做大模型的公司不少，能明确給出産業落地時間線的還是頭一次見。
剛剛，在 2023 京東全球科技探索者大會暨京東雲峰會上，京東推出了言犀大模型 + 言犀大模型開放計算平台，并展示了零售、健康、物流、營銷、金融、客服等多個産業場景的階段性實踐成果。
一開場，就欣賞了一段由大模型驅動的數字人歌舞表演。
電商場景下，支持 AIGC 商品内容生成。
還有 AI 增長營銷平台，幾句話構建出營銷方案、推廣網站。
醫療場景下，通過多輪對話即确定用戶腰疼的的原因。
除了現場演示之外，三步走的落地路線圖也格外引人關注——
今年下半年在京東内部高複雜場景中反複打磨錘煉，并針對重點場景的标杆客戶進行對外服務，主要目的是發現那些看起來 " 不起眼 "，但産業應用中又非常關鍵的問題。
2024 年上半年，就能針對嚴肅商業場景将大模型能力全面對外開放 。
劃重點了，這裏的對外開放不隻是提供 API，而是連産業應用一起打包，讓企業開箱即用的那種。
京東不會把沒做好的菜端上餐桌。
而京東之所以有底氣制定這樣路線，也是頗有不少幹貨在裏面的。
産業夥伴需要什麽樣的大模型？
通用大模型火過半年之後，整個産業已經把目光聚焦到下個階段——産業大模型。
随着最早提出産業大模型的京東交出答卷，關于「産業夥伴需要什麽樣的大模型」的問題也可以得到階段性解答。
大模型時代到來，C 端應用層出不窮，普通大衆有了直觀感知，對其所存在的 " 胡說八道 " 等問題，也有了切身體會。
但對于 B 端企業而言，由于身處行業不同以及自身業務考慮，到底「用什麽？如何用？」始終沒有很好的答案，大多都 " 還是不知道怎麽用 "。
當大家談到産業大模型，第一反應是聚焦某個行業做小模型。
但何曉冬告訴量子位，這可能是一個誤解，做産業模型的時候還是需要一個通用域的數據，通用域數據對行業應用也非常關鍵，它提供了背景常識性的知識。否則如果用戶突然提出一些跟這個領域不相關的詢問的時候，話題的跳躍性比較大，原來領域小模型就會很茫然。
所以，企業所需要的産業大模型也必須建立在通用能力基礎上。
大模型于企業而言，大都是降本增效之用。比如可以自動化處理數據和任務、分析大量數據給出更精準的決策、擴展到新的業務領域等等。
而要實現這些用處，大模型就必須滿足兩個原則：可信、可用。
可信，意味着模型的預測結果是可靠的，可以被企業信任；
可用，則表示模型可以在實際業務中發揮作用，爲企業創造價值。
這兩點，不僅是企業用什麽大模型的選擇基準；也是實現大模型産業化的兩個基礎特性。
首先來看可信。
針對性地解決大模型可信問題，市面上仍未形成完整的解決方案。
過去幾個月大模型從亮相到應用以來，始終存在的幻覺問題。而早在 2020 年京東基于 Transformer 做的K-PLUG模型實體屬性抽取準确率達到了 95%，已經達到了商用的水平。
這各中原因，在于京東走出了自己一條路——知識注入。
當時放在業内，屬于首創。
它大幅改善了此前 AI 生成長文本任務中文本多樣性、篇章連貫性，以及在商品賣點文案的生成中尤其需要關注的賣點獨特性、屬性一緻性，給予商品 " 真實的贊美 "。
最終在一系列 NLP 任務中，比如實體屬性抽取準确率、生成式多輪對話 ROUGE-L、多輪問答知識檢索率，其性能明顯優于其他基線模型。
之所以能這麽早地發現 " 幻覺 " 問題并解決，這與他們一直以來圍繞産業實踐有關。
市面上一般生成式語言模型生成的内容正确率是 83%、85% 左右。一般 toC 用戶用起來覺得還可以，十個裏面錯一個，但是商用是不可接受的。
同樣的思路，也集成到了可用的實踐上。
從提供大模型企業的視角下，這個問題就轉變成如何讓大模型創造普惠價值。任何一項技術實現普惠，意味着技術門檻和使用成本的盡可能降低。
算法的泛化 + 向量數據庫 +SaaS，這是京東給出的一套組合拳。
前兩者自不必多說，一方面算法泛化能力，可以讓模型處理多種任務，解決行業中複雜長尾場景。
