AGI 新时代，企业如何用 AI 提升生产力，AI 如何和业务结合，AI 如何顺利落地。在跟上百家企业聊完后，这些应用场景你得知道了。
大模型，我们说类似于一个斯坦福的大学生，拥有非常丰富的知识和理解能力。从大模型本身的具体能力看，主要分为（如下图）：语言理解（意图理解）、文本总结、文本生成、Function Call 和写代码的能力。
第一、对话助手落地场景
对话助手是最基础也是场景数量最多的应用形态，从数据获取的方式来看，主要有：
-
基于知识库数据源，先召回，再大模型回答，即 RAG 模式。
-
基于 API 查询，大模型的 FunctionCall，即对话过程中需要调用内外部系统获取信息。
实践过程中，也有许多场景会融合这两种能力。目前大部分企业的应用中，对话助手都仅对内提供服务，提升员工工作效率。实际上这类应用提供的价值更类似搜索，核心价值是高效信息传递，让用户能更快、更准的获取企业内部的非结构知识。同时，成熟度相对较高的应用基本都是即使答案错误也不会产生严重影响的场景，比如“产品使用手册问答”场景，对于大部分产品，并不会因为某个误操作导致严重后果，产品设计本身便会考虑误操作后的回退或者关键操作的重复确认。
第二、报告生成落地场景
和企业交流下来，才发现报告撰写需求如此旺盛，某些企业花在撰写报告上的人力和投入十分巨大，而报告又存在很大一部分“八股文”的套路。报告生成也自然成为了香饽饽场景。
企业场景主要以有固定模板的报告为主，并且报告基本都是几十页到几百页的长篇幅内容，涉及大量专业逻辑，想要通过一次大模型请求完成这种任务几乎是不可能的。为了生成复杂报告，可以采取分而治之的策略，即将总体问题分解为多个较简单的子问题，分别求解，并将这些子问题的解答整合到预定报告框架中。
在解决这些子问题时，并非全部适用大模型技术，因此需要结合多种技术手段，包括大型和小型模型、专家系统、专业业务系统等，以实现问题的全面解决。需要注意的是，此类应用同样不能保证生成结果的100%准确性，因此需要向用户提供易于追溯的生成逻辑和依据，以便用户对结果进行验证和审查。当然，即使一份报告内，不同章节内容的准确性要求也是不一样，用户可以专注于一些重点章节与重点指标和要素的结果确认。
第三、审核落地场景
审核类场景往往与生成类场景相伴相生，所以各类“报告生成”场景都会有对应的审核场景。
除了文档类数据需要审核，结构化业务数据也可以用大模型辅助进行审核。在和金融企业共建过程，比如：经营性贷款业务审核，这类场景主要借助大模型推理能力进行一些业务规则审核，如“抵押物是否属于房产”、“是否属于金融行业从业者”等等。从业务阶段来看，审核包含“事中”业务的审批、审核，也包含“事后”的审计、监督与质检。
从审核内容来看，包含专业业务逻辑审核、合规性和合法性审核、通用纠错（错别字、歧义等）。基于目前技术水平，审核同样只能是辅助性的，帮助审核者/提交者查漏补缺，比如：在提交审批前先进行自动审核，提交者可以判断是否需要修改，提高提交质量，降低打回概率。
第四、知识管理/非结构化数据治理落地场景
知识管理是企业数字化过程中，很大的一个课题。大模型正在重塑企业知识管理场景，从知识库构建，到知识的理解，大模型技术的语言能力大大降低了知识管理的落地门槛。
这类应用的本质是将非结构化数据向结构化/半结构化数据转换。原来的数据预处理和知识管理需要有非常专业的模型设计。现在，将大段相关文本给到大模型，大模型对语义的理解，可以直接将非结构化数据进行结构化提取和总结。不过，有一些对实时性、准确性要求很高的信息结构化场景，大模型方案不一定优于专用模型。
第五、数据分析落地场景
数据分析是各个行业都离不开的话题，通用数据分析辅助（技术上相关概念是 NL2SQL）。企业里针对我们对不同数据维度分析的诉求，通过 IT 研发的方式，成本无疑是巨大的。而引入大模型的编程能力，NL2SQL 能力，将大大降低对数据的分析成本。
然而目前基座模型在特定业务场景下效果差，特别是企业内数据库中都有至少几十张表的情况，所以目前离业务可用较远。这种场景下，模型微调是一种解决办法，而微调需要从零开始针对性准备大量微调数据（上千条）。当大模型能很好的获得结构化数据，并理解到表之间的业务逻辑关系，那么当领导随口咨询的一个指标，都能通过 SQL 进行计算，这无疑是一项值得投资的事。不过大模型数据分析+传统 BI 的方案，离真正的大规模普及还需要一些时日。
第六、企业超级助手落地场景
大部分企业内都至少有上百个系统，而这些系统的接口则更多。是否可以有一个超级助手，能接管企业内部的 API，实现按照自然语言，合理地触达各个系统。听着很魔幻，实际上，业界也认为 Agent 这种能力是大模型的未来。
长期来看，这种应用形态可能重构整个企业应用交互形态，对于各种长尾需求或不同企业之间的定制化需求，可以通过这种更自由的交互形式得到满足。
第七、代码落地场景
大模型的编码能力，是另一个经验我们的能力，一种是编程过程中的各种辅助，类似于写作辅助，另一种是程序开发自动化，类似于“报告生成”，直接生成一个完整的项目，然后由人进行调试验收。
在 C 端，相信大部分程序员或多或少使用 AI 辅助编码。我们能感受到大模型在0到1的功能上表现优异，但是无法很好地解决需求1-10的迭代过程。而这个也是我们企业中想要解决，和不断探索的地方。
既然大模型现在这么火热，各行各业都在开发搭建属于自己企业的私有化大模型，那么势必会需要大量大模型人才，同时也会带来大批量的岗位？“雷军曾说过：站在风口，猪都能飞起来”可以说大模型这对于我们来说就是一个机会，一个可以改变自身的机会，就看我们能不能抓住了。
那么，我们该如何学习大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一、大模型全套的学习路线
学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。
三、大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。