爱数大模型深度产品化，深化人与机器的“分工协作”
文 | 智能相对论
作者 | 叶远风
大模型竞逐日趋白热化，百模大战热闹非凡。
但是，对产业主体或者普通看客而言，大模型究竟如何改变一线业务、实现工作方式的变革甚至组织转型，很多人并没有具象化的认知。
技术厉害、产品牛，宏大的憧憬和规划下，大模型到底是怎么进入到行业一线实现落地的？
最近，大数据基础设施提供商爱数在一次公开分享中，直观地展示了其新发布的AnyShare认知助手如何在大模型的支撑下辅助内容/知识的智能化生产及消费。
从搜索、阅读到创作，以实际案例+产品逻辑讲解的方式，AnyShare认知助手把大模型能够给内容业务带来的改变直观地呈现出来，也给了观众一次大模型能力的直观体验。
值得一提的是，在AnyShare认知助手背后，是将领域知识网络（知识图谱为代表）与领域大模型结合形成的“领域认知智能”，也即在各个特定场景下解决专业领域问题、以数据重塑现实生产力的大模型。
在这个过程中，大模型提供理解、推理能力，而领域知识网络提供专业领域的规范化、精准化的行业知识，从而在垂直场景中提供更高品质的产品和服务，赋能高质量发展。也由此，业界此次能直接见到大模型能力在实际场景中发挥价值。
AnyShare认知助手赋能了内容管理平台智的能化升级，在这种赋能背后，领域大模型推动人与机器“分工协作”的再度进化也极致展现出来。
大模型推动AGI时代加速到来，领域大模型深化“分工协作”
在谈论领域大模型的价值前，先要分析大模型的本质价值所在。
AIGC是大模型赢得广泛关注的起爆点，但大模型在长远意义上更核心的价值是推动AGI（通用人工智能）的发展。
而AGI对当下场景应用最大的价值，实际上是在深化和延续AI对人类的价值——人的职责与机器职责的细化“分工协作”。随着能力的提升，AGI将能够承担更多重复、繁重的工作任务，让人更加聚焦到最能创造价值的业务部分，聚焦于核心的创新、创意工作之上。
以爱数为例，其过去就致力于通过领域认知智能帮助企业转变为数据驱动型组织，但是，这一过程仍然需要人来参与很多工作，例如依靠人工进行数据的整理与分析等，没有摆脱过去AI“有多少人工就有多少智能”的问题，还有大量的工作需要“分配”到人工这边，钳制了智能化业务的发展。
当大模型能力引入到既有的业务环节，实现领域大模型创新，大量的人工辅助工作可以被替代（在领域大模型能力下，能够“分配”到AI一侧），数据相关业务的发展可以更大程度摆脱“人工”这个瓶颈，从而使得爱数为客户提供的数据服务更具效率与效果。
而AnyShare认知助手，就成为这种分工协作深化的一种具象化展示。
在政企组织当中，数据、知识的规模日益庞大，文档数量十万级、百万级甚至千万级，不要说人工查询、再利用成本高昂，就算企业真的投入大量资源，人工可能也无法在能力上完成相关的工作——实在是太多了。
这时候，领域大模型能力的价值就展现出来。AnyShare认知助手能够在政企组织海量信息与知识中承担分类、检索、整理等工作，将人与机器的“分工协作”进一步深化，将人从这些重复繁重的工作中解脱出来。
例如，在智能制造赛道上，AnyShare认知助手可以实现客户/合同画像的系统整理，可以为各类繁杂设备建立知识图谱，能够实现智能的营销管理等等，最终实现全链条的数据驱动。
在数字政府领域上，AnyShare认知助手能够有效提高办文办事办会的效率，实现辅助撰写公文、辅助阅读产业政策、智能化一网通办等。
类似的，还有智慧校园领域帮助实现教学科研一身轻，在金融数字化方面推动投研工作智能化提效，等等。
总之，领域大模型深入垂直场景，承担了很多过去AI无法承担的工作，让大模型在“分工协作”上更进一步，这实际上也推进了人在工作中的价值展现，远离“低价值的重复劳动者”，让业务执行更有意义和成就感。
内容管理的“分工协作”，AnyShare认知助手进行了一次全覆盖
AnyShare认知助手是作为AnyShare Family 7 智能内容管理平台的一大特性出现的，让后者实现了智能化升级。
细化到内容管理的具体业务上，可以发现AnyShare认知助手在三个闭环的环节都实现了“分工协作”的覆盖，只不过实现的方式和侧重各不相同。
1、在信息获取环节，智能搜索实现“人找内容”到“内容找人”
搜索是内容管理最首要的环节，而通常来说，类似大众搜索引擎那样输入一个需求得到一个对应的反馈，同样是组织内部员工在内容管理方面的“常规操作”。
但是，如果信息量十分庞大，这种传统搜索方式就会面临很多问题。例如，要得到尽可能全面的信息，就必须大量重复搜索的动作，不断地“找”到信息并自己整合起来。而且，因为系统只反馈用户发送的搜索指令，用户得到的信息是否全面与系统，完全依赖个人经验。
AnyShare认知助手的智能搜索，解决了这个问题。
如果说过去的点对点搜索是“人找内容”，那么AnyShare认知助手的智能搜索就是“内容找人”，一个搜索诉求下，系统会反馈一整套相关的知识内容。
