以下是Marketingforce迈富时副总裁 朱慧轶 在STIF第五届国际科创节 暨新质生产力领航者峰会 的精彩发言，由云现场整理。
各位来宾大家下午好，非常荣幸今天有机会跟大家分享AI大模型，大家都知道现在非常火，在不同行业中的希望应用场景落地的应用，以及我们在这方面做的探索。
我用一两句话介绍一下我们公司，Marketingforce迈富时是香港主板上市公司，我们是国内领先最大的数字化营销科技服务商，主要是为企业客户、B端客户提供AI赋能下数字化营销，聚焦在营销环节系统平台工具以及私域运营，我今天稍微跳出来一点跟大家分享一下在AI尤其是营销大模型在不同行业场景中的落地和应用。
前段时间ChatGPT连续做了12天的直播，尤其是现在AIagent是下一波革命性不仅是工具，我会跟大家分享以及在行业中的应用。
Gartner也说了2025年十大战略技术趋势、紧迫性和风险，尤其是代理式的人工智能，AIagent其实就代表了发展方向，还有AI的伦理，监管也很重要，还有一个风险，如果没有监管会有大量虚假信息泛滥，这是比较大的治理问题，还有人机协同，有机器人、神经网络的学习、计算新前沿、节能、混合计算等等。
这张图是美国资本AI大模型，尤其是在不同垂直市场上的应用，现在包括AI大模型垂直应用主要是在医疗大健康、法律、金融服务、建筑、生物科技以及物流、娱乐和媒体，每个赛道都已经涌现出一大批领先的企业，国内也有，现在全球市值最高的英伟达，在基础建设、基建以及在应用上也做了大量的布局。
国内资本在AI方面的重点投资产业2024年前三个季度，不管是我国人工智能相关领域投融资事件数量占比以及投资者金额占比，在国内人工智能应用都是占第一的，在各个垂直赛道，医疗、健康、媒体、娱乐等各个垂直领域的应用，不管是融资数量还是融资金额占比都是最高的。
中外或者是中美，对AI资本布局背后的逻辑不太一样，数据资源禀赋是有差异的，中国有一个最大的在人工智能时代有一个最大的优势，中国人口基数还是很大的，行业各种应用场景的数据量是最大的，AI引擎决定AI发展高度的三大引擎，数据、算法、算力，在数据这一方面中国市场是有先天的优势；在国外，其实是美国，数据资源很多，而且比较开放，企业之间的数据共享是比较常见的，有开源，还有在研发上，在国内数据体量应用场景体量更大，国内数据集中在头部企业以及政府，在国内很多AI的应用是从头部企业以及从2G政府政务AI驱动下的数字化开始的。
比如中国的电商，腾讯、阿里有大量的数据，社交媒体、抖音，政府掌握大量的公共数据，在美国是开放数据平台和API的，资本在美国更多是驱动基础通用大模型，而国内更多聚焦在垂直具体应用行业应用型模型，这是第一个差异。
第二个差异市场需求结构差异，欧美市场相对成熟，它的发展会更个性化一些，有2B、2C，都发展的比较快，比较有潜力，一方面在高速发展市场；第二个国内目前为止AI应用还是在企业服务和政府政务数字化为主，目前这个阶段是这两个需求更大，像美国大家看到有生成式AI，像ChatGPT，在国内除了跟进通用型大模型，更多是在工业制造、医疗、教育、媒体等垂直领域的解决方案，导致的结果资本在国外或者在美国更愿意支持创新型企业，在国内更倾向于赋能传统的各行各业。
第三个区别产业政策的差异，在欧美它比较注重企业自发原创性创新，政府更多以监管和资金支持为主，在国内AI发展及应用落地，还是以政策驱动为主，政府制定发展方向并且通过一系列AI引导产业政策，引导资本投入不同AI的垂直领域。
美国政府对半导体、AI技术研发各种激励，国内目前大家看到的是集中精力，国家推出东数西算，更多做算力中心的布局，产业政策对芯片大力的支持，带来的影响，中国在AI行业资本投资更多是跟着国家战略来走的，它有协同效应，集中力量办大事；
