2022年底ChatGPT的橫空出世，帶來了AI大模型的熱潮。為了讓更多企業拿到大模型的船票，明略科技推出小明助理Copilot一站式大模型AI智能助理，以瀏覽器插件形式兼顧PC/移動端網頁等產品形態，開箱即用，且具備聯網搜索功能，通過ChatPDF、對照式翻譯、營銷文案生成和豐富好用的Agent。過去一年，在持續的產品迭代與內部試水過程中，目前95%的員工已在日常工作中高頻應用小明助理Copilot，產品周活達到70%以上，初步實現了“與大模型同頻”。

明略科技觀察到，盡管一年多來技術層面AI大模型還在高歌猛進，捷報頻傳，但AI大模型在企業落地并真正發揮生產力，卻面臨無數問題。令企業老板感到振奮的大模型，卻難以在基層員工間推廣開來；一些成熟公司已擁有多種辦公軟件系統，卻不知AI大模型如何與現有軟件協同發力。

有了AI工具，如何提升生產力？為什么說大模型的出現給尚處于數字化初期的公司提供了追趕的機會？近日，明略科技創始人吳明輝做客混沌學園，為大家帶來精彩一課，《AI如何賦能職場人——大模型落地企業方法論》。

授課老師｜吳明輝 明略科技創始人&CEO

編輯｜混沌商業研究團隊

支持｜混沌前沿課

一、我的個人經歷：充分擁抱新技術紅利

2022年，當我在北大寫博士論文的時候，才發現自己的綜合資格考試報告白寫了，很多知識都發生了更新。今天在讀的AI領域博士非常慘，因為以往全世界所有從事人工智能一年的工作量，都不及今天一周的工作量大，大家如果不抓緊做出課題發表出去，基本上沒有畢業的機會。

今天，我要同大家分享很重要的一個觀點，就是不要著急。計算機剛剛出現的時候，每個人都說要從娃娃抓起，那時大家就很焦慮。事實上，我身邊許多在世界500強企業工作的CEO，幾乎都是跟我同齡時期才開始寫代碼的。所以，每一項新技術的出現都是有紅利的，最終大家也一定都會使用到，只是接觸早的人會比別人多一些機會和時間。如同《異類》一書中提出的1萬小時定律，只要比別人多花一些時間做某件事情，未來就有機會享受到某領域的競爭紅利。我創辦的公司名為明略科技，早期叫做秒針系統，是我在北大讀研究生時候創辦的，開始是做互聯網大數據的用戶分析，后來轉型做廣告分析。我們是國內最早用分布式計算系統處理海量用戶行為的數據公司，這也成就了今天我們在國內互聯網廣告數據分析的江湖地位。

大家都很熟悉彭博社，彭博社是全世界最大的金融信息服務商，而秒針是中國最大的廣告領域信息服務商，兩者頗有淵源。彭博社的創始人邁克爾·布隆伯格創業初期，立志將電腦賣給每一位投資基金，希望幫助大家快速地獲取互聯網上的金融信息，這也成就了彭博社今天在全球金融信息服務領域的霸主地位。所以，很多公司都在擁抱新技術，它們可能是將某一項新技術用到了極致，或者是第一個使用新技術從而顛覆了上一代產品，最終走出了新的曲線。

二、大模型是當下的最大機會

為什么要研究大模型？因為這是當下最大的機會，這是我的切身感受。明略科技在過去十幾年時間里發展得很順利，但是過去三年中，資本市場發生了非常大的變化，整個商業邏輯也發生了改變，我們不得以也得裁員。2023年一年時間里，我每天都在思考如何帶領團隊突破困局，如何提升士氣，在我面前非常大的一個機會就是大模型。我們團隊研究大模型也經歷了非常曲折的過程。開始的時候我每天看Paper，然后轉發到員工群中，大家的反映很平常，時間一長甚至沒有人回應了。有一天我突然意識到，天天喊大模型是沒有用的，我自己都沒有真正地用好大模型，所以我注冊了GPT，開始真正使用大模型，并帶領團隊做了一個能夠幫助大家更好使用GPT的小工具，叫做“小明助理”，員工使用后的反響非常好。

