就在6月25日，Open AI宣布將于7月9日終止對(duì)包括中國(guó)大陸在內(nèi)的地區(qū)提供API服務(wù)。OpenAI對(duì)中國(guó)大陸的停服決定，對(duì)漢得提供的AI服務(wù)來(lái)說(shuō)究竟影響多大？

實(shí)際上，ChatGPT爆火以來(lái)，Open AI一直未曾真正開(kāi)放過(guò)中國(guó)市場(chǎng)的服務(wù)。當(dāng)前漢得在國(guó)內(nèi)對(duì)接的大模型呈現(xiàn)多樣化特點(diǎn)，既有國(guó)外商用大模型，也有國(guó)內(nèi)商用大模型，還涉及開(kāi)源大模型以及私有化模型等，而通過(guò)微軟調(diào)用的Open AI服務(wù)只是眾多選擇之一。目前來(lái)看，微軟云提供的Open AI接入服務(wù)仍可以正常訪問(wèn)。也并沒(méi)有消息表明這個(gè)通道會(huì)關(guān)閉，預(yù)計(jì)將來(lái)仍可正常使用。此外，國(guó)產(chǎn)大模型這一年里進(jìn)步非?？?，我們的很多應(yīng)用場(chǎng)景，調(diào)用其他模型也一樣能達(dá)到效果，甚至在某些場(chǎng)景上，其他大模型的表現(xiàn)會(huì)更優(yōu)秀。

同時(shí)，很多國(guó)內(nèi)企業(yè)原本首選的大模型也并非Open AI，因此即便Open AI完全無(wú)法調(diào)用，對(duì)我們開(kāi)展AI業(yè)務(wù)來(lái)說(shuō)影響也很有限。如今Open AI停服，外部競(jìng)爭(zhēng)減少，對(duì)國(guó)內(nèi)通用人工智能行業(yè)或許是最好的機(jī)遇，國(guó)內(nèi)通用人工智能行業(yè)或?qū)⑦M(jìn)入一個(gè)加速整合與創(chuàng)新的階段。

漢得自去年7月率先發(fā)布AIGC應(yīng)用平臺(tái)之后，一年的時(shí)間里已經(jīng)為50余家企業(yè)客戶提供AIGC產(chǎn)品和應(yīng)用服務(wù)，這里通過(guò)三個(gè)典型案例來(lái)介紹漢得在AIGC應(yīng)用領(lǐng)域的探索和突破。

首先，A客戶每年都有大量的分子細(xì)胞實(shí)驗(yàn)項(xiàng)目，在課題立項(xiàng)之后、正式開(kāi)始實(shí)驗(yàn)之前需要做實(shí)驗(yàn)計(jì)劃，這時(shí)候就需要查閱與該課題相關(guān)的歷史文獻(xiàn)和各類論文，以獲取相關(guān)的數(shù)據(jù)來(lái)規(guī)避不必要的實(shí)驗(yàn)路徑。

但是歷史文獻(xiàn)數(shù)量龐大且存在各國(guó)語(yǔ)言和不同時(shí)期的版本，靠人工查閱基本是不可能完成的，以前通過(guò)掃描存檔進(jìn)數(shù)據(jù)庫(kù)，可以進(jìn)行關(guān)鍵字檢索，但不夠智能，實(shí)際應(yīng)用下來(lái)不是很理想。希望通過(guò)AIGC形成知識(shí)庫(kù)，解決查閱文獻(xiàn)的難題。

其次，在AIGC知識(shí)庫(kù)的基礎(chǔ)上建立知識(shí)圖譜記錄分子細(xì)胞實(shí)驗(yàn)的邏輯關(guān)系。AIGC知識(shí)庫(kù)解決了對(duì)歷史知識(shí)的管理和利用提供便利，但實(shí)際實(shí)驗(yàn)的原始細(xì)胞、環(huán)境參數(shù)、催化劑以及最終結(jié)果之間是有邏輯上的唯一性的關(guān)系，這種關(guān)系用AIGC來(lái)表達(dá)反而不夠精確。

故而在記錄實(shí)驗(yàn)結(jié)果上，漢得研發(fā)團(tuán)隊(duì)通過(guò)知識(shí)圖譜技術(shù)，用圖數(shù)據(jù)庫(kù)來(lái)記錄和表達(dá)精確的邏輯關(guān)系，幫助客戶更好的對(duì)知識(shí)進(jìn)行沉淀和傳承。

最后，漢得還幫助A客戶開(kāi)發(fā)了自己的實(shí)驗(yàn)?zāi)Ｐ汀?/span>通過(guò)對(duì)大量歷史數(shù)據(jù)的訓(xùn)練，最終實(shí)現(xiàn)在計(jì)算機(jī)模型上輸入實(shí)驗(yàn)的關(guān)鍵參數(shù)，由AI模擬出實(shí)驗(yàn)結(jié)果以提供給科研人員作為課題實(shí)驗(yàn)規(guī)劃中的輔助判斷。該技術(shù)投入運(yùn)行，可以幫助科研團(tuán)隊(duì)有效縮短實(shí)驗(yàn)周期，并節(jié)省實(shí)驗(yàn)經(jīng)費(fèi)。

B客戶很早就做了數(shù)字化建設(shè)，也做了不少BI報(bào)表，但我們調(diào)研下來(lái)，發(fā)現(xiàn)高管在看數(shù)據(jù)、用數(shù)據(jù)上仍然存在不少痛點(diǎn)。

