國内大煉模型之際，很少有人會将大模型與中小企業這兩個标簽結合起來。
畢竟，入局大模型的廠商們，當務之急是打造一個中國版 ChatGPT，爲此要投入大量的人力物力和财力。
這種資金技術密集型的産業，通常很難與資金鏈薄弱、缺少人才和技術的中小企業相結合。
然而，回歸到第一性原理，大模型作爲一種全新的 AI 範式，ChatGPT 的出現不亞于一次新的技術革命，對各行業将産生颠覆性影響。
不論是大模型廠商、數字化解決方案商，還是中小企業，都将從這次技術革命中受益，原有的市場關系、格局也随之變化。
一、大模型之于中小企業：一次影響深遠的技術平權
過去幾年，以人工智能、大數據爲核心的數字化解決方案難以落地到中小企業，難點之一是成本太高。
傳統的 AI 模型訓練方式，從數據歸集到模型訓練、調優，是一個很長的周期。
這個過程中，不論是數據标注、訓練、調優等等，都離不開算法工程師的校正，即便模型訓練完畢并且實現應用，後續的運維工作也需要懂 AI 技術的人才能勝任。
如此一來，AI 方案的部署成本極高，中小企業不可能斥巨資購買服務，也不會專門養一個技術團隊進行産線改造和維護。
基于此，在中小企業數字化轉型過程中，方案商和中小企業之間陷入了一場違背初心的對抗：
方案商想賣方案，中小企業想買方案，一邊有供給，一邊有需求，但交易條件受限。
中小企業覺得方案太貴，買不起；方案商則認爲方案已是成本價，完全不掙錢，不能再降價。
大家起初都想把事做好，一起賺錢，做大做強。但接觸以後才發現，市場交易條件很難達到均衡，方案商給企業做方案要定制，成本降不下來，而企業覺得方案太貴，用不起。
雙方的合作始于技術引領行業變革的熱忱，卻因成本背道而馳，中小企業數字化轉型最終落得一地雞毛。
業界也并非沒有探索降低 AI 部署成本的可能性，比如一些公司研究的小樣本學習、自動機器學習等，通過減少數據量、數據自動标注、模型自訓練等方式，來解決碎片化場景數據量少、部署成本高、效率低的問題。
但對于中小企業而言，即便如此，購買 AI 方案的成本依然很高，并沒有達到能夠讓他們願意付費的奇點。
一套方案賣 500 萬和賣 300 萬，對于中小企業來說，沒什麽區别，反正都用不起。但如果是 30 萬，那麽企業願意嘗試的概率就會更高。
大模型的出現，則提供了一種全新的範式：技術供應商将模型以接近成品的方式交付給企業，企業根據自身需求以及掌握的數據去訓練模型，從而打通模型應用的 " 最後一公裏 "。
對于中小企業而言，這無異于一次技術平權。
原本資金、技術密集型的 AI 技術，需要由 AI 公司做定制化方案，這種一站式交付的方式成本極高，且技術本身并不掌握在自身手中。
大模型則改變了這種成本高昂且不對等的現象，模型訓練将不再是 AI 公司的專屬，中小企業的技術團隊隻需要調用大模型的接口，加入數據進行訓練，就能生成符合自身業務需要的方案和應用。
此模式下，中小企業能夠以更低的成本享受到此前高昂的 AI 技術服務。并且，自家數據訓練出來的模型，效果更佳且安全可靠，數據本身也保留在内部庫中，洩露風險更小。
一言以蔽之，大模型降低了中小企業利用 AI 的門檻，利用 AI 技術來挖掘數據價值。
亦即，大模型技術浪潮下，中小企業正在快速逼近數字化轉型的奇點。
二、從 SaaS 到 MaaS，新的商業機會正在湧現
ChatGPT 爆火之後，微軟率先在其辦公軟件 Office365 上接入了 ChatGPT 的能力，掀起辦公軟件革命的風潮。
緊接着，在搜索、電商等領域，GPT 應用全面開花，大有燎原之勢。
這種模式和此前的一些 AI 應用類似，本質上都是 SaaS（軟件即服務），提供應用軟件然後收取服務費。二者之間的區别在于，疊加了 GPT 能力之後，工具更強、效率更高。
在中小企業數字化轉型過程中，很多方案商也支持 SaaS 部署。比如樹根互聯、魯邦通、蘑菇物聯等廠商，提供的低代碼平台，讓企業能夠快速地基于平台構建符合業務需要的應用。
但 SaaS 的不足之處在于，這是一個相對标準化的産品，即便能夠針對具體的細分場景做定制，仍然存在兩個問題：
定制需要額外的成本；
方案商很難拿到有效的數據來訓練模型，叠代應用，導緻訓練效果欠佳。
許多細分行業，數據作爲一種核心資産，企業并不願意開放給方案商做訓練，一是憂慮數據安全，二是擔心數據共享給第三方很容易威脅到公司的核心競争力。