2023的10月，公司還舉辦了黑客馬拉松大賽，我在場上向大家分享了十一期間使用大模型的經歷，包括帶著女兒用GPT寫作業，用大模型思考公司戰略，以及向大模型詢問為退休同事準備禮物的建議，大模型的確給了我很多啟發。我把使用案例分享給團隊后，大家都驚訝地發現“小明助理”的用途如此廣泛。今年，公司員工已經做到了廣泛使用大模型，平均每個員工一天使用10次以上，大家不僅可以用GPT解決工作生活中遇到的一些問題，甚至可以放到自己的生產環境中用于提升生產效率，可以說，公司團隊絕大多數的同學都已經拿到大模型的船票。

三、AI大模型的本質是一個函數，小朋友都懂

大家都很容易理解函數公式y=f(x)。大模型本質上就是一個函數，就是要設計、訓練、學習出來一個函數。人工智能大模型領域常見的幾種任務，比如語音識別，就是把一個聲音的波形文件轉化成一段文字，語音識別的函數x就是波形文件，y就是轉寫的文字。比如圖像識別，圖像識別的函數x就是照片，更高級的函數x可能是視頻，它的y就是識別的任務目標。GPT其實也是一個函數，GPT的x就是Prompt，y就是給予你的回復，GPT本質上仍然是一個函數。從這個角度看，所有的人工智能都是一個函數。

大家在中學期間學習的第一個函數就是線性函數，y=ax+b，當你知道函數的兩個點，就可以得出a和b。將這個函數解出來之后，再帶進去一個新的x，就可以直接求出y了，這是我們學函數的核心目的，找出x和y之間的關系，這也是今天AI在做的事情。AI就是我們做任何一個人工智能領域的任務，這個任務本身就是一個函數。這里面的（1，2）和（-1，6）是什么？就是訓練的數據。

當然，GPT的函數要比以往的函數復雜很多，現在全世界最火的語言模型是GPT3.5和GPT4.0，GPT3.5有1750億個參數，GPT4.0估計有上萬億個參數，這個參數就是線性函數里面的a和b。由此可見，GPT非常厲害的，它列了一個有千億甚至上萬億個參數的函數，然后代入了大量的數據和點，最后把里面的參數解了出來。我認為OpenAI是一家非常偉大的公司。OpenAI公司的創始人是Ilya，之后是前YC的總裁SamAltman，很多人在討論，到底是Ilya重要還是Altman重要，因為OpenAI的核心算法都是Ilya帶著研發團隊做的，但是我認為Altman更重要一些，因為他解決了一個核心問題，即錢的問題。解一個萬億參數的方程，少則幾千萬美金，多則幾億美金。Altman的偉大之處，在于他可以讓有錢的投資人敢于投資未知的事業，并且最終將方程式解了出來，這是一個改變世界、改變人類的偉大發明。

四、AI在企業落地：大模型產生生產力的根本邏輯

回到企業視角，明略科技是做ToB業務的，在同其它企業CEO、CIO、CMO聊天的時候，我發現大家對于大模型的出現都感到很興奮，很多公司都建立了人工智能小分隊，但嘗試幾次后發現效果并不理想。有一些人認為是因為國內的模型不行，他們嘗試使用國外的，結果也并不好。我認為，一個想真正落地大模型的企業，如果還保持著上述思路，你與大模型就今生無緣了，因為大模型并不是參數越多，推理能力越強，越能解決自身的業務問題的。

現在，OpenAI已經把參數做得非常高了，它擁有的是互聯網上的通識知識，如果訓練得足夠好，它可以擁有清華、北大優秀本科畢業生同等的認知能力。但即使擁有了這種認知能力，就能確保大數據在企業中可以做好很多工作？答案是否定的。實際上，現實生活中很多優秀的本科畢業生在企業里發揮的作用并不理想，這是我們需要特別思考的。

