中国移动的大模型之路零散不集中之误

　　中国移动商业化探索路径，可以说是中国大模型商业化进程中的缩影。

　　@科技新知 原创

　　作者丨椰子 编辑丨赛柯

　　8月8日晚间，中国移动披露2024年半年度报告。公告显示，今年上半年，中国移动营业收入达到5467亿元，同比增长3.0%，其中，主营业务收入达到4636亿元，同比增长2.5%。

　　在AI大模型方面，股东应占利润达到人民币802亿元，同比增长5.3%，反映了公司在AI等新技术推动下的盈利能力提升。数字化转型业务达到人民币1,471亿元，同比增长11.0%，显示出公司在新兴业务领域的强劲增长势头。

　　此外，移动云收入达到人民币504亿元，同比增长19.3%，其中IAAS+PAAS收入份额稳居业界前五，显示了云计算与AI结合的强大市场竞争力。由此可以看出，中国移动在AI大模型的业务布局初见成效。

　　同时，中国移动董事长杨杰在今日晚间举行的公司2024年度中期业绩说明会上表示，“大模型变现是我们一直在思考的问题。”

　　其实，大模型商业化变现一直是业界共同关注的话题，无论是科技巨头、运营商、大模型独角兽，还是传统行业龙头企业，都在用不同的方式和途径探索大模型商业化变现，寻找适合自己的商业化变现路径。

　　中国移动商业化探索路径，可以说是中国大模型商业化进程中的缩影。对于中国移动来说，五条线并行的商业化路是机遇布局全面，覆盖面广;但也是挑战过于零散且不集中。

　　Part.1

　　内外环境倒逼进入AI领域

　　科技新知了解到，2013年前后，AI技术开始进入快速发展阶段。深度学习、机器学习等技术取得了显著进展，AI在语音识别、图像处理、自然语言处理等领域的应用逐渐成熟。另一方面，互联网和移动互联网的普及为AI技术的发展提供了大量的数据支持，推动了AI技术的商业化进程。

　　在全球范围内，各大科技公司都在积极布局AI领域。包括谷歌、亚马逊、微软等企业已经在AI技术上取得了显著进展，并开始探索AI在各行业的应用。同时，中国政府在2013年前后也开始重视AI技术的发展，并出台了一系列政策支持AI产业的发展。

　　从中国移动自身来说，中国移动作为全球最大的电信运营商之一，面临着激烈的国际竞争和技术创新的挑战，需要通过布局AI来保持竞争优势。

　　随着移动互联网的普及，用户对通信服务的需求越来越多样化，网络运营和维护的复杂性以及业务创新的压力等痛点，用户不仅需要基本的通信服务，还需要智能化的客服、个性化的推荐等服务。传统的客户服务模式难以满足这些需求，需要引入AI技术来提升服务质量和效率，提高网络的稳定性和可靠性。

　　电信行业的竞争日益激烈，传统业务的市场空间逐渐饱和。中国移动需要通过引入AI技术，探索新的业务模式和服务，以保持市场竞争力。

　　所以，2013年中国移动开始布局AI大模型业务。

　　Part.2

　　零散不集中的商业化变现路径

　　目前，中国移动在大模型的布局上采用了“自主研发+生态合作”的策略。在商业化变现方面，前面提到了中国移动在探索的大模型变现路径有五条，第一，TOB依托大模型底座打造行业模型;第二，和政企做AI及其他信息技术的融合创新;第三，全面推进TOC、TOH的智能体;第四，推进MaaS模型即服务;第五，上岗5.5万个数字员工，经营效率和效益明显提升。

　　具体的应用案例有，在福建，九天人工智能大模型赋能纺织企业开展AI视觉识别检测，高效检测出布匹瑕疵，同时联动生产管理系统、配置停机策略，某纺织企业瑕疵检出准确率从70%提升至90%，预计每年可节省成本数百万元，有效提升产品质量和生产效率。