另外一个相对来说对企业原创性、自主创新、自发创新这一点没有欧美走的快。
国内算力，AI发展三大要素算力、算法、数据，中国政府已经做了大量的布局。
接下来跟大家分享一下现状和未来的发展趋势。
这个是中国生成式人工智能应用曲线，国内处在探索期和市场启动期，通常我们会高估了接下来三五年的发展，低估了未来十年的发展，现在大家听到AI讲的非常多，我们在行业里面，在一线在实践有一些在落地，有一些继续在投入研发，我们认为国内处在探索期和启动期，并没有到如火如荼，还没有到在各行各业应用的非常广泛，不同时期对不同行业影响不一样的，AI在农业基础科研、自动驾驶、新能源相对的投入和应用会比较明显，还包括在启动期，在医疗、金融、交通等等还有影视开始逐步增多。
到下一步进入高速发展期，比较受益的企业更多是游戏、零售、旅游等等，有一个关键的发现，进入生成式人工智能阶段的过程中，各个行业、AI应用发展，每个时间各个行业AI应用成熟度不一样，有一些比较快，有一些还处在早期的阶段，甚至没有开始这方面的探索，不管是在研发或者是在应用、商业上不同行业处的阶段，不管是做投资还是做产品研发，还是去做整体的应用都很有启示的作用。
行业经营目标导向，不同行业经营目标不一样，对于需要用到AI哪一部分的能力也不一样，AI是很大的概念，目前在不同领域它发展的成熟度也不一样，有一些已经比较成熟了，有一些还处于早期探索阶段，这个跟数字化基础建设能力也很有关系。
数据资源的沉淀特别是行业，行业Know-how、导向数据和AI场景，需要很多的训练、预训练，行业Know-how的数据导入和训练也是决定发展速度和成熟重要的因素。
生态体系和丰富程度，尤其是你这个行业有没有所谓的链主企业来驱动，大型有影响力的企业来驱动或者做带头人。
大模型因为我们一直在关注，也在这方面做了投入、研发、探索，比想象中更加聪明，刚开始大家都是将信将疑，现在大家已经达成共识了，从2019年GPT2出来的时候，当时达到跟人类平均智商水平，2020年GPT3出来的时候，已经到了59%的水平，GPT4已经和人类专家expert的智商接近了，到了2024年openAI01智商到达类似于人类智商120的水平，这个水平已经相当厉害了，如果大家关注原来比较复杂、比较难的数学题，GPT解不了或者准确率很低，，现在随着OpenAI01的出现，都已经没问题了，大家对未来尤其是人工智能在智商方面充满信心，我们跟着他们一路在看，的确比我们想象的更加聪明。
现在是否到达能力的瓶颈期，前段时间国内有一个（dibuceke英译），非常惊艳，AI是非常烧钱的行业，国内（dibuceke英译）在相对低的成本下取得这样的成就还是了不起的，大家现在在讨论是否到了能力的瓶颈，从transformer到ChatGPT到GPT4到GPT-40，一直在起作用的就是Scaling Lows，参数、投入越大，模型能力就越强，这个是在硅谷讲的Scaling lows，ChatGPT典型采用Scaling Lows的方式最大的受益者，成就已经证明Scaling Lows的有效性，现在到了一定程度的时候发现，再加大投入边际收益已经没有那么高了，数据不够用了，该用的数据已经被用完了。
有一个基本结论，基础模型能力定义能力下限，新的Scaling Lows还在探索，在没有那么有钱的情况下，通过其他的方式取得这么好的效果，也代表了未来其他的可能性，大家都在探索，什么是新的Scaling Lows，大家还有不同的方向，没有下结论。
