大模型带来的「技术平权」，能否普惠到中小企业数字化转型？

国内大炼模型之际，很少有人会将大模型与中小企业这两个标签结合起来。

毕竟，入局大模型的厂商们，当务之急是打造一个中国版ChatGPT，为此要投入大量的人力物力和财力。

这种资金技术密集型的产业，通常很难与资金链薄弱、缺少人才和技术的中小企业相结合。

【资料图】

然而，回归到第一性原理，大模型作为一种全新的AI范式，ChatGPT的出现不亚于一次新的技术革命，对各行业将产生颠覆性影响。

不论是大模型厂商、数字化解决方案商，还是中小企业，都将从这次技术革命中受益，原有的市场关系、格局也随之变化。

过去几年，以人工智能、大数据为核心的数字化解决方案难以落地到中小企业，难点之一是成本太高。

传统的AI模型训练方式，从数据归集到模型训练、调优，是一个很长的周期。

这个过程中，不论是数据标注、训练、调优等等，都离不开算法工程师的校正，即便模型训练完毕并且实现应用，后续的运维工作也需要懂AI技术的人才能胜任。

如此一来，AI方案的部署成本极高，中小企业不可能斥巨资购买服务，也不会专门养一个技术团队进行产线改造和维护。

基于此，在中小企业数字化转型过程中，方案商和中小企业之间陷入了一场违背初心的对抗：

方案商想卖方案，中小企业想买方案，一边有供给，一边有需求，但交易条件受限。

中小企业觉得方案太贵，买不起；方案商则认为方案已是成本价，完全不挣钱，不能再降价。

大家起初都想把事做好，一起赚钱，做大做强。但接触以后才发现，市场交易条件很难达到均衡，方案商给企业做方案要定制，成本降不下来，而企业觉得方案太贵，用不起。

双方的合作始于技术引领行业变革的热忱，却因成本背道而驰，中小企业数字化转型最终落得一地鸡毛。

业界也并非没有探索降低AI部署成本的可能性，比如一些公司研究的小样本学习、自动机器学习等，通过减少数据量、数据自动标注、模型自训练等方式，来解决碎片化场景数据量少、部署成本高、效率低的问题。

但对于中小企业而言，即便如此，购买AI方案的成本依然很高，并没有达到能够让他们愿意付费的奇点。

一套方案卖500万和卖300万，对于中小企业来说，没什么区别，反正都用不起。但如果是30万，那么企业愿意尝试的概率就会更高。

大模型的出现，则提供了一种全新的范式：技术供应商将模型以接近成品的方式交付给企业，企业根据自身需求以及掌握的数据去训练模型，从而打通模型应用的“最后一公里”。

对于中小企业而言，这无异于一次技术平权。

原本资金、技术密集型的AI技术，需要由AI公司做定制化方案，这种一站式交付的方式成本极高，且技术本身并不掌握在自身手中。

大模型则改变了这种成本高昂且不对等的现象，模型训练将不再是AI公司的专属，中小企业的技术团队只需要调用大模型的接口，加入数据进行训练，就能生成符合自身业务需要的方案和应用。

此模式下，中小企业能够以更低的成本享受到此前高昂的AI技术服务。并且，自家数据训练出来的模型，效果更佳且安全可靠，数据本身也保留在内部库中，泄露风险更小。

一言以蔽之，大模型降低了中小企业利用AI的门槛，利用AI技术来挖掘数据价值。

亦即，大模型技术浪潮下，中小企业正在快速逼近数字化转型的奇点。

ChatGPT爆火之后，微软率先在其办公软件Office365上接入了ChatGPT的能力，掀起办公软件革命的风潮。

紧接着，在搜索、电商等领域，GPT应用全面开花，大有燎原之势。

这种模式和此前的一些AI应用类似，本质上都是SaaS（软件即服务），提供应用软件然后收取服务费。二者之间的区别在于，叠加了GPT能力之后，工具更强、效率更高。

在中小企业数字化转型过程中，很多方案商也支持SaaS部署。比如树根互联、鲁邦通、蘑菇物联等厂商，提供的低代码平台，让企业能够快速地基于平台构建符合业务需要的应用。

