銷、智能運營等業務領域，以及更多定制化的行業解決方案。
在這里，大模型不再是一個簡單的問答機器，而是變成了一個強大的業務邏輯處理器。它必須理解和處理更為復雜的行業特定語境，參與到業務決策和優化流程中。
這些模型能夠在特定行業中，比如金融、醫療或法律，解讀和執行復雜任務。不同于C端模式的普適性，B端的領域大模型更注重深度與精準度，旨在用機器的高效性和精確性，來增強特定業務流程的質量和速度。
盡管B端模型的優勢明顯，但其部署和整合卻充滿挑戰。要成功實施，企業需要有能力將大模型的智能功能融入到現有業務流程中，這往往涉及對現有系統的重新構架，甚至是對企業運作模式的重構。另一方面，B端模型的實效性很大程度上依賴于數據的質量和可用性，數據的整合、清洗和標注成為了這一過程中的關鍵步驟。
那大模型是如何嵌入目前的各種系統中的呢？目前來看，有兩種方式：非浸入式，和浸入式。
領域大模型的初級模式：非浸入式
先來看非浸入模式。
這種模式并未強求企業系統從根本上進行重構，而是選擇了一種相對保守的途徑：通過API調用外部大模型的能力。企業通過這種方式，試探性地將人工智能的技術引入現有的產品矩陣，以此來增強產品功能，提升用戶體驗。
然而，這種初級模式面臨著明顯的局限性。首先，由于沒有對原有產品架構進行根本性改造，所以這種模式下的大模型與產品的結合往往僅停留在表面。大模型僅被視為一個附加組件，很難與產品深層次的業務邏輯和數據流程相結合。
產品團隊可能會忽視對這些能力的持續優化和深度定制，這會導致AI功能顯得附加和生硬，不僅影響用戶體驗，更可能因為不匹配企業現有工作流程而變得邊緣化。
更關鍵的是，非浸入式模式沒有實現大模型與底層數據，以及其他業務模塊的有效互動。數據是人工智能發揮作用的基礎，而在這種模式下，大模型往往缺乏對企業內部數據的深度接入和理解，這嚴重限制了其應用的效能。沒有充分鏈接內部數據，大模型很難真正理解和預測業務趨勢，也就無法發揮其應有的作用。
可以預見，非浸入式模式下的大模型，通常只能應對一些簡單、規范化的場景，比如常見問題的自動回答、標準文檔的生成等。在更加復雜的業務邏輯面前，這些大模型的功能顯得力不從心，難以提供實質性的幫助。
以BI產品為例，非浸入式接入大模型，在處理單一數據點或簡單的數據分析任務時表現尚可。然而，當升級到多維度指標交叉分析時，這種非浸入式的接入就暴露了其固有的弱點。大模型在這里往往跌入邏輯的迷宮，無法有效地對復雜的、相互依存的數據點進行分析和解讀。
例如，在嘗試分析銷售額與廣告投入、市場趨勢及消費者行為之間的關系時，這種模型可能會因為不能理解這些指標間微妙的關聯性，而導致數據分析效果不佳。它可能可以告訴你單一指標的變化，但卻無法揭示多個指標之間相互作用的深層次關聯。
領域大模型的高級模式：侵入式，重構產品邏輯
雖然非浸入式模式為企業提供了一種低風險的AI嘗試方案，但要想從根本上提升業務的智能化水平，就需要超越這種初級模式，進行更深入的技術整合和業務創新。
接下來，我們就來討論一下以浸入式方式在原有系統中嵌入大模型。這種模式，大模型不再只是一項新增功能，而是基于全新的人機交互邏輯，來重構原有的整個技術產品體系。
原有的產品邏輯，更多的偏向機器思維：一個按鈕對應一個功能，多個操作流程聯動起來滿足一個業務流程，這需要用戶了解不同按鈕背后的功能，然后對應自己的需求，將業務邏輯映射到對產品不同按鈕的操作流程。這種思維，整體上是讓人去適應計算機。
而大模型所帶來的強大的自然語言理解能力，讓計算機可以理解人類的自然語言，這種理解不僅僅是關鍵詞，而是一段復雜的自然語言，而且已經可以實現比較好的多輪溝通交互了。
基于這種能力，可以重構整個的人機交互方式，讓計算機來適應人，具體方式是：用戶要想計算機完成什么任務，不再去尋找這個系統中有什么功能按鈕，而是只需要把自己的需求說出來就行，大模型充當一個“翻譯器”，將人類的自然語言翻譯成計算機能夠理解的各個系統操作流程，來完成對系統的操作。
這樣一來，原有的產品界面將大改，不用將功能界面都堆到用戶界面這個“前臺”，而是隱藏在后端，用戶界面只要保留一個人機對話窗口，以及很少的一些操作按鈕就行，這樣可以實現用戶界面的極簡化。
以BI為例，原來的用戶界面往往很復雜，功能按鈕很多，用戶需要根據自己的分析需求，來找對應的組件，然后通過拖拉拽操作，完成數據分析。用大模型改造后，大部分的功能組件都可以隱藏起來，保留人機對話窗口和幾個必不可少的輔助組件即可。用戶要調用什么組件，只需要用自然語言告訴BI系統即可，系統自己理解用戶需求后，再自己去調用后臺的組件，來進行數據分析，并返回可視化的數據分析結果。
