【StartDT Talk】“大模型浪潮下的数据探索”系列直播第一期圆满收官！
本期直播聚焦于“大模型退潮”话题，由奇点云创始人行在、StartDT首席战略官才言、StartDT资深战略咨询专家何夕共同探讨这种现象的现状、成因、对企业的影响以及引发的焦虑。
文末点击阅读全文or扫描二维码，即可观看完整回放。
下文基于直播内容编辑，略有删减。
一、大模型出现资本退潮的原因
要想知道大模型为何出现资本退潮，首先应该了解其涨潮的原因。曾有学者定义：大模型由大数据、大计算和强算法构成，在解决复杂问题时具有显著优势。相较于深度学习和机器学习，大模型能够为企业内部抓住AI技术提供更优解，从而追赶时代浪潮。此外，大模型与金融资本相关性强，能够帮助资本参与到大规模技术创新之中。因此，大模型出现了资本涨潮现象，并吸引了众多企业涌入市场。
然而，随着市场的逐渐饱和和技术发展的阶段性瓶颈，资本的热情开始消退。一方面，资本退潮是行业逐步走向成熟的标志。正如过去几年间数据中台领域的演变，大模型也经历着类似的变化——那些拥有强大技术和明确商业模式的企业将获得持续的支持与发展空间，而缺乏竞争力的企业则面临出局的风险。
另一方面，尽管资本出现了退潮，但技术进步的步伐并未停止。例如，OpenAI等机构不断推出更新的模型版本，显示出迅猛的技术迭代速度。此外，一些领域专家对未来超级人工智能（ASI）的展望，也表明了行业对于未来技术发展的信心。
可以看出，大模型资本退潮是一种正常的行业发展规律，也是市场对前期过度投资的自我调节机制。这标志着行业正在走向成熟，并预示着新的发展机遇。
二、大模型退潮对企业的影响
进一步来说，大模型退潮实际是指基础的大模型创业退潮，而基于大模型的应用正在涨潮。
对于创业企业而言，退潮意味着基础大模型的创业机会减少，特别是大模型平台项目的投资已经趋于饱和，竞争格局基本确定。这可能导致初创企业在寻求资金支持时面临挑战。
然而，大模型应用仍然充满机遇，尤其是对于那些能够将AI技术应用于特定垂直领域的企业。例如，赋能零售业ToB端的企业，可以利用大模型帮助传统行业通过数字化转型提升效率和智能化水平。
值得注意的是，大模型退潮并不意味着技术发展的停滞，而是提醒企业在投资新技术时，更加重视实际业务应用、财务回报和成本效益，明确自身定位，把握住大模型应用所带来的巨大潜能。
三、CIO如何应对老板的大模型需求？
老板对大模型的高度关注往往来源于对竞争者威胁的焦虑，担心如果企业自身不及时采纳新技术，可能会角落里携带大模型的“怪兽”吞没。因此，作为CIO，首先应当理解老板的大模型需求，以及对生存与发展的深层次考量。
其次，为了应对这种需求，CIO需要从理性的角度评估大模型对公司现有业务的实际影响。既要避免过分夸大其短期效果，也要防止低估其长期价值，为老板提供一个基于现实的决策参考，帮助其制定合理的战略方向。
举一个值得借鉴的案例：我们有个客户是中国500强饮料制造商，他们在大模型前期投入时建立了一个小规模的团队进行生成式AI应用的探索，通过设立“实验局”，保证了企业可以在控制风险的前提下，逐步探索大模型的应用价值，实现渐进式的投入和创新。
在具体实践中，CIO应当解决老板关心的问题：
第一，评估大模型技术对现有业务的投入产出比，确保公司的长远利益。
第二，寻找行业最佳实践证明技术应用价值，以理服人。
第三，制定清晰的发展规划，并且时刻关注行业变化，避免潜在的跨产业威胁。
四、大模型的现状会引发哪些焦虑？
（一）盈利难
大模型的现状往往会引发企业领导层的诸多焦虑，尤其是在成本和盈利的问题上表现得尤为突出。
从短期来看，老板们最为关心的是技术投入能否迅速转化为经济效益。然而，当前的大模型技术在实际应用过程中需要庞大的计算资源支持，前期成本高昂。这可能会导致投入产出比在短期内不尽人意，从而给企业带来财务压力。
