DeepSeek橫空出世，因其成本低、性能好、生態開放等優勢，掀起個人、企業乃至政府爭相應用的熱潮，推動開啟AI大模型普及化應用的元年。
賽迪研究院分析認為，AI大模型大規模應用對于我國AI大模型快速迭代發展意義重大，但亟須同步解決好底層框架穩定性不高、跨行業融合存壁壘、生態支撐有限等三大問題。
當前，我國正值人工智能發展關鍵戰略機遇期，亟須從技術攻關、行業適配、風險預警三方面入手，構建AI大模型應用良好發展環境，在新一輪科技革命和產業變革中下好先手棋、贏得主動權。
深度求索的DeepSeek-V3和R1大模型發布以來，以開源和高性價比的特點以及支持免費使用、任意修改和衍生開發，大大降低了使用門檻，帶來大模型部署熱潮，云服務廠商、科技企業、垂直領域行業企業甚至地方政府等紛紛接入DeepSeek，針對具體需求定制化開發產品與服務，推動AI應用生態的繁榮發展。
但同時，AI大模型在具體行業的推廣應用仍面臨可靠性與穩定性難題、深度應用的成本高企及生態支撐相對薄弱等系列瓶頸。
底層架構“黑箱”效應等難題尚未破解，適應行業深度應用的可信產品供給較為匱乏。
隨著AI模型訓練數據量和參數規模呈現指數級增長，算法架構也趨于復雜，導致模型缺乏可解釋性和透明性，特別是深度神經網絡模型的“黑箱”特性，使得在更加關注推理、決策和運行過程的具體行業應用中尤為棘手。
同時，大模型在面對新場景和處理復雜任務時也常因缺乏行業知識而輸出與現實不符的“幻覺”或不可靠結論，難以確保行業應用中的可靠性與穩定性。例如，盡管大模型處理復雜數學運算能力突出，但卻無法確保運算的正確率。據報道，ChatGPT-4處理簡單加法和字謎時錯誤率甚至比部分小模型高出15%，而Meta旗下大模型LLaMA在簡單兩位數任務上的正確率竟未超過60%。同時，據Vectara測試團隊發布的LLM大語言模型“幻覺”排行榜，ChatGPT-4、OpenAI-o1、阿里Qwen2.5-Max和DeepSeek-V3的幻覺率分別為1.8%、2.4%、2.9%和3.9%。與此同時，DeepSeek-R1以及Google PaLM-2的幻覺率均超過14%，且不管模型先進與否均無法完全避免幻覺問題。
此外，盡管AI大模型在通用領域展現出強大能力，但具體產業場景的復雜性和專業性使其實際落地時面臨顯著的適配難題。特別是制造業領域數據的多模態特性要求模型具備跨模態融合能力，而現有大模型對時序數據、高精度物理參數的解析準確率還普遍偏低，且訓練數據不能完全代表現實產業的復雜性，難以滿足制造業產線穩定和高效運行的嚴格要求。由于輸出結果的潛在不準確性，企業在廣泛深入應用大模型時趨于謹慎，直接阻礙了AI大模型行業落地。
海量產業鏈上下游主體分散式接入大模型，長期“單兵作戰”恐增加后期協同成本。
當前，各行業主體積極接入大模型端口，雖短期大幅提升了自身運營效率，但卻忽視了長期產業鏈上下游協同應用的重要性，特別是廠商在基于DeepSeek-R1模型提供服務時算力成本高企，MaaS（模型即服務）價格并未降低。以滿血版DeepSeek-R1每百萬token（輸出）收費16元計算，如果每日輸出1000億token，基于DeepSeek的服務每月的機器成本是4.5億元，即虧損4億元。
經某長三角新能源汽車產業集群統計，內部約38%的零部件供應商未接入DeepSeek系統，導致數據交互環節的傳統ERP（企業資源計劃）系統生成計劃需延長72小時，經人工翻譯適配主機廠大模型智能排產系統；成本核算環節的手工填報數據與主機廠DeepSeek動態成本模型產生15%誤差，造成季度供應鏈金融授信額度誤判1.2億元；質量追溯環節的缺陷零件追溯時長從行業平均4.2小時激增至27小時。
由于前期大模型接入步伐不一致，主體應用間的基礎能力呈現明顯差距，而產業鏈任一環節的數字化斷點都將放大整體協同成本。湖南磐云數據基于DeepSeek開發的供應鏈協同平臺數據顯示，全鏈條接入可使訂單響應速度提升300%，異常事件處理效率提高420%。
隨著AI大模型迅速滲透并賦能行業發展，后發企業的追趕成本將呈指數級增長，難以跨越基礎能力鴻溝差距，進而限制AI大模型應用推廣。
AI大模型推廣應用的生態環境尚不健全，數據、標準、倫理等基礎條件相對薄弱。
高質量訓練數據樣本稀缺且割裂，長期將從源頭掣肘我國AI大模型推廣應用。例如，醫療等垂直領域數據開放率不足，醫療影像大模型訓練需10萬多標注樣本，但三甲醫院數據因隱私保護難以共享，誤診率高居不下。麥肯錫2024年報告顯示，歐盟GDPR等法規使跨境數據成本激增，企業合規支出占AI項目預算30%以上，后續難以適應復雜多元的AI大模型推廣應用需求。
AI大模型應用范圍和深度的持續拓展，取決于其面對復雜多變市場需求的應對能力，但當前AI大模型在處理與道德、法律、安全、隱私和社會影響等相關問題時，標準體系水平短板較為突出。根據歐盟AI監管草案，甚至全球主流十大AI模型均未達到標準，Aleph Alpha、Anthropic等產品得分低于25%，主要問題集中在版權責任不明確、能源使用報告不均衡、風險緩解披露不充分等方面。
隨著我國DeepSeek大模型迭代周期縮短至45天，傳統的規則制定模式難以為繼，政策出臺大大滯后于技術創新和商業模式更迭進程，非法收集、泄露國家安全及個人隱私數據風險高企。若不能及時在上述數據、標準、倫理等領域建立保障體系，將面臨推廣隱患大，不推廣就落后的窘境。（賽迪智庫 王凡 趙會來 崔冰 郭雯）
轉自：中國電子報
【版權及免責聲明】凡本網所屬版權作品，轉載時須獲得授權并注明來源“中國產業經濟信息網”，違者本網將保留追究其相關法律責任的權力。凡轉載文章及企業宣傳資訊，僅代表作者個人觀點，不代表本網觀點和立場。版權事宜請聯系：010-65363056。
延伸閱讀
