作为国内最早一批人工智能创业公司之一，旷视经历了AI技术创新和商业化探索的起伏。
面对大型模型带来的新一轮AI浪潮，旷视如何看待并布局?
旷视联合创始人兼CEO印奇表示，从CNN、ResNet到Transformer，深度学习一直是最核心的技术主线。
在经历了过去一年的发展后，人工智能领域已经由ChatGPT和GPT-4引领了最 新的变革。随着时间的推移，许多国内外公司纷纷加入大型模型技术的竞赛，推动了该技术的快速发展和转型。
大型模型在处理通用任务方面展现出了很难相比的能力，这使所有人都看到了其解锁更多应用场景的巨大潜力。因此，各行各业都开始探索与大模型的结合可能性，对大模型的需求以前没有强烈。
在中国独特的技术创新环境中，这是一个无法回避的问题。中国人工智能行业经过多年的发展，尽管在生物识别、工业机器人、自动驾驶等领域取得了一定的突破，但尚未出现被技术彻底颠覆且大规模落地的产品和应用。
过去小模型时代未能解决的问题，是否会随着大型模型的出现而迎刃而解?
大型模型实现商业化的途径可以多样化，以下是一些关键策略和步骤:
1. 明确应用场景:首先，需要确定大型模型能够提供商业价值的具体领域。这包括了解行业需求、痛点以及大型模型能够解决的具体问题。
2. 定制化开发:针对特定行业或业务需求，对大型模型进行定制化的开发和调整，以确保其性能和输出与客户需求相匹配。
3. 创建可行的商业模式:设计一个可持续的商业模式，如基于使用量的计费模式、订阅服务、一次性授权费等，以实现收入的产生。
4. 合作与伙伴关系:与行业内的企业建立合作伙伴关系，利用他们的专业知识和市场渠道来推广和销售大型模型解决方案。
5. 产品化:将大型模型技术集成到用户友好的产品中，确保非技术用户也能够轻松使用。
6. 合规性与安全性:确保大型模型的商业化遵守相关的数据保护法规和行业标准，同时保障数据的安全性和隐私。
7. 持续优化:根据客户反馈和市场变化，不断优化模型的性能和功能，保持竞争力。
8. 教育和培训:为客户提供必要的教育和培训，帮助他们理解和最 大化大型模型的价值。
9. 市场营销:通过有效的市场营销策略，提高目标市场对大型模型解决方案的认识和兴趣。
10. 监测和评估:建立一个系统来监测大型模型的表现，并评估其对客户业务的影响，以便进行必要的调整。
通过这些步骤，大型模型可以更好地满足市场需求，实现商业化，并在实际应用中产生价值。
作为国内最早一批人工智能创业公司之一，旷视经历了AI技术创新和商业化探索的起伏。
面对大型模型带来的新一轮AI浪潮，旷视如何看待并布局?
从技术演进的角度看，无论是之前的AlphaGo还是现今的大型模型，本质上都是深度学习的发展。
这一轮人工智能技术的发展浪潮仅依赖一项核心技术能力，那就是深度学习。
旷视联合创始人兼CEO印奇表示，从CNN、ResNet到Transformer，深度学习一直是最核心的技术主线。
印奇对多模态大型模型的应用前景持积极乐观的态度。他认为，随着技术的不断进步和成熟，多模态大型模型在行业应用中的潜力巨大，将为各行各业带来革命性的变化。
以下是印奇对多模态大型模型应用前景的几点看法:
1. 强大的理解能力:多模态大型模型通过整合视觉、语言等多种模态的信息，能够实现更全面和深入的理解，这将有助于解决复杂场景下的问题。
2. 广泛的适用性:由于多模态模型能够处理不同类型的数据，它们可以被应用于多个领域，包括但不限于医疗诊断、自动驾驶、智能客服等，具有广泛的实际应用前景。
3. 提升效率与降低成本:印奇认为，随着大模型技术的发展，“最后一公里”的效率将显著提升，同时成本也会降低，这将有利于多模态大型模型在行业中的快速推广和应用。
4. 客户共创:旷视致力于与客户深度共创行业大模型，这意味着他们将根据特定行业的需求和特点来定制和优化大模型，确保其解决方案能够有效地解决实际问题。
5. 实际落地的挑战:印奇也认识到，对于B端业务来说，仅仅依靠基础的大模型是难以实现实际落地的。因此，旷视强调推动多模态大模型在行业的应用，以确保投资回报率（ROI）能够转正。
6. 持续创新:印奇表示，旷视将继续专注于多模态大型模型的研究，并将其视为迈向人工通用智能（AGI）的重要途径。他们将持续创新，以确保技术能够不断进步并适应不断变化的市场需求。
印奇对多模态大型模型的应用前景充满信心，并相信这将是AI技术未来发展的关键方向之一。他强调了旷视在这方面的承诺和努力，包括与行业客户的合作、技术的持续迭代以及研究成果的商业化转化。
印奇认为，在图像和视频领域，需要区分“生成”和“理解”。如果将Sora视为独立应用，它体现的是生成能力，主要应用场景更倾向于C端用户。
而旷视将聚焦于感知和理解能力，其多模态大型模型是针对图片、视频、文字等不同模态的综合感知、理解和推理引擎。旷视会更加专注于提升理解能力，并在此基础上面向B端业务打造行业应用。