从长期来看，随着企业数据量的急剧增长，传统的人工数据治理方式已经难以满足需求，而大模型可以帮助企业更有效地管理和利用数据资产。然而，这种技术上的跃进意味着企业需要具备深度大模型认知和专业指导，找到业务与技术的契合点，才能发挥工具的真正价值。
我们建议，财务状况良好的企业，可以尝试拿出可控资金做探索大模型的先行者；而财务状况吃紧的企业，则更适合成为跟随者，等到技术相对成熟且有明确的成功案例时再进行投入。
（二）落地难
就算解决了资金问题，但在实际应用中，大模型仍面临着场景局限、技术快速迭代、高质量语料缺乏等落地难的问题。
大模型技术的应用场景并非无所不能，尤其是制造业等物理世界中的应用，其效果仍有待验证。例如，用大模型改造生产线，其精准度和安全性还未达到工业生产的标准，尚未达到投入制造业的最佳时机。
技术迭代的风险也是不容忽视的。
以OpenAI发布o1为例，新版本较之前提高了数据处理能力和代码生成能力，增强了对人类思维模式的模拟，减少了对提示工程的依赖。这意味着，之前做提示工程的企业可能面临业务萎缩的风险。
大模型训练依赖于大量的高质量语料，但目前可用语料见顶，而企业内部数据涉及隐私和商业机密，难以获取。一些公司尝试自造数据，又可能加重“大模型幻觉”。一系列的问题导致了高质量数据将成为稀缺资源，进一步限制了大模型的落地。
大模型训练依赖于大量的高质量语料，但目前可用语料见顶，而企业内部数据涉及隐私和商业机密，难以获取。一些公司尝试自造数据，又可能加重“大模型幻觉”。一系列的问题导致了高质量数据将成为稀缺资源，进一步限制了大模型的落地。
（三）技术变化
通常来说，技术演进的速度是判断技术是否进入成熟期的重要指标。当技术演进的速度放缓，进入平台期时，这通常意味着技术已趋于成熟。
但是，即使技术达到平台期，其应用过程中的不可见成本依旧很高。企业需充分考虑这些隐性成本，并根据自身实际情况，决定成为先行者还是跟随者。因此，企业不仅需要密切关注技术的变化趋势，合理评估技术成熟度和应用成本，还需要具体情况具体分析，在技术变革中找到适合自己的位置，实现可持续发展。
五、总结
（一）大模型和大数据发展路径相似性讨论
大模型与大数据发展路径十分相似。两者都是通过构建基础设施吸引了大量投资，但随着技术成熟，牌桌基本确定，资本逐渐退潮，其市场方向由平台搭建转向技术应用。
与大数据时代相比，大模型时代不仅意味着更高的算力需求，还意味着对高质量数据的依赖。但无论是哪个时代，数据都发挥着至关重要的作用。可以说，大数据是大模型的基础，而大模型则是对大数据的延伸和深化。就奇点云而言，我们长期致力于为客户搭建数智（数据+智能）平台，我们的DataSimba能够做到数据的跨云多域隔离部署。
以曾服务过一家奢侈品外企为例：其企业内部同时拥有数据和算法两个团队。通过搭建DataSimba，能够帮助其数据团队基于平台开展数据应用，也可以帮助算法团队基于算法工厂开展AI工作，最终更好地实现数据共享，提高数据的安全性和一致性。
（二）大模型扮演什么角色，如何发挥作用？
如果说互联网革命解决了链接问题，拓宽了信息传播的广度，那么大模型则在解决知识的深度加工问题，赋予信息更深的意义。大模型延伸了人的大脑，集合了无数知识单元，不仅在算力和数据方面超越了人类，在算法上也在逐渐赶超人脑的处理能力。
基于此，我们提出两点建议供大家参考：第一，密切关注领域进展，在条件允许尝试“摸着石头过河”，享受先行者的红利。第二，干净的数据是迎接AI时代的前提条件。不论选择成为先行者还是跟随者，都要趁早做好数据积累、数据治理和数据存储。
总而言之，大模型的出现被视为一次新的奇点临近的机会，它裹挟了更多的可能性和未知性，也为人类带来了前所未有的发展机遇。企业应积极拥抱变革，从现在做起，为迎接AI时代的到来做好充分准备。
热门跟贴