@科技新知 原創

作者丨椰子

8月8日晚間，中國移動披露2024年半年度報告。公告顯示，今年上半年，中國移動營業收入達到5467億元，同比增長3.0%，其中，主營業務收入達到4636億元，同比增長2.5%。

在AI大模型方面，股東應占利潤達到人民幣802億元，同比增長5.3%，反映了公司在AI等新技術推動下的盈利能力提升。數字化轉型業務達到人民幣1,471億元，同比增長11.0%，顯示出公司在新興業務領域的強勁增長勢頭。

此外，移動云收入達到人民幣504億元，同比增長19.3%，其中IAAS+PAAS收入份額穩居業界前五，顯示了云計算與AI結合的強大市場競爭力。由此可以看出，中國移動在AI大模型的業務布局初見成效。

同時，中國移動董事長楊杰在今日晚間舉行的公司2024年度中期業績說明會上表示，“大模型變現是我們一直在思考的問題。”

其實，大模型商業化變現一直是業界共同關注的話題，無論是科技巨頭、運營商、大模型獨角獸，還是傳統行業龍頭企業，都在用不同的方式和途徑探索大模型商業化變現，尋找適合自己的商業化變現路徑。

中國移動商業化探索路徑，可以說是中國大模型商業化進程中的縮影。對于中國移動來說，五條線并行的商業化路是機遇布局全面，覆蓋面廣；但也是挑戰過于零散且不集中。

科技新知了解到，2013年前后，AI技術開始進入快速發展階段。深度學習、機器學習等技術取得了顯著進展，AI在語音識別、圖像處理、自然語言處理等領域的應用逐漸成熟。另一方面，互聯網和移動互聯網的普及為AI技術的發展提供了大量的數據支持，推動了AI技術的商業化進程。

在全球范圍內，各大科技公司都在積極布局AI領域。包括谷歌、亞馬遜、微軟等企業已經在AI技術上取得了顯著進展，并開始探索AI在各行業的應用。同時，中國政府在2013年前后也開始重視AI技術的發展，并出臺了一系列政策支持AI產業的發展。

從中國移動自身來說，中國移動作為全球最大的電信運營商之一，面臨著激烈的國際競爭和技術創新的挑戰，需要通過布局AI來保持競爭優勢。

隨著移動互聯網的普及，用戶對通信服務的需求越來越多樣化，網絡運營和維護的復雜性以及業務創新的壓力等痛點，用戶不僅需要基本的通信服務，還需要智能化的客服、個性化的推薦等服務。傳統的客戶服務模式難以滿足這些需求，需要引入AI技術來提升服務質量和效率，提高網絡的穩定性和可靠性。

電信行業的競爭日益激烈，傳統業務的市場空間逐漸飽和。中國移動需要通過引入AI技術，探索新的業務模式和服務，以保持市場競爭力。

所以，2013年中國移動開始布局AI大模型業務。

目前，中國移動在大模型的布局上采用了“自主研發+生態合作”的策略。在商業化變現方面，前面提到了中國移動在探索的大模型變現路徑有五條，第一，TOB依托大模型底座打造行業模型；第二，和政企做AI及其他信息技術的融合創新；第三，全面推進TOC、TOH的智能體；第四，推進MaaS模型即服務；第五，上崗5.5萬個數字員工，經營效率和效益明顯提升。

具體的應用案例有，在福建，九天人工智能大模型賦能紡織企業開展AI視覺識別檢測，高效檢測出布匹瑕疵，同時聯動生產管理系統、配置停機策略，某紡織企業瑕疵檢出準確率從70%提升至90%，預計每年可節省成本數百萬元，有效提升產品質量和生產效率。