2022 年，針對模型泛化性不足，京東提出百億級 Vega 模型。并于 2023 年在通用語言理解基礎模型方面對織女大模型進行再升級，提出規模更大、性能更強、遷移性更好的 Vega v2 模型。
向量數據庫則可以實時更新知識庫，補齊大模型的長期記憶，還能降低訓練成本，可以說一舉多得。
而向量數據庫，2019 年京東就在業内率先研發了 Vearch。目前服務超 100 家大中型企業用戶。數據顯示，将京東的向量數據庫用于大模型預訓練，相比傳統方式，通過優化模型推理效率，推理成本降低 80%。
目前大模型在應用上的主流思路，就是調用 API。何曉冬在接受采訪時表示，這對于一些傳統行業客戶來說，這依舊有一定的技術門檻。
而客戶唯一關心的就是服務效率，隻要能将産品用起來就行。
于是團隊決定直接将技術解耦形成" 言犀 AI 開發計算平台 "，并在内部實踐中打磨産品模塊。客戶甚至不需要掌握深厚的 AI 知識，跳過中間步驟直接引入成熟的大模型能力。
之前需要 10 餘人的科學家團隊工作，現在隻需要 1-2 個算法人員，通過平台即可完成從數據準備、模型訓練到模型部署的全流程，訓練效率提升 2 倍，推理提效 6.2 倍，成本節約近 90%。
從可信、可用這兩個角度來看，京東給出的解決方案，在整個行業中打了個樣兒。
從語言大模型走向多模态數字人交互
這種圍繞産業實踐發現問題、解決問題的方法，不光體現在大語言模型上，也體現在京東産業 AI 發展的各個階段。
前深度學習時代，還很少有人期望 AI 能像今天一樣獨立成爲一個功能甚至産品，當時的目标主要集中在降本增效、體驗優化上。
2012 年京東開始應用智能客服中心，着力于用技術輔助客服提升人效，優化客戶體驗。回首看來，其中探索的三個具體任務方向：
ASR 語音識别技術、NLP 語義分析技術、數據挖掘技術。
時至今日，這三類技術對大模型的訓練影響頗深。
進入深度學習時代，AI 開始能在更綜合、複雜的場景下發揮作用。
2015 年，京東智能客服正式應用了深度神經網絡技術。2018 年，首度升級無人客服實現人機結合。在同樣 " 深度 " 的實踐過程中，言犀團隊逐漸認識到了這樣一個問題：
客服對話屬于任務導向性對話，最終是要解決真實場景的問題，與一般閑聊有本質區别。而且不同的場景，用戶對于對話的要求也不一樣，僅售前和售後就差别很大。
于是，早在 AlphaGo 掀起上一輪人工智能熱潮的那段時間，何曉冬就提出" 對話的本質就是推理和決策 "，後來他在各種場合常用 " 圍棋也叫手談 " 來解釋這個觀點。
在此思想指導下，何曉冬帶領團隊融合聲學、語義、時間等多模态特征，開發出一系列人機交互場景的 " 話語權決策 "（Turn taking）技術路線。
最近谷歌整合旗下谷歌大腦與 DeepMind 團隊，提出要用 AlphaGo 技術與 Transformer 結合開發下一代大模型 " 雙子星 "Gemini，也标志着這條路線的價值終于被更多人認識到。
再後來就到了現在 Transformer 大模型時代，京東的布局也很早。
京東在 AI 工程化方面，每天服務數億活躍用戶。以智能客服領域爲例，每年産生數百億的動态交互數據，一是數據規模大，每天提供 1000 萬智能客戶服務，每月 200 萬小時通話語音，今年京東 618 期間累計服務超 7 億次，在各種高負載考驗下，京東沉澱出了最佳實踐。
加上京東其他領域的人機交互，數據量級達到了數百億。
2022 年，京東以言犀 2.0 ——人工智能應用平台的方式将内部驗證過的技術解耦出來，開始對外輸出。
如今的言犀 AI 開發計算平台，也是延續着這個思路。
何曉冬介紹，今年起，言犀大模型正在強大工程化能力基礎上于京東場景内深度落地，在健康、金融、物流等京東衆多優勢行業可複制性的場景中率先錘煉能力，打磨出成熟可靠的技術能力。
以健康領域爲例，靠着言犀大模型的多輪交互、工具調用、總結摘要、圖文多模态等能力，打造了健康助手及輔助診療應用。
目前，健康助手及輔助診療已積累超 3 千萬高質量臨患對話，構建起百萬級規模醫學知識圖譜，涵蓋超千種疾病專業性服務，20 種評價标準保障醫療安全。
