数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。
2024年初，风口之上的大模型（LLM）及AIGC（AI生成内容）继续突飞猛进、蓬勃发展，OpenAI Sora视频模型问世让视频自动生成有了革命性的突破、互联网上的大模型服务及AIGC应用几乎每日都在新增且能力越来越强、RAG（检索增强生成）及外挂向量知识库方案日渐成熟让大模型走向特定场景包括企业场景应用成为可能，凡此种种，大模型和结伴而生的新一代AI应用（包括AIGC）有市场、有技术、有资金、有成效、有预期的兴盛状况，已然清晰地告诉我们，这不止是风口，而是真真切切的大趋势。
趋势之下，各行业和各领域都有很多的机构和人员对应行动起来，有做应用建设的、有做方案验证的、还有尚在学习考察的，知识管理领域也有不少的探索和尝试，如智能回答专业问题、自动生成专业报告或摘要等，且因为大模型及AIGC很大程度是在提升计算机处理及生成“知识”的能力，与知识管理的业务场景和期望目标契合度很高，就更会引发“知识管理与大模型相关关系、融合方案”等这类议题的关注及探讨，这些，对知识管理整体行业能紧跟趋势、进步发展是很有必要、有着巨大价值的。
回到本文的题目，大家可能就会有疑问了：“既然是趋势，又高度契合，知识管理要用大模型，这还是个问题么？”，从长期发展和行业前沿来看，这个当然不是问题，例如，华为的知识管理已有大模型的应用、电网/核电等行业的头部企业也在制定基于大模型的知识管理应用方案，但是，绝大部分企业都不具备华为、电网/核电头部企业的知识积累、管理基础、及资金投入，不可能简单照搬他们的实践和做法，那么，“按照企业自身的能力和所处的阶段，开展知识管理要不要用、能不能用、怎么用大模型”就变成一个很重要的问题了。作为常识来说，对于已成趋势的业务、技术、管理，如果当前“有需要、有基础、有投入”，那肯定就是要做的事了，企业知识管理中大模型的应用也遵循这个规律，所以就按此三个方面、进行如下的考虑和分析：
1.当前企业开展知识管理，是否有应用大模型的需要
这个问题，我个人觉得，应该是其中最难回答的一个问题，究其原因，“需要”是个偏主观而非客观的概念，按不同的角度，有不同的理解和考量。举个例子，iPhone作为智能手机的鼻祖被创造出来的时候，绝大部分人没有想过会用上这样的手机，但是看到它后，绝大部分的人又希望能用上这样的手机，你说它是有“需要”还是没“需要”?
企业知识管理中大模型的应用，看起来也是处在“等待iPhone诞生”的这个阶段，我们需求一个精准回答企业各类业务问题、输出高质量知识内容和成果的“大模型知识管理应用”，这个目前基于互联网的通用AIGC显然做不到，但尚处于襁褓中、还在探索和研发的这类产品和应用，因为其能力和满足上述需求的程度我们还不清楚，因此无法准确判断是否需要。
这个局面下，对于企业来说该怎么办呢，坐而等待产业界“薛定谔的猫”一样的“大模型知识管理应用”出现并揭晓答案，毕竟从趋势和进步的速度上来说，总有它诞生的一天？当然不能！企业需要判断自身知识管理的状况和基础，快速而有效地开展行动起来：一类是知识管理基础薄弱、开展状况有形无实和成效不理想的企业，这类企业占大多数，不客气地说根本把握不住“大模型知识管理应用”带来的机会，得抓紧这个时间窗来打基础和补课，这个在第2节来展开阐述；另一类是公司整体或至少在某个领域的知识管理基础扎实、收效和成果突出的少量“学有余力”的企业，则需要清晰策略，积极探寻和推进大模型应用的场景和方案。
上述第二类具备出色知识管理基础和效果的企业，在目前状况下到底应该采用什么样的策略来推进大模型应用呢？答案是场景聚焦、逐点突破带动全局应用。例如聚焦在客服机器人甚至只针对某个产品/某类用户群（如第一次咨询的客户、内部客服人员等）的客服机器人应用，先解答好产品标准功能的咨询问题、再解答动态的产品故障及售后服务咨询问题等。这个具体的项目还在摸索中，这次不详述，简要概括下推进过程中我认为重要的方面：
· 明辨AIGC适宜的场景：从应用效果看，AIGC具备快速大量产生内容的优势，但也伴随着投入较高、内容不够精准的问题，所以更适用于“内容”大量而高频产生的场景，例如要全天候解答大量客户进行问题咨询的场景，而专业人员进行故障诊断及根因分析、小团队进行专项数据查阅等场景，内容产生的频次和数量少、精准度要求高，AIGC难以发挥关键性作用，需要另行考虑故障知识图谱、专项关系型DB的方案。
· 做好ROI分析：在启动和过程中的投入发生、实际开展工作前，进行投入产出比分析，是把“需要”的分析判断从主观变成客观的主要方式，当然，出于AIGC易于推广及扩展、市场空间大及变现能力强的特点，进行投入产出设计和分析时，要做到视野开阔、具备经济头脑和经营思维，这个在第3节来展开阐述。
· 迭代式开发及推进：这个很好理解，对于AIGC这样高度创新的项目、且行业和技术尚在快速演进发展，采用迭代式开发及推进的方式，能有效控制风险、做出更高价值、满足用户需要的成果。
2.当前企业开展知识管理，是否有应用大模型的基础
