9月11日-14日，由钛媒体与ITValue共同主办的2024 ITValue Summit 数字价值年会在三亚举行。此次峰会主题为“Ready For AI”，交流经验教训，交叉行业思考，推动创新交易，以创新场景为基础，共同探索AI驱动下数字经济时代的全新机遇，共同打造一场数字经济时代的AI创新探索盛宴。

大会上，亚马逊云科技大中华区产品部技术专家团队总监王晓野发表了“GenAI驱动场景创新，释放业务价值”的主题演讲。

此外，数据基础非常重要，王晓野提到，大模型系统先天就具有幻觉现象，无论是模型也好，还是与模型一起构建的系统也好，从数据的视角看，系统永远是“垃圾入垃圾出”，或许让企业真正发挥业务价值的答案，就在数据里。

最后他表示，企业在选择大模型合作伙伴时，需要有两个方面的能力，一方面是基础技术能力，云厂商从整个算力到数据能力，以及人员支持上能与企业共创。

“从云厂商的视角看，此时此刻是技术变革的转折点，这是前所未有的重塑业务的最佳时机。“他说。

以下为王晓野演讲内容，经钛媒体整理：

近些年来云计算爆发，越来越多的企业拥抱云计算，推动了从数据到算力，乃至于云计算整体的发展。过去的模型被生成式模型逐渐替代，它在很多的场景下比小模型有更好的表现。

2024年IDC预测全球40%的企业会在AI上投资，到了2025年是68.6%。现在各位有没有这样的感觉，AI是不是到了像之前的元宇宙一样，走到向下行或者这一波浪潮结束的阶段。

给出答案之前，先来看看我们的合作伙伴法拉利。法拉利在使用AI技术定制化汽车的颜色，以及赋能几千名维修人员，同时生成式AI也广泛加速汽车模拟场景的AI应用。

回到刚才提的问题，如果说2023年大家处于FOMO（Fear of Missing Out）的状态，追着我们问，什么是大模型，大模型能做什么，我们能在什么场景用。到了2024年，客户跟我们谈得最多的是实际的问题，这个模型后还能不能再便宜一点，能不能用其他的模型替换。这一年AI话题虽然被讨论了很多，但还只是一个开始，相信下一个时代，由于技术的改变，各行各业会更积极地拥抱AI。

我们很早以前就推荐给广大企业，拥抱生成式AI的路径。即从业务场景开始，再准备数据，必经的过程是企业对自己的数据进行定制，最重要的是后面的工程化和应用集成，并服务到业务中。这个过程不是一蹴而就，需要持续地迭代。直到今天这个过程完全没有变。

大模型的关键，在于匹配场景

我想强调的一件事情，还是从场景出发，企业自身的场景，而且反复迭代。今天所有的大模型，我们都认为它是三头六臂，但一定要从企业最想要的功能出发去选择，这个三头六臂有的练的是铁头功，另一个练的是麒麟臂，一定要匹配您最需要的模型。

以亚马逊云科技自身来讲，我们自身应用AI的场景是不一样的，我们推出了生成式AI快速总结客户评价；如果想给一个小姑娘买圣诞礼物，我们推出专业的AI购物助手；在药房的场景下，可以从非结构化的处方信息快速提取用药信息，帮助药房捡药，告诉病人如何使用药品。每个场景背后都不是相同的模型。

虽然有些场景看似眼熟，但细分关注的信息和需要的能力不一样。比如翻译，文章翻译和实时翻译，推理的速度要求不一样，在时效性要求高的场景下，企业要关注的是模型是否能以比较低的成本高速响应需求，满足场景。

在智能运营场景，对于用户声音、客户评论情感的分析，以及对应词条背后逻辑关联的梳理。SHULEX致力于赋能品牌出海，对于用户的流程有10%以上的效果提升。

在品牌宣传营销场景，我们看重的是模型的个性化、丰富程度。例如赛狐ERP，利用大模型生成文案，同时可以控制生成关键词，不仅实现文案生成效率的提升，还植入亚马逊云科技检索的关键词。

对于风控场景，我们看到的是模型对于内容的理解，以及对于审核标准的执行，今天多模态的模型，除了文字、语言，还有类似游戏聊天窗口发的图像。连续多模态语意的理解，这是过去模型做得不太好的地方，目前沐瞳科技实现了90%以上的辱骂识别率。

Ready for AI，数据先行

在模型之外，数据的重要性不言而喻。

无论是模型也好，还是跟模型一起构建的系统也好，从数据的视角看，这个系统来说永远是“垃圾入垃圾出”，无论是训练模型还是通过知识库，喂给系统什么样的数据出来就是什么样的效果。

今天生成式模型原理上存在幻觉，或许让企业真正发挥业务价值的答案，就在数据里。

从Data for AI看，企业额外投入的是这几个层面：第一，迭代模型视角，有没有足够的能力为模型准备优秀的数据，有没有建立数据的闭环；第二，在整个模型应用的过程中，数据如何高效提供给业务，比如知识库可以检索公开数据，调用海量的知识。假设今天搜索场景高并发的情况下，能不能提供在线服务和线下海量交互生成的数据循环回来，为模型服务的数据能力是否具备。这些场景都是企业需要投入和思考的。

如何应用数据定制企业自身的独立特点？我们可以做PE（Prompt Engineering)，可以做RAG，可以微调。很多人走了认知上的弯路，这不是我们技能上出了问题，是整个行业都在摸索、共创、探索。

刚才提到数据服务AI，如果没有做好元数据管理，企业有什么数据不知道怎么用，那就是一个挑战，也可以说是新的机会。过去我们只能基于表格或者数据库整理数据，通过人工梳理的元数据，今天有非常多的数据用到模型的能力，重新定义元数据管理。

举个例子，在汽车自动驾驶领域，驾驶数据实际上只有1%真正可以用来做模型训练，或者是对模型训练的结果有用。多模态对场景的理解是非常好的机会。全球已经有非常多的数据厂商都走向这个方向，包括做数据集成，他们已经推出生成式管理。Data for AI这件事在数据管理上又是一个新的机会。

回到数据能力，数据能力好意味着什么？有几个例子，第一个是WPS，基于过去PPT生成模板，在短短的几个月内帮他们实现两个场景，一个是文本的润色翻译，二是PPT自动生成，大模型完成大纲生成和详细描述，背后的模板生成都是常年积累下来的数据。

当企业构建一个应用时，我建议大家加强数据技术的能力，同时要关注选择什么样的项目。不知道如何立项时，从自己的客户，无论是内部、外部，还有自己的场景出发，背后还有非常重要的一些事情，人员的技能。

对于生成式AI，要求的技能完全不一样，包括工程化的技能、生成式的图片，如何管理隐私数据的保护，这些事情过去都是要做的，只是生成式AI的要求更高，对企业需要投入的资金，以及能力、精力提出了前所未有的标准。

快速总结成功企业的经验，一是要针对业务场景了解模型的能力，而不是本着不变的模型不断地试不同的场景。第二是数据的基础非常重要，第三，如果说选择合作伙伴，需要有两个方面的能力，一方面是基础技术能力，云厂商从整个算力到数据能力，以及人员支持上与企业共创。同时，我相信我们的企业在未来的投入的比例上，数据、人才和背后整个公司对于AI数量的投入占到未来企业精力50%以上。

从云厂商的视角看，此时此刻是技术变革的转折点，这是前所未有的重塑业务的最佳时机。借用法拉力的话结束今天的演讲，最伟大的法拉利永远是没有设计出来、制造出来的下一款。

以上是我的分享，谢谢！