不再需要重复的搜索动作，不再需要思考有没有没兼顾到的维度，这些通通甩给了AnyShare认知助手，“分工协作”进一步深化，人只需要思考究竟什么才是业务最需要的知识即可，将精力聚焦到企业发展和业务创新之上，下达最恰当的搜索指令。
2、在知识吸收环节，辅助阅读帮助用户快速找到真正需要的关键点和关联点
在搜索结果给到后，通过海量的阅览找到重要的、关键的信息点，是必要的动作。
在过去，能够快速阅览并准确摘出信息点往往被视为一项“能力”。但是，从来没有人想过，也许这种“能力”原本就是不必要的，人的精力不应该花在对繁杂信息的消化吸收上，而应该更聚焦于获得关键点和关联点之后，如何将它们应用好、推动业务。
AnyShare认知助手借助领域大模型等能力，同样在“接手”这类工作，让人从长时间的阅览动作中解放出来。
任何一个文本内容，AnyShare认知助手都能快速帮助人识别出其中关键信息点，以及信息点之间有什么关联。
对用户而言，AnyShare认知助手等于将最重要的内容干货呈现在了面前，内容阅览的效率大大提升，可以快速找到想要的知识应用到相关业务中去。
3、在创作输出环节，以全程协同的方式手把手推动优质内容产出
列一个大纲，需要什么信息，左翻翻、右找找，自己整理、呈现并汇入一个逻辑点下，一步步完成一个文稿的创作……
这是过去内容创作输出的通常做法。
可以发现，除了核心观点的呈现，创作的大部分的精力都不得不花在人工知识的整理与分析上，且依赖个人经验进行观点萃取和结论提炼，难以保证分析的客观性和全面性，这显然是不合理的。
AnyShare认知助手让内容引用等大量“体力劳动”不再需要，且给到最恰当、最合理的知识内容提炼，用户可以集中精力输出优质工作成果，呈现最核心的价值内容。
一份报告，核心观点和意见才是创作者最应该聚焦的地方，也只有让精力都集中在这里，才能最大程度保证内容创造的价值。
过去，缺乏通用能力的AI难以在这方面有所作为，现在，领域大模型来了，AnyShare认知助手让这种“分工协作”成为现实。
“分工协作”的深化只能来源于“机器”能力的长期积累与提升
很明显，没有“机器侧”能力的提升，“人工侧”就无法将那些重复而繁重的工作分配出去，“分工协作”的深化也就无法实现。
AnyShare认知助手之所以能够实现前文一系列场景价值，与爱数建立的“领域认知智能”架构密不可分。
目前，在大模型兴起的大背景下，爱数以AnyDATA领域认知智能框架为统一AI框架，为AnyBackup、AnyShare、AnyRobot、AnyFabric的全域数据能力提供起了智能支撑。围绕全域数据，帮助客户实现数据资源化、数据知识化乃至业务智能化，挖掘数据资产价值，助力数据资产变现交易。
在这里，领域大模型、私域数据、领域知识网络互补共存，政企组织将实现类似人一样的高级认知能力，这也是领域大模型的目标所在。
AnyShare认知助手在几个内容场景的出色表现，离不开这个架构下的各项能力支撑。
在实际技术实现上，爱数围绕领域认知智能已经完成了一套包含基础层、认知层、能力层、产品层的统一架构：
在这个体系中解读，就会发现能力层的AnyShare认知助手，受到了认知层AnyDATA的支撑。
例如，就智能搜索而言，在一系列能力的加持下，AnyShare认知助手得以更准确理解用户意图，获取更精准、相关性更高的系统化搜索结果。这其中，领域大模型与搜索引擎结合能够快速准确地处理亿级以上数据量，并高效查询与匹配，最终生成人类可理解的答案。
从整个行业角度看，对在整体上深耕人工智能场景化应用的厂商而言，大模型创新不是并不一定要是刻意为之的事，在原本的体系之上平滑引入大模型能力，以领域大模型创新就能快速催生类似AnyShare认知助手这样的特性，让大模型在场景中的应用直观地展现出来。
这种从场景出发的领域大模型路线，更能让人与机器的“分工协作”加速深化，让大模型更高效、更深入地改变千行百业。
*本文图片均来源于网络
#智能相对论 Focusing on智能新产业新服务，这是智能的服务NO.233深度解读
此内容为【智能相对论】原创，
仅代表个人观点，未经授权，任何人不得以任何方式使用，包括转载、摘编、复制或建立镜像。
部分图片来自网络，且未核实版权归属，不作为商业用途，如有侵犯，请作者与我们联系。
•AI产业新媒体;
•澎湃新闻科技榜单月度top5;
•文章长期“霸占”钛媒体热门文章排行榜TOP10;
•著有《人工智能 十万个为什么》
•【重点关注领域】智能家电（含白电、黑电、智能手机、无人机等AIoT设备）、智能驾驶、AI+医疗、机器人、物联网、AI+金融、AI+教育、AR/VR、云计算、开发者以及背后的芯片、算法等。
转载请在文章开头和结尾显眼处标注：作者、出处和链接。不按规范转载侵权必究。
未经授权严禁转载，授权事宜请联系作者本人，侵权必究。
本文禁止转载，侵权必究。
授权事宜请至数英微信公众号(ID: digitaling) 后台授权，侵权必究。
评论
评论
推荐评论
暂无评论哦，快来评论一下吧！
全部评论（0条）