AI大模型进入行业大模型时刻，腾讯让大模型的商业化进程得以加速

一直在期待大模型的落地化场景，没有想到真正冒出头来的竟然是我们国内的公司，真是令人鼓舞！

6月19日，在主题为行业大模型及智能应用技术峰会上，腾讯云并没有像此前的谷歌、微软或者国内的百度、阿里一样，布局一个基础的通用大模型，而是立足不同企业的场景需求，提出了全新的行业大模型 MaaS（Model-as-a-Service），探索出了一套行业大模型精选店的方式。令人兴奋！

大模型商业化落地的难点

1.数据与算力引入成本高。要在企业范围内部署与应用大模型，需要投入大量资源整合数据与算力，这使得大模型商业化门槛本身就很高。

2.模型生态落地难度大。大模型并非孤立存在，需要相关的开发工具、部署环境、应用接口等来实施，整个模型生态的落地与部署具有较高难度。

3.应用成本与风险较大。大模型的开发、优化与管理成本较高，且具有一定的商业风险，这也使得企业在投入大模型应用上存在较大障碍。

4.商业变现机制不明晰。企业在投入大模型应用之前，通常需要清晰其商业变现机制与盈利模式，但在许多场景下难以准确判断，从而抑制了商业化决策。

5.隐私与安全问题难以避免。大模型的训练和应用离不开用户数据，但数据隐私与安全一直是人工智能发展面临的重要障碍，这也严重阻碍大模型的商业落地。

6.人才储备不足。大模型商业化需要大量掌握人工智能、大数据与云计算技术的人才来推进，但目前来说，这类人才还相对稀缺。

行业大模型出现的至关重要的意义

1.行业大模型是大模型商业化的必经之路。大模型要真正在社会范围内落地应用，必须要深入理解各行各业，提供定制化解决方案，这当中就需要发展成熟的行业大模型作为基石。

2.推动人工智能创新，由宽领域向深领域转变。人工智能发展初期侧重于广域知识与通用能力，随着应用深入，也需要在垂直领域实现更深度的理解与优化。

3.加速大模型与行业数据资产的结合。大模型要在行业内深度应用，就需要利用行业数据资产进行知识学习与优化。行业大模型使大模型可以更方便地使用行业数据，会加速大模型技术与行业数据资产的有效结合。

4.拓宽大模型的商业应用场景与模式。行业大模型使大模型不再局限于某一个或某几个领域，可以在各行各业场景下进行应用，这极大拓展了大模型的潜在商业应用模式与场景，为其持续创新与变现提供了更广阔的空间。

5.打破大模型商业化瓶颈。大模型商业化面临着数据与算力要求等难题，行业大模型可以利用行业的数据与基础设施加以突破，这有利于降低大模型商业化的门槛，为更广泛的企业应用奠定基础。

腾讯在大模型方面的优势

1.海量的人工智能与行业数据资产。腾讯拥有庞大的人工智能数据与行业数据资产，使其可以构建规模更大、知识更丰富的大模型。利用数据资产开展差异化竞争，这是其他企业难以复制的。

2.强大的云计算与基础设施。腾讯云具有领先的云计算能力与人工智能基础设施，使得其可以为大模型的开发、训练与部署提供稳定可靠的技术环境与算力支持，使其在数据与模型的管理运维上具备重要优势。

3.开放的平台生态与产业合作网络。腾讯拥有开放的人工智能平台与广泛的产业合作关系，可以吸引更多企业、开发者与合作伙伴参与到大模型的开发与应用中来。从而与更多行业领袖开展深入合作，实现大模型产业落地。

4.强大的产品运营与商业变现能力。腾讯具有强大的产品运营与商业变现实力，在大模型产品和服务推出后，可以迅速实现落地应用与商业变现，也让快速推出创新的产品与服务成为可能。

虽已看到曙光，但依然道阻且长。

虽然早在2017年，微软就提出了 MaaS（Model as a Service）概念，并基于 Azure 机器学习平台提供了模型即服务的功能，允许开发人员部署和访问预构建的机器学习模型以实现预测和推理。Google 也在其人工智能平台上提供了类似的模型服务组件。

但腾讯云提出行业大模型 MaaS，更像是在这个基础上进行的一种拓展与创新，强调采用行业定制的大模型来构建 MaaS 服务，使其可以实现更深入的行业赋能与价值创造。这体现了迈向行业深度应用的思考。

从目前的技术实施和产品化水平来看，MaaS 还无法算作成熟的行业大模型方案。进一步积累行业数据与知识，进行深度定制与优化，真正达到深入理解行业知识与解决行业问题的程度，还需要一定的时间与发展。