2024年，是業(yè)內(nèi)公認的大模型應(yīng)用元年，圍繞AI原生應(yīng)用的生態(tài)構(gòu)建，也自然成為產(chǎn)業(yè)各方關(guān)注的焦點。

大模型應(yīng)用火熱的另一面，是與行業(yè)現(xiàn)實需求不匹配的尷尬。諸如對高性能計算資源的高需求、模型部署及優(yōu)化的復(fù)雜度升高、數(shù)據(jù)管理的嚴謹要求提升、安全保障措施等。

AI原生應(yīng)用的繁榮有賴于產(chǎn)業(yè)生態(tài)系統(tǒng)，AI原生應(yīng)用生態(tài)決定大模型落地應(yīng)用能力上限。

行業(yè)初步達成共識，從單一的AI原生應(yīng)用轉(zhuǎn)向建設(shè)全面的AI原生應(yīng)用生態(tài)體系，核心在于搭建統(tǒng)一的技術(shù)標準、共享的數(shù)據(jù)資源、開放的合作平臺和協(xié)同創(chuàng)新機制，把散落的AI技術(shù)和應(yīng)用場景有機結(jié)合，形成打通基礎(chǔ)硬件設(shè)施、中間層模型開發(fā)與優(yōu)化、頂層多樣化應(yīng)用服務(wù)，乃至跨行業(yè)跨領(lǐng)域的完整生態(tài)系統(tǒng)。

海外和國內(nèi)的AI原生應(yīng)用生態(tài)也不盡相同，IDC認為，國外通過技術(shù)驅(qū)動和開源開放，展示了深厚的AI技術(shù)積淀；中國以行業(yè)需求為導(dǎo)向，注重商業(yè)化發(fā)展。簡而言之，海外市場有先發(fā)優(yōu)勢，產(chǎn)業(yè)分工明顯，生態(tài)格局較為繁榮，而國內(nèi)市場則更注重垂直應(yīng)用生態(tài)。

近日，IDC發(fā)布了《2024AI原生應(yīng)用生態(tài)白皮書》，對AI原生應(yīng)用生態(tài)的發(fā)展做了具體剖析。

“應(yīng)用為王”

盡管模型的持續(xù)開發(fā)和優(yōu)化不可或缺，但在資源有限的大環(huán)境中，深耕基礎(chǔ)大模型的研究并非大部分企業(yè)的首要選擇，如何站在巨人的肩膀上，進一步挖掘生成式AI的應(yīng)用價值，重構(gòu)產(chǎn)品思維，提升運營效率與市場競爭力，才是企業(yè)彎道超車的機會。

IDC數(shù)據(jù)顯示，預(yù)計到2027年，全球?qū)ι墒紸I的投資總額將大幅躍升至1454億美元。中國對該領(lǐng)域的投資額將激增至129億美元，2023-2027年期間年復(fù)合增長率高達55.1%，其中，生成式AI軟件市場同期年復(fù)合增長率將高達58.2%

從數(shù)量方面來看，IDC預(yù)計，到2024年，全球?qū)⒄Q生超過5億個新應(yīng)用，這一數(shù)字幾乎等同于過去40年累積的應(yīng)用總數(shù)。AI應(yīng)用將為企業(yè)帶來深遠影響，其本身也具有巨大的市場潛力。

一言以蔽之——大模型落地，應(yīng)用為王。

IDC認為，縱觀企業(yè)級和消費級市場，生成式AI對于應(yīng)用的影響主要包含三種情況：AI原生應(yīng)用的創(chuàng)造、傳統(tǒng)應(yīng)用的AI重塑以及AI暫未觸及的領(lǐng)域。

在ToB（企業(yè)級）領(lǐng)域，生成式AI的核心影響力主要體現(xiàn)在對于傳統(tǒng)流程和應(yīng)用的智能化重塑上。以金融服務(wù)業(yè)為例，該技術(shù)能夠嵌入至風險評估、智能投顧服務(wù)、客戶關(guān)系管理等多個層面，通過運用深度學習算法與大數(shù)據(jù)解析方法，金融機構(gòu)能夠迅捷識別潛在風險。

在ToC（消費級）領(lǐng)域，生成式AI催生出大量具有創(chuàng)造力和創(chuàng)新性的AI原生應(yīng)用。例如智能音箱和聊天機器人等產(chǎn)品、自動駕駛技術(shù)和智慧交通等解決方案。