從這個邏輯出發，BI產品需要大改，甚至底層的數倉、數據治理平臺都得大改。來更好的配合上冊基于大模型的人機交互系統，來提升整個系統的效率。
那么，為了實現浸入式的嵌入大模型，需要對原有系統進行哪些改造呢？應該說，這是一個系統工程，需要整個體系的重構。其中，數據處理、產品交互邏輯、用戶體驗三個方面的改造尤為重要。
在數據處理層面，為了適應侵入式的大模型，需要對數據庫和存儲系統進行優化。例如，依賴于自然語言查詢的數據庫需要能夠處理模糊查詢和語義查詢，它們必須能夠理解和處理自然語言的多樣性和不確定性。這可能需要采用圖數據庫來更好地映射和處理復雜的實體關系，或者采用NoSQL數據庫來處理非結構化的自然語言數據。
在交互邏輯方面，傳統的命令驅動的操作流程，將被以對話為中心的交互方式所取代。傳統軟件以功能性為中心，每個按鈕和菜單項都圍繞著明確的操作和結果設計。但侵入式的領域大模型要求更高級別的交互邏輯，使得用戶無需了解底層的復雜性就能與系統交互。
在這里，交互設計的核心挑戰，是如何精確地捕獲用戶的意圖并提供有效的反饋。這就要求模型不僅要在單輪對話中準確理解意圖，還要能在多輪對話中累積上下文信息，對不完整或模糊的用戶輸入做出智能的假設和推理。
在用戶體驗方面，產品設計的核心將轉向如何最小化用戶操作的復雜性，同時最大化大模型的交互能力。侵入式模型需要在保持界面簡潔的同時，確保用戶能夠通過自然語言，有效地傳達復雜的命令和查詢。設計師需要創造一種界面，它不再是各種功能按鈕的集合，而是能夠智能地引導用戶進行高效對話的環境。
是技術變革，更是思維的變革
需要指出的是技術的演變往往伴隨著思維方式的革命。當大模型技術嶄露頭角時，這不僅僅是技術層面的突破，更是對傳統業務邏輯和產品設計思維的一次深刻洗禮。成功捕捉技術紅利的關鍵，在于能否突破固有思維的框架，以創新的視角重塑產品和服務。
其實，類似的事情已經多次上演，讓我們來看看智能手機和智能電動車這兩個例子。
在智能手機的例子中，它們的出現不單單是屏幕變大，而是觸控技術徹底改變了用戶與設備的互動方式。蘋果公司推出的iphone，不僅僅在技術上領先，它們重新定義了用戶體驗，提供了一個全新的平臺，引領了應用程序經濟的誕生。諾基亞等傳統手機制造商，由于未能及時調整其產品策略和業務模型，最終未能在新時代立足。
對比之下，在汽車行業中，傳統燃油車制造商將電動車視為簡單的“油改電”轉換。這種淺層次的思維忽視了電動車技術在車輛設計、能效管理、軟件集成等方面的根本性改變。電動車不僅改變了動力系統，它的整個設計理念都與燃油車有著本質的不同。它們本質上是軟件定義汽車，并再次基礎上實現汽車的數字化、智能化、網聯化，而不僅僅是改變了一個動力系統。
然而，豐田、本田、大眾等不少燃油汽車巨頭，很難實現這種思維的轉變。這也解釋了為什么傳統汽車巨頭有上千億的資金、幾十萬人才、龐大的產供銷體系，卻在智能電動汽車這個賽場上屢屢碰壁，他們不缺人才、不缺資金、不缺資源，但思維上的局限讓他們最終落后了。
可見，某種程度上，比技術變革更重要的，是思維方式的變革。
同樣的道理，大模型技術的引入，尤其是侵入式模式，要求企業不僅僅是在產品層面上添加AI功能，而是要重新考慮整個產品的設計理念。產品設計思維需要從“功能導向”轉變為“體驗導向”，在這個過程中，大模型技術使得自然語言成為用戶和機器之間的直接溝通工具，這不僅影響了界面設計，也改變了后端數據處理、業務邏輯甚至是服務的提供方式。
目前，我們處于一個前所未有的轉折點上，大模型的涌現，正如同往昔工業革命時蒸汽機的吼鳴，它呼喚著我們放下舊有的工具，擁抱新的思想和機遇。
然而，技術的光芒背后，我們也不應忽視它所帶來的深刻社會挑戰，包括工作的重構、隱私的保護，以及倫理的界定。這一切，需要我們以審慎和智慧的目光審視。正如詩人在夜色中追尋星辰，而不是被夜的黑暗所吞噬，我們也應在這次技術革命中尋找方向，保持警醒，確保科技的力量被正確引導，照亮人類前進的道路。
讓我們以大模型技術的智能為翼，但不忘人性的指引。這樣，當我們回望歷史，將看到的不僅僅是技術的躍進，還有人類在理解自己和改造世界中的成長與超越。這一切都將取決于，在這個由數據和算法織就的新世界中，我們將如何定義自己，以及我們的未來。
文：一蓑煙雨 / 數據猿
