北京时间5月14日凌晨，美国人工智能研究公司OpenAI在线上举办了“春季更新”活动，发布了新旗舰模型“GPT-4o”，可以实时对音频、视觉和文本进行推理，包括视觉、联网、记忆、执行代码以及GPT Storexk星空体育等功能，将对所有用户免费开放。

　　非常巧合的是，5月13日晚间，腾讯研究院发布《向AI而行，共筑新质生产力——行业大模型调xk星空体育研报告》，成为业内首份行业大模型调研报告。

　　一边是通用大模型的提质升级，另一边是行业大模型的快速崛起。两者属于什么关系，对于产业提质增效又有什么帮助呢？

　　大模型的参数规模远大于传统深度学习模型。传统模型参数量通常在数万至数亿之间，大模型的参数量则至少在亿级，并已发展到过万亿级的规模。如 OpenAl 的 GPT-1 到 GPT-3，参数量从 1.1 亿大幅拉升到1750亿，GPT-4非官方估计约达1.8万亿。

　　大模型能够有效处理多种未见过的数据或新任务。如 OpenAl 曾用GPT-4参加了多种人类基准考试，结果显示其在多项考试中成绩都超过了大部分人类（80%以上），包括法学、经济学、历史、数学、阅读和写作等。

　　大模型可以实现多种模态数据的高效处理。比如 OpenAl的 Sora模型一经推出便掀起了全球多模态大模型的发展新热潮。

　　通用大模型存在“不可能三角”问题，即在专业性、泛化性和经济性三方面很难兼得。

　　同时，在具体行业中，很多机构从自身需求出发，采用大模型还有两个关键考量因素：竞争和安全。

　　为有效提升竞争力，机构会尽力寻找性能最佳的模型，并利用行业专业数据或私有数据的独特资源，对模型进行定制调整和优化。目前GPT-4等市场头部通用大模型多为闭源，通过网页、APP应用服务大众用户或以API标准化调用的方式服务开发者，可定制化调整的空间较小。

　　另一方面，从安全角度考虑，大模型不仅涉及机构私有数据的调用，还会与机构的业务、流程结合（如 copilot 方式），这使得大模型使用越深，越需要重视安全可控。通用大模型通常基于公有云提供服务，会造成机构对私有数据、敏感数据安全的担忧。

　　由此可见，通用大模型与行业/机构具体需求间存在差距，行业大模型成为弥合技术与需求间差距的必然产物，能有效支持各行各业加速落地大模型应用。

　　行业大模型是与通用大模型相对的概念。通用大模型侧重发展通识能力，行业大型则侧重发展专业能力。从行业实践看，行业大模型不仅指开发一个行业专用的模型本身，更多还包括基于通用大模型调整和开发的行业应用。因此，广义上行业大模型可以归纳为：利用大模型技术，针对特定数据和任务进行训练或优化，形成具备专用知识与能力的大模型及应用。

　　行业大模型大多在通用大模型基础上构建。通用大模型具备丰富的知识和强大的泛化能力，不仅能为行业大模型提供广泛的知识基础并提升交互体验，还能显著节约从头训练模型所需的大量数据和算力资源，大幅提升行业大模型开发及应用的效率和效果。

　　通过对通用大模型进行提示工程、检索增强xk星空体育生成、精调、继续预训练/后训练等方式，模型能够更好地处理特定数据或任务，从而生成行业大模型的版本(模型有变)或具备行业大模型的功能(模型不变)。今天市场上很多行业大模型，如金融、法律、教育、传媒、文旅等，大多是在Llama、SD、GLM、Baichuan 等国内外主流开源大模型基础上构建。

　　调研发现，多个行业都已经开始探索大模型技术在各生产环节的应用落地，具体涉及研发/设计、生产/制造、市场/销售、客户服务、经营管理等环节。但因为行业不同，进展有快有慢。

　　整体而言，影响行业应用大模型速度有两个关键因素:一是数据可得性，高质量数据越容易获取、进展越快，如数字原生行业；二是需求适配度，行业的核心业务与大模型创意生成和交互能力越匹配、进展越快，如生产性服务业。

　　深入行业环节纵向来看，当前大模型技术渗透呈现出类似产业微笑曲线的特征，即:在产业链高附加价值的两端(研发/设计和营销/服务)，大模型应用落地较快；而在低附加价值的中部(生产、组装等)，大模型应用进程较慢。

　　2024年政府工作报告明确提出，要“深化大数据、人工智能等研发应用星空体育手机版，开展‘人工智能 +’行动，打造具有国际竞争力的数字产业集群”。

　　在国家推进新质生产力的背景下，人工智能已经成为经济发展的核心动力之一。未来，国家将加大力度推进通用大模型和行业大模型应用，引导更多行业领域开放应用场景，加强典型应用落地的示范，让人工智能更好赋能千行百业。