大模型，真的不能代表所有AI技术 ...

DeepSeek的火爆，让很多传统企业包括政府机构，都争先恐后地开始玩儿大模型私有化部署。 

仿佛原本高门槛的AI技术，瞬间变得唾手可得。 

很多数字化决策者都觉得，有了大模型，公司和业务层面，都可以瞬间实现AI能力的原始积累。 

但其实，光有大模型和实现真正的业务“智能化”，还差的很远。AI只是一个引擎，而智能化转型的主体，是场景。 

一方面，企业需要围绕AI技术能力去做“相匹配”的应用设计，另一方面，企业应当确保，自己有足够的高质量数据资源，可以支撑起AI技术“大展宏图”。 

也就是说，不管是业务设计，还是数据治理， 企业的数字化准备要充分到位，才能让大模型部署这件事变得“货真价实”。 

另外，话说回来，对于需要智能化能力的企业来说，大模型既不是唯一选择，也不是必须选择。 

尽管大语言模型是一个参数量极大的，具有极强下游业务适配能力的深度学习模型，但是有些分析或预测问题的底层原理，并不能让大模型技术很好地发挥其技术优势。 

并不是不能用，而是不合适。任何技术都不能做到包打天下，尽管人们宣传的往往是可以。 

首先，大模型技术不适合“非序列型”问题的分析。

例如，大模型技术在处理网络结构的关系分析任务时，就不是很擅长——在社交网络分析中，通过某个用户，了解他在不同维度的兴趣社群，对他进行潜在好友的匹配或社交话题的推荐； 

通过软件系统架构、电力系统、金融交易网络、供应链网络的分析，识别业务风险点，为业务鲁棒性的管理决策赋能 ... 

其次，大模型技术不适合计算型问题。

很多智能化任务，特点在于根据特定的领域专业模型进行“精算”和推理，比如采用物理学模型、工程学、气象学模型、财务模型、金融模型、数学模型进行产业综合分析。 

对于这类任务，AI的本质在于自动化地执行某个既定的规则，尽管这个规则可能十分复杂，但业务场景对于输出结果的准确性要求是非常严谨苛刻的。 

大模型技术的内核是深度神经网络，其输出是一个“概率化”的结果，这类技术比较适合随机性较大，但同时在结果形式上相对灵活的AI任务。 

此外，大模型技术在“可解释性”方面并不是一个“靠谱”的技术选择。

大模型虽然可以处理各种各样的问题，但是它的计算推理活动一般是“ 端到端”的，直接给出问题的答案。 

对于中间的分析过程，大模型只能给个大概的解释。 

在更多场合，人们希望AI给出所作出决定的背后理由，真正理解AI的决策逻辑，才敢形成最终的业务结论。 

很多传统的AI小模型，例如决策树、回归模型、贝叶斯模型等，模型中每个参数都有具体对应的业务含义，不仅可以给出推理预测结果，还能很好地说明理由。 

可解释性的另一个显而易见的好处，在于过程可干预。

当模型预测结果与业务经验存在较大偏差的时候，业务人员可以对推理过程回溯分析，对模型参数、结构，或某个模型中间运行量进行调整，从而使模型的运用更加契合实际业务场景。 

除此以外，是否选择大模型作为AI解决方案，还要考虑成本因素，这既包括推理产生的算力成本消耗，以及等待大模型推理完成的时间延迟。 

我们在迷恋大模型技术魅力的同时，仍要理性看待技术的多元化发展特征，AI技术不只是大模型，大模型也并不能解决所有自动化和智能化需求。 

但无论如何，大模型的出现和规模化发展让人们重新拾起了对数字技术的信心，也的确激活了全行业的数字化转型变革动力。 

本文来自微信公众号 “大话数字化转型”（ID：dataminingxmz），作者：数字化刘老师，36氪经授权发布。