值得注意的是，并不是模型的參數決定了它是否能在工作中有效轉化成生產力。有一些任務，即使用很小參數的模型也能解決，還有很多的問題，即使發展到GPT7.0階段也未必能解決。GPT3.5、GPT4.0的參數一直在上升，其主要目的在于自身迭代，要持續更新自身的核心能力。

五、國內的大模型不能用嗎？

在同清華大學計算機系教授、智譜AI首席科學家唐杰老師聊天的時候，我提出了一個問題，智譜AI需要在哪方面著重加強，才能追趕上OpenAI？唐杰老師的回答是加強推理能力。推理能力是什么？其實，人類所有的智慧工作都可以稱之為推理能力。當不知道一個模型好壞的時候，我建議大家可以向大模型提出一個問題進行檢測，“美國的哪一個州跟其他的州不接壤”，這個問題的正確答案是阿拉斯加和夏威夷，它需要大數據知道美國的地理情況以及州和州之間的關系，但是很多模型的答案都是答非所問。這方面，國外LLaMA2等幾個開源模型做得還比較好。

難道國內的大模型無法使用？我的答案是可以使用。比如人們向大模型提出問題，“湖南和湖北這兩個省會，哪個人口更多一些”，國內的大模型往往會卡住，因為它根本沒有理解這句話的意思，但如果通過操作把它的CoT能力調出來，大模型就有能力將答案推理出來。這如同一名新員工剛剛入職一樣，只要公司給它的任務拆得足夠細，他就能干好，甚至完成的情況不比清華、北大的畢業生差。我深切地感到，大模型的學習、發展和應用的過程，同人類從小的學習發展過程非常相像，兩者是完全可以類比的。我們講大模型的迭代能力，就是要提高它的推理能力，而推理的過程需要信息。今天人們想將大模型應用到公司之中，但是大模型并不知道公司原有的生產資料和信息系統。人們花費大量資金，要解決的問題是什么？是它想不斷地學習知識，從而提高自己的推理能力，它的最終形態是模型，而不是信息。它在企業中的價值是提供一個好的模型，所需要的是人們將信息找過來。

六、大模型在企業落地的好工具：Agent&Copilot

理性和感性的區別是什么？從哲學講，最大的區別是理性是有目標的，而企業最核心的就是要有目標。正是因為企業是有目標的，企業中絕大多數的生產活動也都是理性的活動，而所有的理性決策、理性活動都需要有對應的理性決策模型和信息。現在，參數在不斷提高的過程中并沒有增加信息，不斷提高的參數只是讓模型的推理能力變強大了。做個類比，模型是f，信息是x，只有把正確的x給到強大的f模型，才有可能算出正確的y，才有可能輔助企業的理性決策和下一步行動，這是企業大模型不好用的核心原因。

除了大模型，當然還有更高級的用法，比如Agent。Agent的本質就是模型和信息，好的Agent可以把語言模型跟Memory、Tools、Planning的能力有機地組織起來。所以，Agent是今天做大模型創業或者企業去落地大模型使用的非常有效的一種手段。OpenAI也好，國內的大模型也好，它們都如同優秀的大學畢業生，雖然它們都是文科生，但勝在足夠聰明，閱讀理解能力非常強。Agent本質上就是通過大模型的Planning能力，把大模型本身的語言能力、推理能力跟外部的信息系統和知識全部連接到一起的綜合性系統。對于擁有大模型的企業而言，將公司信息跟語言模型有機結合起來，相對便捷的方法就是使用Agent。幾個月前，OpenAI發布了GPTS，它是一個用來生成Agent的工具，其核心就是連接了一些常用的信息或者知識，把這些信息和知識給到OpenAI的標準接口，OpenAI就可以基于這些知識去解決一些問題。在企業中，真正想把信息系統整理好，并且能夠跟大模型連接起來，需要解決諸多難題。最簡單的方法就是使用Copilot。