AI原生應(yīng)用生態(tài)三類角色

IDC認為，AI原生應(yīng)用生態(tài)是以AI大模型為基石，AI原生應(yīng)用作為實施手段，連接合作伙伴、創(chuàng)新服務(wù)方式，從而實現(xiàn)商業(yè)價值。

AI大模型提供強大的自然語言理解、語音識別、圖片識別以及生成能力，為各種應(yīng)用場景提供支持。AI原生應(yīng)用則利用模型能力，創(chuàng)造出獨立應(yīng)用軟件或嵌入到其他系統(tǒng)中的功能模塊，滿足用戶多樣化需求。

AI原生應(yīng)用生態(tài)成員的角色可分為三類：生態(tài)構(gòu)建者、生態(tài)關(guān)鍵共創(chuàng)者和行業(yè)企業(yè)。

生態(tài)構(gòu)建者通常為大型科技企業(yè)和科研機構(gòu)。通過提供先進的技術(shù)支持與服務(wù)，構(gòu)筑并維護底層基礎(chǔ)設(shè)施。

生態(tài)關(guān)鍵共創(chuàng)者包括SaaS服務(wù)商、ISV和渠道服務(wù)商等多元角色。它們與生態(tài)構(gòu)建者和其他共創(chuàng)者緊密協(xié)作，共同研發(fā)及推廣多樣化的生成式AI產(chǎn)品，滿足不同行業(yè)企業(yè)的個性化需求，并將AI技術(shù)切實融入到各個業(yè)務(wù)場景中，以提升生產(chǎn)效率、優(yōu)化用戶體驗，實現(xiàn)商業(yè)價值的最大化。

行業(yè)企業(yè)是最終用戶，通過與生態(tài)構(gòu)建者和共創(chuàng)者共同協(xié)作，將生成式AI技術(shù)融入業(yè)務(wù)流程，提升生產(chǎn)效率，改善用戶體驗，實現(xiàn)商業(yè)價值。

生態(tài)，決定大模型落地應(yīng)用能力上限

AI原生應(yīng)用這列火車要想跑得快，不能全靠大模型廠家的“車頭”帶，構(gòu)建一個正向反饋的良性生態(tài)至關(guān)重要。

目前AI原生應(yīng)用生態(tài)的難點集中在算力、成本、數(shù)據(jù)等方面，以底層算力為例，計算能力的瓶頸顯著阻礙了AI技術(shù)的快速迭代和廣泛應(yīng)用。

隨著數(shù)據(jù)規(guī)模和模型復(fù)雜度的增長，現(xiàn)有的計算資源難以滿足需求，尤其是在處理大規(guī)模數(shù)據(jù)集和復(fù)雜的深度學習模型時，算力不足的問題尤為突出。此外，能效比也是亟待解決的關(guān)鍵問題，高算力需求往往伴隨著巨大的能源消耗，導(dǎo)致成本增加并可能對環(huán)境造成壓力。分布式計算和邊緣計算場景下的延遲、穩(wěn)定性問題則影響了AI應(yīng)用的實時響應(yīng)。

再如中層模型投入方面，傳統(tǒng)的模型訓(xùn)練過程耗時耗力，效率低下且成本高昂。日益復(fù)雜的AI模型結(jié)構(gòu)加大了對高質(zhì)量數(shù)據(jù)和強大計算資源的需求，數(shù)據(jù)量激增則會導(dǎo)致模型訓(xùn)練時間成本增加。

同時，模型泛化能力是決定其在實際應(yīng)用場景中表現(xiàn)優(yōu)劣的關(guān)鍵因素，而當前許多模型在面對新場景時普遍表現(xiàn)出適應(yīng)性不足，需要進行微調(diào)和優(yōu)化工作以提升泛化性能。

數(shù)據(jù)量和質(zhì)量問題也是構(gòu)成AI應(yīng)用發(fā)展的重大障礙。非結(jié)構(gòu)化、標注不準確或包含噪聲的數(shù)據(jù)嚴重影響模型訓(xùn)練效果及最終應(yīng)用性能。與此同時，數(shù)據(jù)標注的成本不容忽視，特別是在監(jiān)督學習中，數(shù)據(jù)標注是一項必不可少卻極其耗費人力和時間的任務(wù)。此外，在獲取合適的數(shù)據(jù)集并實現(xiàn)有效共享方面，也面臨著諸多困難。