上一节抛了个观点，大部分企业因为较弱的知识管理基础和有形无实的开展状况，把握不了大模型应用带来的机会？这不是危言耸听，更不是盲目悲观，相反那些知识积累多、管理基础好的企业，我极度看好大模型带给他们的价值，一旦开始应用，他们是能在短周期内看到大效益的。为什么会存在这么大的差异，分析下大模型建设和应用的特点及方式就清楚了。
对大模型有所了解的人都知道，其能力和效果，主要取决于模型规模（又依赖于参数量和算力等）、输入数据集的丰富程度及内容质量。对一般仅应用而不是提供大模型基础服务的企业来说，模型这个部分自己不做市场上可选择的也多，模型选定后，以当前已基本成型的RAG方式接入外挂向量知识库作为输入给大模型的自有数据集，因此，向量知识库中向量化知识内容的数量及质量成为决定性的要素，而它的状况又进一步由企业过往积累和管理的“原料知识”的数量和质量所决定。
简言之，企业过往知识管理的基础和状况，极大程度上决定了其建立和应用大模型的能力。把上述过程对应到实际场景中，一家管理精细效率高、知识管理基础好的公司，给大模型和外挂向量知识库输入的是全面丰富、有效实用的各类知识：各业务领域清晰的流程规则、各项技术或专业工作细致的标准规范、简介清晰的产品和服务说明、总结到位的一线优秀实践经验案例、齐备成套的项目全过程资料（目前少量开展知识管理的企业能做到的）…
而一家知识管理乃至管理基础薄弱的公司，给大模型输入的则是过程和方法不统一、输出不齐备、缺失一线经验方法的零散文档资料（目前大部分企业的状况），对比两家公司所建大模型的能力、AIGC能产生的内容质量及其价值，结果不言而喻。再把大模型的建设和应用放在还会进行迭代更新的一段时间来看，两家公司的差距会持续拉大，第一家公司在大模型应用的支持下，以更高的效率生产更多高质量的成果和知识，继续输入给大模型提升其能力，形成不断加速的正向提升的飞轮；而第二家公司则在“Garbage In， Garbage Out（垃圾进、垃圾出）”规律的作用下，得不到收效或进步或进入到不断恶化的负向循环中。技术和工具的应用，作为放大器让“强者愈强”的效应，在过往的历史进程中早已被证明（手工业者工作效率的差别最高为数倍、机器工业时代工人工作效率的差别最高为数十倍、信息和知识经济时代知识工作者效率的差别可达百倍），像大模型和AIGC这样的高度智能化工具的应用，带给从业者和企业间效率的差距简直难以想象。
所幸的是，在趋势已明、落地应用尚在探索实现的当前，还有一段不会很长的时间窗口，让知识管理基础薄弱的公司可以追赶和补课：围绕大模型所需要的丰富全面、高质量知识的输入要求，一定要建立起有效和实用的公司级至少是领域级知识及知识管理体系，梳理及规整各来源各类别的知识、对各个重点业务活动的优秀实践经验进行提取、建立例行回顾机制让员工持续总结和分享经验，这一方面是为大模型准备好知识输入、一方面是提高员工的专业素养和能力，从而真正把握住大模型应用带来的重大机会。
3.当前企业开展知识管理，是否能负担大模型应用的投入
新工具/应用的建设，是需要投入的，越是强大的工具/应用，需要的投入越大，大模型当然也是这样。当然，如第1节所说，在评估和考虑投入的时候，不仅要看投入的绝对值，更要看投入产出比ROI。不同企业计算及认可的大模型ROI肯定是不同，没有一个统一的标准，这里重点说说为缓解大模型的投入压力，可以采取的一些策略。一个策略是大家都比较容易想到的缩窄用户/应用范围、采用开源的大模型产品等，还有一个根据大模型的特点和优势，可以采用的一个策略，即将所建立的大模型及AIGC应用快速进行商业化，通过来自用户/客户的收入来补贴自己的投入。
大模型应用为什么容易商业化，是因为大模型在达到“人工通用智能”（AGI）的能力上，比其它AI技术强得多，也就是说大模型的建立，对内可以为一个业务领域或全公司的全体人员提供服务（也对应到第2节所说的要建立起公司级至少是领域级的知识管理体系），对外也可以为相同/相关行业的公司或人员提供服务，在对内服务的版本上，去掉一些不能对外公开的敏感数据后，企业可以快速搭建起为上述外部客户提供服务的不同版本的大模型应用，头部企业的知识对这些客户的价值明显、因此比较易于推广，而企业不仅能借此获取收入，更能通过专业知识的输出扩大市场影响和客户群、甚至在一定程度上形成本行业事实上的标准（想想为什么华为和特斯拉会开源鸿蒙和新能源车设计程序），这对企业来说可能是更大的收益。
总的来说，大模型及AIGC应用具备易于推广及扩展、市场空间大及变现能力强的特点，可以结合企业的经营、以更开阔的视野和更经济的做法，而不局限于只在内部应用，来考虑能增加的收益和减少的投入，甚至可能直接变成盈利的业务，避免因投入不足而错失机会。
声明：本文来自网络，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。数字化转型网www.szhzxw.cn
数字化转型网人工智能研习社包含哪些内容
数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。
本文由数字化转型网（www.szhzxw.cn）转载而成，来源于网络；编辑/翻译：数字化转型网默然。