但SaaS的不足之处在于，这是一个相对标准化的产品，即便能够针对具体的细分场景做定制，仍然存在两个问题：

定制需要额外的成本；

方案商很难拿到有效的数据来训练模型，迭代应用，导致训练效果欠佳。

许多细分行业，数据作为一种核心资产，企业并不愿意开放给方案商做训练，一是忧虑数据安全，二是担心数据共享给第三方很容易威胁到公司的核心竞争力。

以此为背景，MaaS（模型即服务）应运而生。

与SaaS类似，MaaS更接近于提供一个强大的基础能力组件，企业可以基于大模型构建属于自身的场景应用。

二者之间的区别在于，如果说SaaS是拎包入住，MaaS则是一间空房，最后一公里的设计，由用户自己把控。

这种模式下，方案商和中小企业，将从中受益，实现共赢。

首先，中小企业部署数字化方案的成本将进一步下降，并且保留了更多话语权，毕竟数据这一核心资产掌握在企业手中，除了利用技术构建应用的可操作空间增大以外，数据安全也得到保证。

其次，从方案效果的角度出发，模型训练应该以数据为核心，而中小企业更靠近场景、业务和数据。如果能在数据源头做训练，不但可以避免数据的流转成本和安全性问题，方案商也能节约成本去了解业务。

最后，在成本更低、安全性更高的基础上，企业也更愿意尝试新的技术和方案，整个数字化解决方案市场基本盘在持续扩大，对方案商来说也是一件好事。

当MaaS开始以全新的业务模式来服务中小企业，市场出现新的商业机会，原有的业务、商业模式将被重构，中小企业数字化转型过程中的相关方，都面临着一次深刻的变革。

大模型改造中小企业的故事很性感，但距离落地还有很多问题要克服，解决方案商也不会被大模型厂商取代。

树根互联联合创始人、CEO贺东东表示，中小企业数字化转型刚刚开始，本身的业务数字化程度较低，数据要素非常缺乏，对于模型训练而言，这是很大的难点。

因此，中小企业的当务之急是先把数字化做好，把业务通过数据解耦之后，才能利用数据产生新的业务价值。在此基础之上，再谈用大模型技术改造业务才具备可行性。

鲁邦通云与数字化服务中心CTO楚宁志认为，大模型在某种程度上可以视为一次技术平权的机会，开启了利用AI技术的新途径，可以帮助那些欠缺AI技术的中小企业更快实现数字化转型。

但这并不意味着中小企业对方案商数字化转型的依赖会减弱，大模型在解决具体场景业务问题上还存在局限，需要经验丰富的方案商在深入了解企业需求的基础之上提供个性化的解决方案来弥补。

方案商可以帮助企业制定整体战略、解决技术实施中的难题，并提供持续的技术支持，这些很难被大模型替代。

蘑菇物联工业 AI 首席科学家周子叶也表示，大模型并非万能，有其自身的局限性和风险，比如数据安全、可解释性、调试部署等。

并且，大模型的本质是工具和资源，并不是目标和结果，而中小企业的数字化转型是一个过程，除了技术要素以外，转型方向、规划、评估等等，这些都需要方案商提供专业的指导和服务。

总而言之，从中小企业数字化的阶段性出发，大模型作为一种全新的技术，对方案商来说并非威胁，反而是机会。

以低代码平台为例，传统的低代码服务通常是基于规则和模板进行快速部署和应用落地。AI大模型的出现则提供了更多的技术和工具，可以进一步提升低代码服务的效能。

AI大模型可以通过深度学习和大数据分析，自动学习数据的特征和规律，根据实际需求生成相应的代码和模型，从而更好地发掘数据中的潜在价值，并转化为实际的业务应用，进一步提升数字化方案服务质量和效果。

此外，大模型的集成和协作能力，可以与企业已有系统、数据源、API等的快速对接和打通，形成有效的资产管理和复用，提升低代码的可扩展性和可集成性。

对于方案商而言，大模型代表的新技术，也正推动方案商自身变革。

一方面，方案商要提供专业化、定制化的大模型解决方案，以满足中小企业在不同行业、不同场景的数字化转型需求；另一方面则要提供更加完善的大模型工具链，进一步降低使用大模型的门槛和成本。

只有方案有效加上成本可控，才能打开中小企业的数字化转型市场。

“不敢转、不能转、不会转”一直是压在中小企业数字化转型头上的三座大山。

大模型的出现无异于提供了一把推翻大山的锐利武器，为中小企业提供了更易于使用和集成的工具。

在降低数字化转型门槛的同时，企业可以通过利用行业和企业小数据在大模型上微调，使模型更加精准地服务具体应用场景，提高数字化转型效能和效果。

从本质上看，大模型将从根本上降低中小企业进行数字化转型的成本和复杂度。

但具体到转型步骤，从业务流程的数字化到数据的训练使用，再到某个业务，最后到整个生产经营的全流程数字化，涉及面非常广，中小企业的转型仍然长路漫漫。

显然，中小企业推翻三座大山的战役，才刚打响。雷峰网雷峰网

标签：