我们相信多模态大型模型将能够解锁更多行业应用场景。将多模态大型模型融入行业 尽管行业内外对大型模型的期望很高，但普遍共识是，目前的基础大型模型并不适用于需求多样化的行业。
在将大型模型能力转移到各行各业的过程中，将会不可避免地遇到复杂的场景需求。企业用户在评估大型模型时，会综合考虑应用场景、数据安全、升级维护和成本效益等因素。
对于大型模型公司来说，这意味着需要进行大量的“最后一公里”工作，例如场景技术匹配、端到端部署、软硬件适配和安全性等。
印奇认为，随着大型模型时代的到来，“最后一公里”的效率将大幅提升，成本将显著下降。然而，行业落地的“最后一公里”问题仍然存在。
他表示，旷视选择坚定地走B端商业化道路。对于B端业务来说，仅凭基础大型模型难以真正落地，投资回报率（ROI）很难转正。
因此，旷视将重点推动多模态大型模型在行业的应用，深入行业开发行业大型模型。
将大型模型应用于具体行业需要端到端的方案，门槛不低，必须具备对模型、系统、数据和行业的综合理解能力。
从技术角度看，绝不是简单地调整开源模型就能满足需求，必须具备端到端的大型模型能力。
从行业角度看，本质上还是要以客户为中心，与客户共同创造行业大型模型。在大型模型时代，行业专业知识的积累仍然是稀缺资源。
旷视科技的商业化策略体现在其“1+3”战略中，旨在通过AI技术创新在各个物联网场景中实现商业化落地。具体来说:
Brain++AI生产力平台**:旷视科技利用其核心的Brain++AI生产力平台，提供算法的规模化供给。这个平台是公司商业化战略的基础，它支持公司在多个领域的产品和服务开发。
个人物联网**:在个人物联网领域，旷视科技可能专注于通过AI技术提升个人设备的智能化水平，例如智能手机和消费电子产品的人脸识别、图像处理等功能。
城市物联网**:在城市物联网领域，公司的AI技术可以应用于智慧城市建设，比如交通管理、公共安全监控以及环境监测等，以提升城市管理的智能化和效率。
供应链物联网**:在供应链物联网领域，旷视科技的AI技术可以用于智慧物流，包括仓库管理、货物追踪、自动化分拣等，以提高供应链的效率和透明度。
此外，旷视科技还强调了“产品为王”的战略核心，围绕其优势AI技术，从算法到感知升级，再到云边协同的完整价值链，通过数据、业务、场景的三方融合，助力企业园区数字化转型，创造智慧城市新生态。
旷视科技的商业化策略是一个综合性的战略规划，涵盖了技术研发、产品开发、市场应用等多个方面，旨在通过其AI技术推动多个行业的数字化和智能化转型。
多年来，旷视服务了许多行业头部客户，在重点行业积累了专业知识和经验。目前，旷视正在与金融、运营商、手机、智能汽车等领域的客户合作，推动大型模型在行业的落地。
“目前进展较快的是金融行业。”旷视科技资 深副总裁兼云服务事业部负责人赵立威解释说，“从去年年中开始，我们服务的一些金融客户就开始探索大型模型。因为它们本身具备一定的基础能力储备，再加上对新技术的敏感度，所以对创新的渴望异常迫切。”
赵立威指出，在数据和知识高度集中的金融等行业内，大型模型技术无疑具有巨大的潜力。根据实际效果，大型模型短期内在提升效率方面的贡献将超过成本节约，这种效益也更易被客户认可。
然而，实现大型模型在行业中的应用以提有效率，是一项复杂性极 高的任务。考虑到许多行业客户已基于大数据、ERP、CRM等传统IT能力，构建了标准的业务流程。
若大型模型仅用于简单取代现有的IT系统，其带来的收益将十分有限。唯有深入理解现行业务需求和逻辑，彻底改革现有的业务流程、组织关系以及决策体系，大型模型才能在提升效率方面显现其价值。
因此，大型模型的成功部署不单是技术问题，更是一个涉及多方面的商业难题。要成功落地大型模型，必须与客户紧密合作，共同创新。
目前，旷视科技正在与金融行业的银行、保险公司等客户合作，探索大型模型在金融风险控制、智能客服、文档和代码编写、图文分析和市场营销等多个业务场景中的应用。
赵立威强调，“今年是从零开始的一年，关键在于从重点客户入手，寻找适合大型模型的业务场景，并实现业务的完整闭环。这是我们当前的首要任务。”
对于大型模型技术的商业化应用，旷视科技持有明确的理解和策略。一方面，他们意识到大型模型在处理通用任务上展现了以前没有的能力，并且看到了它在开拓更多应用场景上的潜能。
另一方面，他们也认识到大型模型的实际应用并非单纯的技术问题，而是一个复杂的商业挑战。
鉴于此，旷视坚定地选择B端商业化路径，专注于增强理解能力，并在此基础上为B端业务打造行业特定的应用。
在执行过程中，旷视将重点推动多模态大型模型在不同行业的应用，并与金融、通信、手机、智能汽车等行业的客户合作，推进大型模型在这些领域的实际应用。
（推广）
