作為人工智能的重要分支，隨著算力、數據、算法的不斷提升，大模型的應用場景也逐漸豐富。大模型與各產業融合，也成了其發展的主流趨勢。越來越多企業開始探索大模型應用，教育、醫療、金融等垂直領域大模型開始展現出更精確、高效、安全的優勢。據IDC預測，至2028年，國內大模型解決方案市場規模預計將超過20億元，增長規模超過100%。
與此同時，政府及相關機構對大模型技術的支持和推廣，也進一步促進了大模型走入千行萬業。2023年12月，國家數據局發布《“數據要素x”三年行動計劃（2024—2026年）（征求意見稿）》，提出以科學數據支持大模型開發，建設高質量語料庫和基礎科學數據集，支持開展通用人工智能大模型和垂直領域人工智能大模型訓練。同時，北京、上海、深圳、安徽、四川等省市也陸續出臺大模型產業發展措施，加速大模型應用落地。
最新的消息則來自于2024年世界互聯網大會，工業和信息化部副部長張云明在烏鎮峰會上表示，工信部將搶抓新機遇，應對新挑戰，瞄準大模型，布局大算力，整合大數據，深挖大產品，培育大企業，保障大安全，加快發展新質生產力。
當然，在大模型與產業場景結合的過程中，制造業、金融業、醫療產業都已從試點應用，走向了規模化復制推廣的新階段。
比如，AI工業質檢已經進入到于汽車制造場景中。汽車制造業普遍面臨零部件種類多、型號多、缺陷種類多的質檢重點問題，而在AI工業質檢深入沖壓、焊裝、涂裝、總裝等生產制造環節后，高精度測量、缺陷檢測等優勢明顯。AI質檢不僅提高了產線良品率，更縮減了企業在人工質檢環節投入的資金成本。
在醫療產業，醫藥大模型在蛋白質結構預測，發現創新標志物等科研領域，已得到廣泛應用，為新藥研發提供了高效、科學的依據。在診療場景中，基于AI影像識別一些研究機構和公司已經開發出了一系列的AI診斷模型，并在臨床環境中得到了應用。這些模型可基于CT檢查快速識別出常見疾病標記，如肺結節或腦卒中，還可以對一些復雜的疾病，如心臟疾病或肺癌，進行深入的分析和診斷。
走入核心業務環節，還需解決掣肘大模型發展的關鍵點
在大模型商業化、應用化的當下，大模型應用要面對的是更為復雜的數據和場景。用戶對行業側大模型在精度和效率上的要求都更細膩。大模型想真正將落在各行業業務核心環節，軟件層、硬件層和能耗方面的三大關鍵問題依舊不容忽視。
大模型之所以是大模型，其根本在于其對數據、算法、算力的需求量更為龐大。在大模型訓練過程中需要不斷優化算法，提高模型精度和泛化能力，這一過程極為復雜且耗時。僅僅在數據上，行業數據就涉及內部信息、企業客戶信息等敏感內容，如何保障數據安全合規、并完善高質量的數據治理、清洗、標注等工作是大模型訓練的第一個門檻。在大模型集成到現有業務系統的過程中，保障數據格式標準化、規范化，解決通信協議等等難題都要解決。
隨著大模型參數規模邁向萬億級，訓練用算力集群需要高效分配和調度算力資源，以滿足大模型訓練的高并發需求。有調查顯示，超過64%的企業部署AI應用的時間周期長達90天，甚至更久。一方面，大模型部署過程中，確保訓練推理業務件軟硬件數據等實現無縫流轉對接并不容易；另一方面，模型部署階段冗余較多，模型的精簡、蒸餾、壓縮每個環節都要逐一處理耗時費力。面對部署、推理等不同階段單一的標準化機柜，只重視集群規模、疏忽系統性工程調優的打包方案，并不能滿足其精細化的需求。不適配的結果就是資源浪費、效率爬坡難。各行業甚至同行業的不同場景對計算的差異化需求，就需要定制化的云邊端算力硬件組合支持，這無疑也增加了大模型的適配難度。
在效能方面，大模型應用部署后期，大模型運行消耗所需的大量能源占企業成本支出的大頭。降低能耗、減少能源浪費，保障穩定的運行環境，才能促使大模型真正走入更多企業的業務核心環節當中。
軟硬協同的算力服務，加速大模型業務轉化
基于大模型與各產業融合發展的客觀趨勢和痛點問題，算力廠商也在不斷迭代算力服務方案。同時，信通院也在《智算基礎設施發展研究報告（2024年）》中指出：全棧式服務，是智算基礎設施能否為用戶提供優質AI服務的重要標志之一。由此可見，錨定算效提升和用戶體驗升級，為企業提供全棧式服務，才是優質算力服務的金標準。
近期，寧暢于世界互聯網大會期間，在烏鎮公布的“精裝算力”概念也更為契合全棧式服務要求。簡單來說，精裝算力就是根據不同行業、不同場景的實際需求，提供定制化的硬件、軟件解決方案。從能力出發，寧暢依托定制化、全棧全液能力打通軟件層、硬件層和能耗關鍵點，針對多種復雜算力需求給出了可調、可變、高效運行的全棧能力。
基于軟件層面，寧暢的全局優化能力，可為企業用戶提供從集群到算子再到模型軟件優化、涵蓋算存網管用全體系優化；而依托寧暢平臺級AI管理能力，企業用戶則可充分利用已整合的軟件資源，高效構建大模型所需基礎設施。在專業技術團隊和服務團隊的長尾運營中，用戶也能快速解決技術難題，將更多的精力投入到應用層大模型的打磨落地中，加速業務成果轉化。
另外，目前寧暢覆蓋服務器、機柜、數據中心等多形態的全棧全液AI基礎設施方案，也圍繞液冷技術更長遠的解決了大模型高功耗的問題。未來隨著計算需求不斷提升，液冷技術勢必會成為節約能源成本，保障企業長久使用大模型的核心解決方案。
大模型走入業務場景已取得了階段性成果，在政策的支持下，在技術的不斷迭代中，大模型商業化、應用化已成為其長久參與數字經濟發展的內核。與此同時，大模型應用化中軟硬協同和能耗資源浪費等問題依舊客觀存在。縱觀產業發展，軟硬協同的服務能力將成為促使大模型長期參與各產業融合的關鍵點，大模型應用的算力供給也將由粗放式發展走入精裝時期，軟硬協同的算力服務正在成為主流。
對更多對大模型有渴求的企業而言，選擇具備定制化能力和長遠運營能力的算力廠商，一方面能賦能自身業務體系絲滑加入數智升級陣列，另一方面也能真正實現在大模型使用過程中省心、省時、省力、省錢。