以此爲背景，MaaS（模型即服務）應運而生。
與 SaaS 類似，MaaS 更接近于提供一個強大的基礎能力組件，企業可以基于大模型構建屬于自身的場景應用。
二者之間的區别在于，如果說 SaaS 是拎包入住，MaaS 則是一間空房，最後一公裏的設計，由用戶自己把控。
這種模式下，方案商和中小企業，将從中受益，實現共赢。
首先，中小企業部署數字化方案的成本将進一步下降，并且保留了更多話語權，畢竟數據這一核心資産掌握在企業手中，除了利用技術構建應用的可操作空間增大以外，數據安全也得到保證。
其次，從方案效果的角度出發，模型訓練應該以數據爲核心，而中小企業更靠近場景、業務和數據。如果能在數據源頭做訓練，不但可以避免數據的流轉成本和安全性問題，方案商也能節約成本去了解業務。
最後，在成本更低、安全性更高的基礎上，企業也更願意嘗試新的技術和方案，整個數字化解決方案市場基本盤在持續擴大，對方案商來說也是一件好事。
當 MaaS 開始以全新的業務模式來服務中小企業，市場出現新的商業機會，原有的業務、商業模式将被重構，中小企業數字化轉型過程中的相關方，都面臨着一次深刻的變革。
三、大模型并非萬能，市場需要更多專業玩家
大模型改造中小企業的故事很性感，但距離落地還有很多問題要克服，解決方案商也不會被大模型廠商取代。
樹根互聯聯合創始人、CEO 賀東東表示，中小企業數字化轉型剛剛開始，本身的業務數字化程度較低，數據要素非常缺乏，對于模型訓練而言，這是很大的難點。
因此，中小企業的當務之急是先把數字化做好，把業務通過數據解耦之後，才能利用數據産生新的業務價值。在此基礎之上，再談用大模型技術改造業務才具備可行性。
魯邦通雲與數字化服務中心 CTO 楚甯志認爲，大模型在某種程度上可以視爲一次技術平權的機會，開啓了利用 AI 技術的新途徑，可以幫助那些欠缺 AI 技術的中小企業更快實現數字化轉型。
但這并不意味着中小企業對方案商數字化轉型的依賴會減弱，大模型在解決具體場景業務問題上還存在局限，需要經驗豐富的方案商在深入了解企業需求的基礎之上提供個性化的解決方案來彌補。
方案商可以幫助企業制定整體戰略、解決技術實施中的難題，并提供持續的技術支持，這些很難被大模型替代。
蘑菇物聯工業 AI 首席科學家周子葉也表示，大模型并非萬能，有其自身的局限性和風險，比如數據安全、可解釋性、調試部署等。
并且，大模型的本質是工具和資源，并不是目标和結果，而中小企業的數字化轉型是一個過程，除了技術要素以外，轉型方向、規劃、評估等等，這些都需要方案商提供專業的指導和服務。
總而言之，從中小企業數字化的階段性出發，大模型作爲一種全新的技術，對方案商來說并非威脅，反而是機會。
以低代碼平台爲例，傳統的低代碼服務通常是基于規則和模闆進行快速部署和應用落地。AI 大模型的出現則提供了更多的技術和工具，可以進一步提升低代碼服務的效能。
AI 大模型可以通過深度學習和大數據分析，自動學習數據的特征和規律，根據實際需求生成相應的代碼和模型，從而更好地發掘數據中的潛在價值，并轉化爲實際的業務應用，進一步提升數字化方案服務質量和效果。
此外，大模型的集成和協作能力，可以與企業已有系統、數據源、API 等的快速對接和打通，形成有效的資産管理和複用，提升低代碼的可擴展性和可集成性。
對于方案商而言，大模型代表的新技術，也正推動方案商自身變革。
一方面，方案商要提供專業化、定制化的大模型解決方案，以滿足中小企業在不同行業、不同場景的數字化轉型需求；另一方面則要提供更加完善的大模型工具鏈，進一步降低使用大模型的門檻和成本。
隻有方案有效加上成本可控，才能打開中小企業的數字化轉型市場。
結語
" 不敢轉、不能轉、不會轉 " 一直是壓在中小企業數字化轉型頭上的三座大山。
大模型的出現無異于提供了一把推翻大山的銳利武器，爲中小企業提供了更易于使用和集成的工具。
在降低數字化轉型門檻的同時，企業可以通過利用行業和企業小數據在大模型上微調，使模型更加精準地服務具體應用場景，提高數字化轉型效能和效果。
從本質上看，大模型将從根本上降低中小企業進行數字化轉型的成本和複雜度。
但具體到轉型步驟，從業務流程的數字化到數據的訓練使用，再到某個業務，最後到整個生産經營的全流程數字化，涉及面非常廣，中小企業的轉型仍然長路漫漫。
顯然，中小企業推翻三座大山的戰役，才剛打響。雷峰網雷峰網