　　中国移动在大模型变现路径上的探索，确实涵盖了多个方面，这种多元化的变现路径体现了中国移动在大模型领域的全面布局和深入探索。

　　然而，这种大而全的变现路径也可能存在一些问题，概括来说就是零散不集中。这种零散不集中主要表现是多条变现路径并存，这些路径各自独立，缺乏统一的整合和规划。

　　由于变现路径众多，中国移动可能将有限的资源，例如资金、人力、技术等分散到各个路径上。在零散不集中的变现路径下，中国移动可能需要在各个项目上进行资金投入。

　　由于多个项目同时进行，可能导致资金在各个项目之间的分配不够集中，无法形成有效的投资回报。过多的项目也可能增加公司的财务风险和负担。

　　当中国移动同时探索多条大模型变现路径时，它可能需要在各个路径上分配研发资源。例如，在开发面向政企的行业大模型时，可能需要投入一部分研发团队进行特定功能的开发。

　　其次，在技术整合难度增加，不同的变现路径可能需要不同的技术支持和解决方案。这种技术上的差异性和复杂性增加了技术整合的难度，可能影响大模型的整体性能和用户体验。

　　例如，中国移动在探索大模型变现路径时，可能针对不同的业务需求开发了多个独立的技术平台。这些平台各自采用了不同的技术架构、编程语言和数据格式。

　　由于缺乏统一的技术标准，不同平台之间的数据交换和集成变得异常困难，导致信息孤岛的出现。这种技术上的碎片化不仅增加了系统集成的复杂性，还降低了整体系统的可靠性和稳定性。开发和维护多个技术平台也增加了公司的运营成本和技术难度。

　　在多个大模型变现路径中，可能存在功能上的重叠。例如，当中国移动面向政企的行业大模型和面向消费者的智能体服务可能都包含了自然语言处理的功能。由于缺乏统筹规划，这些功能可能在实现方式、性能指标和使用体验上存在差异，甚至产生冲突。

　　第三，管理体系复杂化，主要表现为决策层级增多、管理流程繁琐、资源协调困难和内部沟通障碍等方面。 这些问题不仅增加了公司的运营成本和管理难度，还可能影响公司的整体绩效和市场竞争力。

　　例如，随着中国移动在大模型变现路径上的多元化探索，公司可能需要设立多个专门的项目团队或部门来负责不同的变现路径。每个项目团队或部门都有自己的目标和KPI，这导致决策层级增多，决策过程变得复杂。

　　这样一来，决策层级的增多使得信息传递速度变慢，决策效率降低。各个项目团队或部门之间可能出现目标不一致、利益冲突等问题，需要更高层级的管理者进行协调和决策。

　　因此，中国移动需要重视管理体系的优化和整合，提高决策效率和管理效能。

　　此外，人才短缺、数据隐私和安全、高昂的算力成本等问题也是这种零散不集中的商业化变现路径带来的不利因素。

　　Part.3

　　路漫漫其修远兮的变现探索道路

　　当前中国大模型变现路径的探索正处于快速发展阶段，截至2024年3月，国产大模型数量已超过200个，覆盖多个行业和领域，应用场景不断拓展。随着AI技术的不断进步和应用场景的拓展，大模型在多个行业中的应用逐渐显现出其巨大的商业价值。

　　然而，在这一过程中暴露出了一些通病和挑战，而中国移动商业化变现的不足也是整个行业的缩影，包括技术、成本、数据、人才和市场认知等方面的问题。

　　在技术上主要要面临“卡脖子”问题，主要包括算力获取成本高、数据处理难题、技术标准和互操作性问题、模型可解释性和透明度不足，以及安全性和隐私保护问题，这些挑战限制了大模型技术的广泛应用和商业价值的最大化。

　　例如，训练大模型需要海量的算力支持，这对企业的财务构成了巨大压力。高昂的算力成本不仅包括硬件设备的购置和维护，还包括电力消耗等运营成本。大模型需要处理的数据量巨大，数据收集、清洗、标注等环节都需要大量的人力和时间投入。同时，数据的质量和多样性也是影响模型性能的关键因素。

　　在成本和数据问题上，训练大模型需要海量的算力支持，这对企业的财务构成了巨大压力。高昂的算力成本不仅包括硬件设备的购置和维护，还包括电力消耗等运营成本。其次，大模型需要处理的数据量巨大，数据收集、清洗、标注等环节都需要大量的人力和时间投入。同时，数据的质量和多样性也是影响模型性能的关键因素

　　此外，人才不足，市场认知不准确、行业know-how积累不足也是行业共性问题。

　　不过，随着AI技术的不断进步，大模型的应用场景不断扩展，从自然语言处理到视觉听觉识别、逻辑推理等，展现出强大的能力。越来越多的企业开始关注和应用大模型技术，推动了人工智能技术的落地和普及。

　　其次，在国家出台了一系列政策措施支持人工智能产业的发展后，明显可以看出国家对AI、大模型的重视程度不断提升。此外，人工智能产业链各环节有望迎来更多发展机遇，包括算力、模型和应用等环节的协同发展。

　　在这种机遇与挑战并存的背景下，通过技术创新、模式创新以及跨行业合作，中国移动等公司有望逐步解决大模型商业化变现中的技术挑战，实现技术的商业化落地和广泛应用。

　　不过，整体来看，中国大模型的商业化探索可谓“路漫漫其修远兮”，路很长也不好走。