國際和國內(nèi)在生態(tài)實踐層面也有顯著不同：

在國外，科技企業(yè)扮演探路者角色，聚焦于AI底層技術(shù)的研發(fā)與革新，強調(diào)技術(shù)驅(qū)動與開放式合作；技術(shù)方面，多模態(tài)數(shù)據(jù)處理與模型算法優(yōu)化取得進展，同時，開源模式成為主流；商業(yè)模式上，發(fā)揮企業(yè)級公有云AI解決方案；訂閱機制和海外AI原生應(yīng)用商店也日趨成熟，推動著AI應(yīng)用的更新與落地。

在國內(nèi)，企業(yè)更多以市場需求為導(dǎo)向，重視AI技術(shù)與場景的結(jié)合；技術(shù)方面，圍繞行業(yè)需求升級算法，自主創(chuàng)新能力差；商業(yè)模式上，針對特定行業(yè)場景和個性化需求，量身定制AI解決方案。另外，MaaS成為大模型商業(yè)化主流途徑，同時，AI原生應(yīng)用商店也在積極建設(shè)。

AI原生應(yīng)用生態(tài)的演進

隨著AI技術(shù)的飛速發(fā)展和應(yīng)用的不斷深入，AI原生應(yīng)用生態(tài)也在動態(tài)變化之中。

首先是大模型參數(shù)紅利逐漸減退，未來資源精煉與應(yīng)用革新將同步推進。在當前算力承壓加劇的大背景下，底層技術(shù)研發(fā)所需的高昂成本與潛在風險逐步暴露，大部分企業(yè)選擇聚焦于應(yīng)用層面的創(chuàng)新和開發(fā)，通過借助行業(yè)巨頭搭建的技術(shù)平臺，達到資源配置的最大化與業(yè)務(wù)效益的最優(yōu)化，這將會成為企業(yè)內(nèi)部資源深度優(yōu)化利用和對外部AI技術(shù)應(yīng)用場景精細化挖掘的雙重實踐。

值得注意的是，隨著AI技術(shù)日漸成熟，大模型參數(shù)規(guī)模和單純算力提升所帶來的紅利已呈現(xiàn)下降趨勢，小模型、場景模型以及AI原生應(yīng)用市場呈現(xiàn)出強勁勢頭。因此，中小企業(yè)應(yīng)當緊跟這一市場趨勢，精準切入垂直行業(yè)細分市場，深刻洞悉用戶深層次需求，積累場景數(shù)據(jù)，打造更具針對性和貼合實際需求的AI應(yīng)用產(chǎn)品，在日益壯大的AI原生應(yīng)用市場中贏得競爭優(yōu)勢和發(fā)展機遇。

其次，生態(tài)需適應(yīng)多樣化市場需求。完善的AI原生應(yīng)用生態(tài)需靈活適應(yīng)不同層次、不同領(lǐng)域的多樣化需求，才能同時為企業(yè)級（ToB）或消費級（ToC）市場帶來發(fā)展空間和機會。

中小企業(yè)應(yīng)當依據(jù)自身特色和優(yōu)勢，選擇適宜的細分市場深耕細作，同時要意識到市場細分化過程中從通用向行業(yè)專業(yè)化轉(zhuǎn)型的趨勢。為了充分滿足各類用戶需求，整個生態(tài)系統(tǒng)需要不斷升級服務(wù)內(nèi)容和專業(yè)能力，確保生態(tài)體系的精細化和高效性。

最后，企業(yè)聚焦產(chǎn)業(yè)落地實效。隨著AI技術(shù)日益實用化和場景多元性的增強，企業(yè)愈發(fā)重視技術(shù)在實際產(chǎn)業(yè)中的落地應(yīng)用。這意味著，除了掌握先進的技術(shù)外，還需要深刻理解行業(yè)特性、熟練運用場景數(shù)據(jù)以及積累豐富的行業(yè)知識庫。

這些要素將成為企業(yè)在AI領(lǐng)域贏得競爭優(yōu)勢的關(guān)鍵所在。因此，在AI原生應(yīng)用生態(tài)中，中小企業(yè)不僅要關(guān)注技術(shù)創(chuàng)新和應(yīng)用推廣，更要注重與產(chǎn)業(yè)界的深度融合與協(xié)同合作，最大化產(chǎn)業(yè)價值。