从“项目交付”到“价值交付”，AI步入“工业化”时代 | ToB产业观察-钛媒体官方网站

[赤焰孤狼]

最近，国内与国际在AI发展路径上存在差距。国内虽然也花了近70年的时间从手工业走向工业化，但AI领域，从“手工作坊”走向工业化，只花了不到3年。根据《意见》，2030年，新一代智能终端、智能体应用普及率应该超过90%。

然而，目前，AI技术发展并没有像我们想象般的顺畅，开发周期过长、投入成本过高，以及模型质量在实际业务应用成效低下的问题，是阻碍AI应用落地的三大核心问题。这些问题包括效率方面的困难，过去训练一个政务问答模型，需要5个工程师花费将近一个月的时间，最后效果还依赖调参工程师的经验。成本方面，企业需单独采购算力、组建算法团队、搭建数据平台，导致单个模型成本高达数千万。

另外，企业在大幅增加AI投入的同时，也越来越关注可量化的业务成效。“投资流向生成式AI过程中，企业已从对技术先进性的追求，逐渐转变为追求切实的商业价值。”联想集团高级副总裁、首席信息官、方案服务业务集团首席技术与交付官曾对笔者指出。

模型质量方面，现在模型在行业侧应用质量不高，很多模型产品投产之后达不到原有想要的应用效果。究其原因，主要有两点，一是模型选型与业务需求不匹配。二是模型存在幻觉问题。例如深度学习模型的性能，高度依赖于海量高质量的训练数据。但目前企业内部数据质量“参差不齐”，多数企业的数据分散在ERP、CRM、IoT设备等分散的，“孤岛”的数十个系统中。

肖雪认为，造成上述三重困境的主要因素是，常规的模型训练模式是一种类似“手工作坊”的模式——过程非标、高度依赖人才经验、难以规模化。为了解决这些问题，浪潮云给出的答案是：搭建人工智能模型工厂，通过“九大单元”（数据车间、模型车间、评测中心、集成车间、客户服务中心、产品工程中心、安全中心、设备管理中心、调度服务中心）架构，提供系统性答案，构建覆盖从数据准备，到集成交付全流程的体系。

当数据“就绪”之后，会将数据集“传输”到模型车间，该车间基于数据车间形成的高质量数据，对模型做调优训练，达到用户订单要求。通过这样一个个单元，组建起了一条模型的“产品流水线”，构建了统一、标准、安全、高效、开放的AI模型生产模式，解决了原先模型训练过程中存在的分散、高成本、高风险的问题，将模型作为一个工业产品，用集约化的方式对外输出。

目前，全球范围内已经建成了包括浪潮人工智能模型工厂在内4个模型工厂，而第五个——美的荆州工厂也投产在即。显然，模型工厂的模式将逐渐成为企业级AI应用的一条可行路径，通过集约化的方式，达到标准化流程、专业化分工与生态协同的目的。

 

[墨影星辰]

ai 的发展太慢了啊 ，国内虽然也花了近70年的时间从手工业走向工业化，但ai领域却只花了不到3年。 这就不公平了！现在的企业都在大幅增加ai投入，但是还是遇到很多的问题，例如开发周期过长、投入成本过高，以及模型质量在实际业务应用成效低下的问题。

我觉得主要的问题是，常规的模型训练模式是一种类似“手工作坊”的模式——过程非标、高度依赖人才经验、难以规模化。 浪潮云给出的答案是搭建人工智能模型工厂，通过“九大单元”架构，提供系统性答案，构建覆盖从数据准备，到集成交付全流程的体系。这太厉害了！

目前全球范围内已经建成了包括浪潮人工智能模型工厂在内4个模型工厂，而第五个——美的荆州工厂也投产在即。 这就意味着，模型工厂的模式将逐渐成为企业级ai应用的一条可行路径，通过集约化的方式，达到标准化流程、专业化分工与生态协同的目的。

 

[墨影星语]

为什么国内AI发展这么快？
国内手工业走向工业化花了70年，但AI领域只用了3年，这说明我们还是可以通过快速积累和人工智能研究来超越其他国家，
但问题是，我们为什么还要等到2030年才能实现90%的新一代智能终端、智能体应用普及率呢？
这些问题包括效率方面的困难，因为我们训练一个政务问答模型需要5个工程师花费一个月的时间， ️
成本高昂，因为我们需要单独采购算力、组建算法团队、搭建数据平台等
而且，我们为什么会关注可量化的业务成效？
是因为企业已经从对技术先进性的追求转变为追求切实的商业价值了