中國移動在大模型變現路徑上的探索，確實涵蓋了多個方面，這種多元化的變現路徑體現了中國移動在大模型領域的全面布局和深入探索。

然而，這種大而全的變現路徑也可能存在一些問題，概括來說就是零散不集中。這種零散不集中主要表現是多條變現路徑并存，這些路徑各自獨立，缺乏統一的整合和規劃。

由于變現路徑眾多，中國移動可能將有限的資源，例如資金、人力、技術等分散到各個路徑上。在零散不集中的變現路徑下，中國移動可能需要在各個項目上進行資金投入。

由于多個項目同時進行，可能導致資金在各個項目之間的分配不夠集中，無法形成有效的投資回報。過多的項目也可能增加公司的財務風險和負擔。

當中國移動同時探索多條大模型變現路徑時，它可能需要在各個路徑上分配研發資源。例如，在開發面向政企的行業大模型時，可能需要投入一部分研發團隊進行特定功能的開發。

其次，在技術整合難度增加，不同的變現路徑可能需要不同的技術支持和解決方案。這種技術上的差異性和復雜性增加了技術整合的難度，可能影響大模型的整體性能和用戶體驗。

例如，中國移動在探索大模型變現路徑時，可能針對不同的業務需求開發了多個獨立的技術平臺。這些平臺各自采用了不同的技術架構、編程語言和數據格式。

由于缺乏統一的技術標準，不同平臺之間的數據交換和集成變得異常困難，導致信息孤島的出現。這種技術上的碎片化不僅增加了系統集成的復雜性，還降低了整體系統的可靠性和穩定性。開發和維護多個技術平臺也增加了公司的運營成本和技術難度。

在多個大模型變現路徑中，可能存在功能上的重疊。例如，當中國移動面向政企的行業大模型和面向消費者的智能體服務可能都包含了自然語言處理的功能。由于缺乏統籌規劃，這些功能可能在實現方式、性能指標和使用體驗上存在差異，甚至產生沖突。

第三，管理體系復雜化，主要表現為決策層級增多、管理流程繁瑣、資源協調困難和內部溝通障礙等方面。這些問題不僅增加了公司的運營成本和管理難度，還可能影響公司的整體績效和市場競爭力。

例如，隨著中國移動在大模型變現路徑上的多元化探索，公司可能需要設立多個專門的項目團隊或部門來負責不同的變現路徑。每個項目團隊或部門都有自己的目標和KPI，這導致決策層級增多，決策過程變得復雜。

這樣一來，決策層級的增多使得信息傳遞速度變慢，決策效率降低。各個項目團隊或部門之間可能出現目標不一致、利益沖突等問題，需要更高層級的管理者進行協調和決策。

因此，中國移動需要重視管理體系的優化和整合，提高決策效率和管理效能。

此外，人才短缺、數據隱私和安全、高昂的算力成本等問題也是這種零散不集中的商業化變現路徑帶來的不利因素。

當前中國大模型變現路徑的探索正處于快速發展階段，截至2024年3月，國產大模型數量已超過200個，覆蓋多個行業和領域，應用場景不斷拓展。隨著AI技術的不斷進步和應用場景的拓展，大模型在多個行業中的應用逐漸顯現出其巨大的商業價值。

然而，在這一過程中暴露出了一些通病和挑戰，而中國移動商業化變現的不足也是整個行業的縮影，包括技術、成本、數據、人才和市場認知等方面的問題。

在技術上主要要面臨“卡脖子”問題，主要包括算力獲取成本高、數據處理難題、技術標準和互操作性問題、模型可解釋性和透明度不足，以及安全性和隱私保護問題，這些挑戰限制了大模型技術的廣泛應用和商業價值的最大化。

例如，訓練大模型需要海量的算力支持，這對企業的財務構成了巨大壓力。高昂的算力成本不僅包括硬件設備的購置和維護，還包括電力消耗等運營成本。大模型需要處理的數據量巨大，數據收集、清洗、標注等環節都需要大量的人力和時間投入。同時，數據的質量和多樣性也是影響模型性能的關鍵因素。

在成本和數據問題上，訓練大模型需要海量的算力支持，這對企業的財務構成了巨大壓力。高昂的算力成本不僅包括硬件設備的購置和維護，還包括電力消耗等運營成本。其次，大模型需要處理的數據量巨大，數據收集、清洗、標注等環節都需要大量的人力和時間投入。同時，數據的質量和多樣性也是影響模型性能的關鍵因素

此外，人才不足，市場認知不準確、行業know-how積累不足也是行業共性問題。

不過，隨著AI技術的不斷進步，大模型的應用場景不斷擴展，從自然語言處理到視覺聽覺識別、邏輯推理等，展現出強大的能力。越來越多的企業開始關注和應用大模型技術，推動了人工智能技術的落地和普及。

其次，在國家出臺了一系列政策措施支持人工智能產業的發展后，明顯可以看出國家對AI、大模型的重視程度不斷提升。此外，人工智能產業鏈各環節有望迎來更多發展機遇，包括算力、模型和應用等環節的協同發展。

在這種機遇與挑戰并存的背景下，通過技術創新、模式創新以及跨行業合作，中國移動等公司有望逐步解決大模型商業化變現中的技術挑戰，實現技術的商業化落地和廣泛應用。

不過，整體來看，中國大模型的商業化探索可謂“路漫漫其修遠兮”，路很長也不好走。

以上就是中國移動的大模型之路零散不集中之誤的全部內容了，希望大家喜歡。