在通用領域，以ChatGPT為代表的預訓練大模型，正在被大眾所熟知。業(yè)內也在頻繁示意：大模型在企業(yè)級或更多行業(yè)細分場景中，能不能短時間內帶來巨大的生產(chǎn)力改變。

鈦媒體注意到，目前在工業(yè)制造領域，大模型主要應用的場景可大致分成兩大類：一類是產(chǎn)線運營效率環(huán)節(jié)，如產(chǎn)品設計研發(fā)、質量控制檢測、供應鏈管理、安全生產(chǎn)等；另一類則是企業(yè)內部的信息智能，如人機交互。

在工業(yè)制造領域，大模型的落地存在哪些難題？目前普遍一個共識是，參數(shù)越高、模型越大，模型的泛化能力就越強，但在訓練這樣一個大模型的初期算力成本非常之高，同時，能不能將Prompt用好，也直接決定了微調后的模型在特定任務上的性能和準確性。

最近一段時間，創(chuàng)新奇智也計劃構建面向制造領域的預訓練大模型，挑戰(zhàn)與市場空間皆有。鈦媒體走進創(chuàng)新奇智，對外界所關心的大模型產(chǎn)業(yè)落地問題，以及企業(yè)在過去一年的業(yè)績情況進行了交流。

深入行業(yè)的大模型布局

以AI質檢為例，據(jù)鈦媒體觀察，其落地主要存在以下難點：

一是缺陷樣本不足的問題。現(xiàn)場的傳感器和采集設備往往受到環(huán)境和設備等因素的干擾，導致數(shù)據(jù)采集不穩(wěn)定、噪聲干擾等問題。同時，每家制造企業(yè)的設備型號、狀態(tài)都不一樣，可獲取的數(shù)據(jù)標準不統(tǒng)一，數(shù)據(jù)質量也比較差。

二是在模型優(yōu)化及迭代的困難。工業(yè)生產(chǎn)過程中存在各類復雜多樣的產(chǎn)品和生產(chǎn)線，不同產(chǎn)品及生產(chǎn)線的質檢標準和要求不同，因此需要建立相應的質檢數(shù)據(jù)庫和模型庫，針對不同的產(chǎn)品和生產(chǎn)線開發(fā)不同的質檢方法和算法，模型量是巨大且碎片化的。

在此之前，小樣本學習的解決方案在工業(yè)界普遍嘗試，創(chuàng)新奇智提出基于雙注意力機制的少樣本學習和基于原型的分類器學習方法，并且還通過技術創(chuàng)新，擴充數(shù)據(jù)彌補工業(yè)視覺中訓練樣本不足的問題。

2022年底，伴隨ChatGPT走熱，創(chuàng)新奇智也看到背后AIGC在工業(yè)場景中的應用空間，如交互式動態(tài)業(yè)務報表生成、智能產(chǎn)線設計等。但以ChatGPT和LLM為代表的泛場景大模型，不能有效的解決行業(yè)中大客戶對大模型的專屬需求。

“ChatGPT大模型訓練時使用的數(shù)據(jù)是公開的互聯(lián)網(wǎng)數(shù)據(jù)，大模型內部并不含有行業(yè)的或某大客戶內部業(yè)務數(shù)據(jù)知識，而行業(yè)大客戶一般不愿意把數(shù)據(jù)公開給外部技術服務商?！?，而且，“現(xiàn)在市面上也沒有現(xiàn)成可用、適用的通用大模型。”創(chuàng)新奇智CTO張發(fā)恩表示。

為此，創(chuàng)新奇智著手研發(fā)AIGC產(chǎn)品AInnoGC（奇智孔明），其核心是正在訓練的工業(yè)預訓練基礎大模型，預計參數(shù)規(guī)模在百億級別。

據(jù)介紹，AInnoGC產(chǎn)品目前具備以下五個核心能力：

 

支持Zero/Few-Shot In-Context Learning，支持客戶私有化部署；

 

企業(yè)級Fine Tune機制，通過無縫對接、高效處理企業(yè)自有數(shù)據(jù)并進行高性能微調計算，為企業(yè)客戶量身打造具備私域知識的專有大模型；

 

企業(yè)級Prompt工程支持，通過提示擴展、提示增強、結果融合等技術手段，協(xié)助客戶獲得更好的生成效果，同時實現(xiàn)反饋閉環(huán)，促進大模型迭代、優(yōu)化；

 

提供豐富的API/SDK以及Model as a Service（MaaS）服務，充分釋放大模型算法和工程化能力，加速生成式AI應用開發(fā)進程；

 

具備多模態(tài)，支持工業(yè)缺陷樣本生成、交互式報表生成、交互式故障診斷、產(chǎn)線設計生成等文本/視覺/多模態(tài)內容生成，驅動AI 2.0應用和解決方案的開發(fā)與落地。

 