例如：老板常常因?yàn)槟硞€(gè)具體的業(yè)務(wù)問(wèn)題，在業(yè)務(wù)現(xiàn)場(chǎng)需要了解某個(gè)數(shù)據(jù)指標(biāo)，需求產(chǎn)生于電光火石之間，這時(shí)候業(yè)務(wù)人員或者高管的助理開(kāi)始查BI報(bào)表去找這個(gè)數(shù)據(jù)，但有時(shí)候這些數(shù)據(jù)雖然數(shù)據(jù)庫(kù)中是有的，并沒(méi)有在現(xiàn)成的BI報(bào)表中已經(jīng)開(kāi)發(fā)出來(lái)，需要進(jìn)行再處理，帶來(lái)的結(jié)果就是IT部門(mén)或者財(cái)務(wù)部門(mén)要加班加點(diǎn)處理數(shù)據(jù)，第二天早上打印出來(lái)放在老板的辦公桌上。

這種延時(shí)實(shí)際上已經(jīng)錯(cuò)過(guò)了現(xiàn)場(chǎng)處理問(wèn)題的最佳時(shí)機(jī)，同時(shí)又可能帶來(lái)新的問(wèn)題，由于需求的一層層傳遞可能出現(xiàn)誤差，拿過(guò)來(lái)的數(shù)據(jù)有時(shí)候跟老板要的數(shù)據(jù)是不一致的，又或者老板看了這個(gè)數(shù)據(jù)之后，又對(duì)其中某項(xiàng)指標(biāo)產(chǎn)生了疑問(wèn)，繼續(xù)追問(wèn)下去…

這種類似的問(wèn)題，我們發(fā)現(xiàn)在很多企業(yè)都存在，其本質(zhì)是用數(shù)據(jù)的人不是開(kāi)發(fā)數(shù)據(jù)的人，開(kāi)發(fā)數(shù)據(jù)的人并不真正要用這些數(shù)據(jù)，這種錯(cuò)位導(dǎo)致了企業(yè)內(nèi)部開(kāi)發(fā)了一大堆BI報(bào)表，實(shí)際上真正有用的并不多，并且真正要用的時(shí)候卻發(fā)現(xiàn)用不了。

漢得針對(duì)這一類型的問(wèn)題，將自研的ChatBI產(chǎn)品與AIGC大模型進(jìn)行結(jié)合，不再需要提前開(kāi)發(fā)一大堆BI報(bào)表，而是通過(guò)語(yǔ)音或者文字將要看的數(shù)據(jù)提交給大模型，大模型轉(zhuǎn)譯之后，由ChatBI直接從數(shù)據(jù)庫(kù)中實(shí)施取出數(shù)據(jù)并組裝成BI報(bào)表呈現(xiàn)出來(lái)，同時(shí)對(duì)數(shù)據(jù)權(quán)限進(jìn)行管理。

這一技術(shù)功能的實(shí)現(xiàn)，支持企業(yè)內(nèi)部各個(gè)不同層級(jí)、不同領(lǐng)域的人員真正做到“手中實(shí)時(shí)有數(shù)、心中時(shí)時(shí)有數(shù)”。

C客戶是光伏切片領(lǐng)域的龍頭企業(yè)，國(guó)內(nèi)光伏切片行業(yè)平均良品率大約在95%左右，C客戶希望提高良品率，從而降低生產(chǎn)成本，而良品率提升1個(gè)點(diǎn)，對(duì)企業(yè)每年帶來(lái)的收益可達(dá)數(shù)千萬(wàn)元。

光伏切片的數(shù)控機(jī)床產(chǎn)線參數(shù)多達(dá)2000多個(gè)，其組合方式更是無(wú)窮無(wú)盡，要通過(guò)人工來(lái)調(diào)優(yōu)是不可能完成的任務(wù)。

我們通過(guò)對(duì)生產(chǎn)過(guò)程的調(diào)研，發(fā)現(xiàn)對(duì)良品率有直接影響的參數(shù)約為60多個(gè)，我們用回歸算法，對(duì)數(shù)百萬(wàn)條生產(chǎn)線上的歷史數(shù)據(jù)進(jìn)行回歸分析，最終找到了這60多個(gè)參數(shù)的分布狀態(tài)與良品率之間的規(guī)律。

通過(guò)建立模型，并進(jìn)行大量的機(jī)器學(xué)習(xí)，最終形成了模型應(yīng)用，即在車(chē)間里用該模型實(shí)時(shí)監(jiān)測(cè)產(chǎn)線上參數(shù)數(shù)據(jù)的變動(dòng)趨勢(shì)，當(dāng)呈現(xiàn)良品率下降趨勢(shì)的概率達(dá)到某一閾值時(shí)，通過(guò)對(duì)產(chǎn)線進(jìn)行干預(yù)避免良品率快速下降。

這一應(yīng)用在C客戶成功上線后繼續(xù)不斷迭代調(diào)優(yōu)，6個(gè)月后，整體生產(chǎn)良品率提升了1個(gè)點(diǎn)。同時(shí)C客戶自有IT團(tuán)隊(duì)在這一過(guò)程中學(xué)習(xí)了AI的技術(shù)，在除良品率以外的其他各環(huán)節(jié)上已經(jīng)能自主進(jìn)行AI開(kāi)發(fā)應(yīng)用創(chuàng)新和迭代，目前每天在運(yùn)行的AI任務(wù)已經(jīng)達(dá)到120多個(gè)。