在物流領域，在言犀大模型的支撐下，京東物流超腦實現實時交互、根因分析和智能決策，并更新叠代至具備實時自動生成全局最優的供應鏈解決方案的能力。
在營銷領域，京東科技市場和平台運營團隊打造了 AI 增長營銷增長平台，運用大模型解決了諸如關鍵性任務，動态适應性、用戶體驗等問題，大幅優化了營銷運營流程，實現方案生産效率上百倍提高；将過去涉及産品 / 研發 / 算法 / 設計 / 分析師等 5 類以上職能才能完成的流程，壓縮至 1 人；同時，一個入口的全新交互模式，讓人機交互次數從 2000 次降低至少于 50 次，将操作效率提升了超過 40 倍。
接下來是正在加速到來的通用人工智能時代，何曉冬認爲一定是往多模态方向走。
當 AI 的通用能力達到一定程度，就可以不隻停留在幕後提供技術支持，而是形成産品直接面對人類用戶，甚至像未來智能體一樣更深層次與人類交互。
對此，京東雲在言犀大模型的基礎上整合了多項多模态數字人交互能力，也在數字人客服、直播等場景實踐中找到出一些心得。
比如實現了語義驅動的肢體動作編輯，通過與大模型結合讓數字人說話時的動作與語義匹配，交互更加自然。
又比如數字人動态局部高清技術，利用了人類視覺感知并不均勻的特點，對臉部特别是眼睛周圍格外敏感。通過重點區域提高分辨率，其他區域适當降低分辨率，從而降低部署成本。
在 JDD 上他們表示，言犀會進一步降低操作門檻與操作難度，讓更多中小商家與個人能夠用得起、用得上數字人服務。
……
如此看來，言犀大模型落地路線圖中強調要有 " 半年打磨期 " 的原因就呼之欲出了：
不能隻提供 API 告訴外界有這麽個 AI 能力，最終目标是爲合作夥伴提供直接可用、有端到端價值的産品模塊。
大模型時代下的京東路線
幾個月前，企業們還在紛紛搶發大模型，到世界人工智能大會搖身一變 " 大模型主場 "，各家紛紛給出自己的行業落地解決方案。
雖然看上去琳琅滿目，但若進一步了解就會發現，這些方案不可避免存在業務場景趨同、落地進展仍處于起跑階段等問題。
這與大模型技術産業化難點有關，尤其是最後一公裏的問題，往往就是能用與否的邊界。這牽涉到整個系統工程難題，并非傳統 AI 三要素就可解決。
作爲最早提出聚焦産業大模型的京東，早已感知到這種轉變，并将其更新爲全新 " 三要素 " 内涵：
場景，以往靜态的數據無法适應動态的交互，隻有活的在行業應用中的場景數據，才得以實現。
産品，單點算法不足以支撐起新的大模型。最終産品形态才具有核心競争力，并能帶動體系算法的創新和突破。
算力，單個 AI 芯片進步的速度慢于大模型算力需求的井噴，算力集群成爲更好的解決方案。
至此大模型時代下的京東路線，也就此明晰：
産業原生。源于産業、服務産業。
于是在這場峰會上，京東将自身底層能力解耦，從基礎層、模型層、到 MaaS、SaaS 一攬子技術産品和解決方案都給釋出亮相給産業夥伴。
甚至于，已經給出了明确的 " 三步走 " 戰略：
第一步，基于核心産業數據，内部構建基座大模型；
第二步，在零售、金融、健康、物流等京東内部核心業務應用；
第三步，針對金融、政務、健康等京東域外重點産業場景全面開放大模型能力，向産業輸出可用可控可信可負擔的定制化模型。
這樣一條落地路徑，也是京東再次向業内重申了自己的技術追求：
成本、效率、體驗、可信、普惠、突破。
早在 2017 年，京東提出" 技術、技術、技術 "口号，這三個技術代表了三個層次：
第一個層次是服務自己業務的需要；第二層次是服務産業的技術；第三層是探索未來的技術。
這三者兩兩耦合，形成技術與産業的閉環——基于産業的前沿創新突破，随後在内部打磨沉澱實現 " 可信 "，最終服務産業創造普惠價值。
也正是因爲基于産業的思考，自今年 2 月業内首宣産業大模型之後，京東沒再透露更多進展，直至現在才首次将自身技術積累首次亮相。
畢竟從現在發展情況來看，大模型落地的難點并不在于技術追趕，而在于産業突破。
— 完 —
點這裏關注我，記得标星哦～
一鍵三連「分享」、「點贊」和「在看」
科技前沿進展日日相見 ~