談及訓練大模型可能存在的高研發(fā)投入，張發(fā)恩解釋稱，雖然訓練一個GPT大模型消耗了大量算力，但達到同樣訓練精度，需要的算力其實是在快速地下降，可能算力只需要原來的幾十分之一，可以理解成第一次交付周期和成本會比較高，后面實現(xiàn)批量化后逐漸下降，“在工業(yè)預訓練大模型這件事情上，不會搞軍備賽，務實就好?！?/p>

讀財報：毛利率提升至32.6%，平均客單價1903萬元

但是，大模型只是個引子，在AI技術浪潮尚未席卷產(chǎn)業(yè)之前，創(chuàng)新奇智依然面臨AI公司存在的常見商業(yè)難題：產(chǎn)品通用性，怎么拓展更多場景，在AI領域毛利較低。

2022年1月，創(chuàng)新奇智在港上市，根據(jù)其不久前公布的截至2022年12月31日止的年度業(yè)績，可以梳理出幾個關鍵信息：

2022年總收入達15.58億元，同比增長80.9%。從2018年到2022年，總收入復合年增長率達154.4%。

扣除股份支付及上市開支等項目后的經(jīng)調整凈虧損為1.38億元；經(jīng)調整凈虧損率為8.9%，較2021年度降低7.6個百分點。

毛利方面，整體毛利潤實現(xiàn)5.07億元，同比增長89.7%；整體毛利率實現(xiàn)32.6%，較2021年度提升1.6個百分點。財報指出毛利實現(xiàn)增長的幾點原因：1、產(chǎn)品的標準化提升及交付周期成本減少；2、規(guī)?；瘞聿少彽慕档停?、頭部客戶到腰部客戶的發(fā)展。

從業(yè)務成分上看，「AI+制造」業(yè)務板塊收入達9.48億元，同比增長111.2%，營收占比60.9%；其次是「AI+金融」業(yè)務板塊收入達3.82億元，同比增長39.5%。

創(chuàng)新奇智CEO徐輝在媒體交流會上表示，“創(chuàng)新奇智不會做系統(tǒng)集成商，希望深耕行業(yè)，也不會完全依賴于一兩個場景，期望到2025年覆蓋到16個細分領域，其中13-15個都集中在制造業(yè)，金融行業(yè)不會放棄?！蹦壳?，創(chuàng)新奇智的客戶領域覆蓋了鋼鐵冶金、面板半導體、汽車裝備、能源電力、食品飲料&新材料、智造實訓、金融等。

客戶數(shù)量上，從上一年的159家增長至2022年的292家。公司將一個財政年度內收入貢獻超過450萬元以上的客戶定義為白金客戶，2022年白金客戶71家，共計貢獻13.51億元收入。另外，平均客單價增長至1903萬元，最大客戶的客單價占比不超過10%，這種做法避免單一客戶的風險。

過去一年，創(chuàng)新奇智還新收購兩家子公司進而拓寬業(yè)務領域，旗下經(jīng)營奧利普奇智、賽迪奇智、浩亞智能、慧眼奇智等子公司。

AI+制造的硬實力

結合上述公布的數(shù)據(jù)信息，能夠發(fā)現(xiàn)，在制造業(yè)場景的AI能力的可標準化落地，是創(chuàng)新奇智毛利率和客單價得以提升的重要原因。

產(chǎn)品層面，除了正在研發(fā)的AInnoGC之外，創(chuàng)新奇智還構建了MMOC人工智能技術平臺——ManuVision機器視覺智能平臺、MatrixVision邊緣視頻智能平臺、Orion分布式機器學習平臺、Cloud云平臺，已經(jīng)實現(xiàn)云邊端一體化AI交付。平臺內置了產(chǎn)品缺陷質量檢測、生產(chǎn)現(xiàn)場安全管理、智能生產(chǎn)計劃、智能化運維等垂類場景算法模型和功能模塊。

為了提升行業(yè)壁壘，創(chuàng)新奇智實現(xiàn)了1+N擴展和1*N復制的商業(yè)路徑：1+N擴展，從某一具體應用場景切入，通過首個項目標桿，鼓勵客戶用AI解決更多場景問題；1*N復制，則是從某個燈塔客戶案例，復制到同領域的更多客戶，實現(xiàn)AI產(chǎn)品及解決方案的網(wǎng)絡效應。

此外，創(chuàng)新奇智還計劃在一些客戶場景聯(lián)合探討應用落地。例如，智慧鐵水運輸系統(tǒng)方案已在多個鋼鐵廠得以應用，智能液晶半導體生產(chǎn)方案也被多家客戶采用。

不過，從同一時期的百度、阿里等科技大廠，到商湯、曠視等獨立AI公司，它們先后宣告投入大模型，也在逐漸折射出一個現(xiàn)狀：并不是所有企業(yè)都適合投入基礎大模型，無論是多模態(tài)還是深入行業(yè)，大模型背后的核心商業(yè)化問題依然無法忽略。

本文僅代表作者觀點，版權歸原創(chuàng)者所有，如需轉載請在文中注明來源及作者名字。

免責聲明：本文系轉載編輯文章，僅作分享之用。如分享內容、圖片侵犯到您的版權或非授權發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com