Copilot是什么？它跟Agent有何關系？pilot的意思是駕駛員，Co-pilot的意思是聯合駕駛或者副駕駛，即開車時旁邊坐著的那個人。人們最理想的狀態是讓汽車變成無人駕駛，但成本和代價很大。在Copilot中，主駕駛還是人，副駕駛的職能是協助人做一些決策和操作，甚至完成主駕托管的任務，但最后的決定權仍在人類手中。小明助理存在的意義就在于此。

七、哪些行業可以使用大模型？首先是服務業

哪些行業可以使用大模型？哪些工種可以使用大模型？這也是一個很重要的問題。任何行業要想真正用好大模型，真正地創造生產力，都需要把大模型本身產生決策的能力跟最終的行動有機聯合起來，如果兩者無法鏈接，是無法產生生產力的。人們稱呼人工智能為下一次工業革命，到底是誰革誰的命，這是一個很重要的問題。蒸汽機和電機的發明，讓工廠革掉了手工作坊的命。我自己有一個觀點，首先開始的將會是服務業革命。比如我們從事的是軟件和分析咨詢的專業服務領域，而GPT的出現帶來了大量復制的可能性，它可以讓人們的腦力勞動被機器自動化或者半自動化地生產出來，像軟件公司、市場研究公司甚至律師事務所等專業服務機構會出現一些兼并、收購、整合甚至革命的情況。在人工智能發展的今天，制造行業、廣告行業都可能面臨重構，人工智能會讓過程更加高效，并且打破中間環節的很多瓶頸。但這并不意味著人工智能會造成大規模的失業，能力提升后，需求也將隨之增加，大家還是有工作可以做的。

八、大模型落地企業的核心是知識工程

企業迎接大模型時代的第一個命題，就是要解決公司的知識工程問題。同時，人們也要思考每個人自己的知識工程是什么。現代認知心理學將知識分為兩類，一類叫陳述性知識，一類叫程序性知識。編程知識屬于程序性知識。例如，大象是一種動物，這是陳述性知識。把大象放到冰箱里面分幾步，這是程序性知識。Prompt（提示工程）和CoT（思維鏈）技術是大模型革命性能力發現的重要組成部分，其意義可以媲美人類文字和印刷術的發明。CoT的重點是把程序寫清楚。在小明助理中，只要簡要地表明你的目標，它就可以將Prompt模板寫出來，非常方便。管理大師野中郁次郎的《創造知識的企業》一書中提出，每個企業中有暗默的知識，也有顯性的知識，企業最核心的就是要把這些知識管理好。在大模型時代，這些知識不僅存在于每名員工的大腦中，存在企業的文檔庫中，甚至存在于每次會議的錄音之中。甚至有一天，大語言模型可以直接執行錄音里面的知識。這就如同一個非常聰明的清華、北大畢業生在你身邊當助手，你需要做的就是每天拿資料同它交互，就可以高效地提升效率。未來，企業的知識管理邏輯也將發生巨大的變化。Prompt和CoT的出現，實現了大模型和大模型之間互相學習的設想，只要讀懂了你的指令，大模型就可以將這些指令執行得非常好，并且下一個人可以立足訓練成熟的AI繼續發展。每個人都站在巨人的肩膀之上，未來的人工智能發展速度會非常快。今天大語言模型出現后，很多AI擁有了通用能力，這種通用能力可以賦能各行各業，為每一個人服務。OpenAI是為全世界服務的，中國基礎模型公司做出的產品也是為所有用戶服務的，每一個做垂直應用的企業，每一個企業里面想用大模型的員工，都可以將模型拿過來直接使用，這是一項非常偉大的變革。

九、知識與數據的安全考量

企業在整理數據和知識的時候，不僅要考慮如何規劃數據、知識，同時也要考慮權限問題，如果企業將所有權限全部交給OpenAI，容易引發商業機密泄露。

我的建議是選擇兩個維度四象限的邏輯進行分析，包括數據的公開程度、執行任務的推理復雜性等。對于一些低密集又需要高難度推理能力的，可以直接使用在線大模型；對于一些高密集且推理能力不高的，例如財務信息、HR信息、研發產品信息等，可以部署一個私有化模型。企業要做的，就是把對應的密集問題想明白、分好級。