大模型三个阶段的能力，主要从数据理解到决策分析，大模型具备的推理能力这是很重要的能力飞跃，第一个数据可视化；第二个数据洞察；第三个基于数据的决策，现在处于数据的决策，微软CEO、OpenAI、谷歌等都在谈2025年重要的发展里程碑式的工具是AIagent。
大模型擅长理解文本，自然语言模型，理解文本，能总结文本，能提供创意，现在更重要的是具备了一定的理解能力，像调研企业通过AIagent可以分析你的新闻、团队、产品，通过推理整理出来会给你一个结果，相当于人类助手的能力。
AI大模型在不同行业对不同行业的大量应用的场景还处在探索和挖掘的阶段，左边这一列从农牧、制造、食品、饮料到金融，在市场营销中的落地应用是最广的；
软件工程在编程能力提升研发效率上，一个是在行业，对每一个不同的行业，不同的环节，左边这一列是行业，上面是产品制造、用户运营等等，对于不同行业不同环节的影响是不一样的，AI价值正在逐步渗透当中。
现在应用落地最快的是在市场营销中的应用，包括售前售中和售后，包括产品层分析，竞品分析，客户信息分析，策略生成、销售陪练、智能陪练、销售能力的培养，下一步建议，销售进展智能分析包括转化等等，这个是在销售场景中的应用性和可行性，不同环节售前售中售后，包括有模型挑战、数据挑战、业务挑战、AI幻觉挑战。
很多行业销售员工流动性非常大，知识传承和培训既费时又费力，效果不好，行业中已经落地智能陪练比较有效的解决问题，通过虚拟陪练，比传统被动式教学更适合，作为入职之后的培训也作为见客户之前的演练，这些比较成熟了，已经在落地应用了，这些是客户洞察，在场景应用中有客户洞察分析、策略生成、营销内容的生正、广告内容的推广，价值可行性挑战，智能内容运营，通过监控各类平台，热点话题的预测，捕捉，可以生成内容策略，最后一键分发到所有的平台。
大模型在经营分析场景中也有比较多的用处，数据挖掘、战略决策优化、客户行为和需求分析等等。
在经营分析中指标拆解可以通过AI智能体来完成的，垂直领域的AI检索，极有可能颠覆现在所用的搜索方式，面向垂直领域AI检索，这里有一个场景，比如房地产中介，几乎可以比房地产中介做的更好，通过AI检索，还有在文旅场景当中的应用也很广泛，这是一家公司的案例，在人力资源行业中的应用，可以做需求分析，面试机器人，可以培训助手，人岗匹配，可以完成大量的工作，包括智能人才搜索，帮HR去寻人和筛选人才。
在零售行业中的应用，在医疗行业中的应用，在制造业中的应用。
有了大模型以后，为什么所有的科技公司都在提智能体，把大模型能力充分应用出来的重要系统和工具，包括微软2025年的重点是AI智能体，每个AIagent可以承担完成很多任务，本身大模型没办法完成任务，AI智能体通过API主动搜索信息、生成策略并且执行任务，每个人可以为自己建立自己的agent，为团队甚至企业服务。这个salesforce智能体中台已经推出应用，这个是我们公司基于agent中台营销场景的赋能。
原来我们认为增长可能就是10%-30%，现在企业可以寻求增长是几倍，以前技术和业务同等重要，但是在大模型时代对业务场景的深入理解，比技术更重要，很多已经不需要原来的人来完成了，这就是AI1.0、2.0的区别。
总结：模型越来越聪明，远没有达到上限；
大家一定要对未来充满信心，要想象AI1.0时代我们认为完成不了、无法实现的场景，在2.0时代极有可能取得突破，对各行各业都将是巨大的增长机会。
AI推理成本，这是非常好的现象，推理成本越来越低，这意味着你没有欧美那么有钱的情况下，仍然有机会在某些方面做的同样好甚至更好，我们可以暂时专注在终端的效果，多模态类型仍需要时间，推理能力的增强打开之前无法想象的场景，比如决策分析。
我今天的分享就到这里，谢谢大家。