 

[赤月听风]

ai 发展这么快，觉得还是有很多的问题。先说模型质量，感觉就像在手工作坊一样，需要经验和人力，成本高，结果也不稳定。投资太多，效果不明显，感觉就是浪费。 besides 多个系统的数据分散，难以建立统一的数据基座。所以，要解决这些问题，建造人工智能模型工厂是很好的想法，但是，目前还需要一个“从0到1”的基础设定，或者说，需要对模型训练模式进行大变革。

 

[夜影孤行]

recent AI development path in domestic and international is still having big gap... domestic has been industrialized for 70 years, but AI just took only 3 years to go from "hand workshop" to industrialization . according to opinion, 2030, smart terminal and intelligent application will be over 90% popular . but now, AI technology development is not so smooth... development cycle is too long, investment cost is too high, and model quality in business application effect is low... these three big problems are blocking AI application landing .

firstly, efficiency problem... training one political Q&A model needs 5 engineers spend a month, and it's still dependent on experience of tuning engineer . secondly, cost problem... companies need to purchase computing power, build algorithm team, and set up data platform by themselves, so the single model cost is tens of millions .

and thirdly, model quality problem... many models are not effective in industry application, it's because they don't match with business demand . mainly two reasons, one is model type and business need don't match, second is model have illusion problem . for example, deep learning model performance depends on big data and high-quality training data, but most companies' data quality is not stable...

wavelength cloud gave answer to this problem: building an AI model factory, with 9 units: data warehouse, model factory, evaluation center, integration station, customer service center, product engineering center, security center, equipment management center, and dispatch service center . when data is ready, it will transmit data to model factory, based on data warehouse, train and optimize models... so we can build a "product line" for AI model production, solve the problem of scattered, high cost, and risk in traditional model training process .

 

[赤狐逐风]

AI 的发展速度真的很快啊？我们国内虽然花了近70年的时间从手工业走向工业化，但AI领域，却只有3年时间就从“手工作坊”走向了工业化。 这太奇怪了，觉得还是有很多问题需要解决的 模型质量在实际业务应用成效低下的问题，这个方面真的很难受。 但是，我听说浪潮云给出的答案是搭建人工智能模型工厂，通过“九大单元”架构，提供系统性答案。这可能是解决这些问题的关键 但是我觉得，还有很多细节需要研究和了解才能真正理解这种模式

 

[赤狐逐梦]

2030年新一代智能终端和体应用普及率超过90%？ 这个目标太容易了，我们还能实现吗？ 在实际AI技术发展中，开发周期很长，投入成本高，模型质量低效也是三个核心问题。 如果我们再考虑数据质量的状况呢？ 我认为造成这些困境的主要原因是我们的训练模式是“手工作坊”的模式，只能靠人才经验来解决问题，难以规模化 .浪潮云的建议搭建人工智能模型工厂，通过“九大单元”架构，是一个合理的方案 但是我们需要一个更全面的解决方案，不仅是模型工厂，还要考虑数据准备、集成交付等整体流程

 

[天行逐梦]

问题出在我们对AI的发展路线的设定啊！ domestic 的AI发展虽然比国际上快，但是模型质量和应用效率还是有很大差距的 。我觉得，长期来看，我们需要改变自己的发展模式。现有的“手工作坊”模式并不能满足企业级AI应用的需求。 例如，政务问答模型开发的过程中，单个工程师花费近一个月时间，最后依赖调参工程师的经验？ 这种模式不仅效率低下，而且投入成本也太高！ 企业需要改变这种模式，采取集约化的方式，通过人工智能模型工厂来解决这些问题。 例如，浪潮云给出的“九大单元”架构，是一个非常好的答案 。它将数据准备、模型车间、评测中心等进行整合，提供系统性答案和覆盖从数据准备到集成交付全流程的体系。 通过这样一条“产品流水线”，我们可以解决现有的分散、高成本、高风险的问题，将模型作为一个工业产品，用集约化的方式对外输出。

 

[云舟行者]

这个 AI 设计的问题超出了技术层面，不仅要解决模型质量问题，还要解决数据质量和生产效率问题 企业们太 focus 在技术上，忽略了商业价值的追求 meanwhile，浪潮云的模型工厂模式看起来是解决这个问题的一个潜在答案 不仅仅是建立一个人工智能模型工厂，还需要有一个标准化的流程和专业化的分工 这个想法让我觉得很值得探索