引语：非共识时代

今天的大模型 To B 赛道，仍然是一个非共识的时代——大模型如何落地，给企业产生实际价值，即使一年过去，也没有一个标准答案。

而厂商想用大模型开拓 B 端市场，则大多从自己的基因和能力出发，各出奇招，至今已经有了几条比较成熟的打法：

有些厂商，意在用更大、更强的基础大模型做突破，以更好的泛化能力应对需求多样的 To B 市场；

有些厂商，则通过数据清洗、精调等手段，把大模型精调成具体行业的形状，再用“大模型商店”让客户可以自由挑选，甚至自己做自己的定制化；

有些厂商，意识到了 AI 原生应用的重要性，便依托自己的大模型能力，接连推出不少应用，快速登陆抢占市场。

各个厂商八仙过海，路径各有千秋，赛道竞逐至今，几个流派仍然还未能分出胜负，非共识向着共识的收束仍在继续着。

当人们讨论到大模型 To B，常常各持己见，有人说技术、有人说应用、有人说生态，难以争出个高下；

而在这个纷争的非共识时代，作为一家拥有着丰富经验的 To B 大厂，腾讯却想要走一条自己的 AI 之路。

大模型赛道的火热，最能让人感受到的是 AI 原生应用和 Agent 产品的爆炸式增长，繁荣如同烟花升空，好不热闹。

作为看客，自然可以额手称庆，感慨于国内大模型产业发展之迅速；而如果拨开鲜花和掌声，着眼于实际的 To B 生意，就能发现，AI 大模型在 B 端市场的渗透率，则远不如一年前预期中的高。

在实际推进落地的工作中，腾讯自然也看到了这一点。

去年6月19日，腾讯云向外界推出了“行业大模型”，一时间让大家看到了大模型在行业落地的希望。过去的报道《行业大模型落地肉搏：谁先扎进行业，谁就先入“咸阳” 》就讲到：“腾讯行业大模型给出的方案，是在平台上开放多个模型，企业在选用了更加适合的模型后，可以针对自己的具体需求，进行定制化的训练。”

这条道路，也被不少追随者所认同——纷纷开放大模型商店，“货架”上摆满了不少琳琅满目的模型以及原生应用。而实际的效果，正如今天看到的一样，还并不能非常完全地解决企业的问题。

而回到腾讯云，在去年619——甚至是在制定 AI 大模型战略的第一天，他们应该就清楚，行业大模型想落地，必须往前再走走。

一方面，腾讯知道，一个模型就算再大，也无法满足大 To B 行业中众口难调的多样、复杂需求，同时也要考虑到 Scaling Law 对于成本的消耗，于是去年6月19日，腾讯推出了自己的行业大模型，把大模型的数据、调优等能力交给用户，让用户定制适合自己的大模型；

这样的想法终归很好，但却远不是大模型 To B 的完成形态——不少IT能力稍弱的用户很难做数据清洗、筛选，更别提模型的精调和评估，行业大模型再好，也不是能覆盖大部分 B 端客户的“解药”。

去年发布行业大模型时，腾讯早就有挽起裤腿，深入 To B 战场的决心。而到了今天，腾讯则必须向深处更进一步，距离用户更近，提供更加一站式、傻瓜式的服务，做可以“开箱即用”的大模型产品。

在这一点上，腾讯则展现出了谨慎而克制的一面——从金融、医疗、教育等行业大模型为起点，腾讯不做大水漫灌，也不做激进探索，而是一步一个脚印，做单点的行业突破，聚焦用户需求细节，站稳脚跟，小步快跑。

“腾讯始终以‘产业使用’，作为发展大模型的核心战略。”在今天召开的腾讯云生成式AI产业应用峰会上，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生说道。

而到了实际的产品发布，一站式AI智能体创作与分发平台“元器”、一条由三大引擎组成的大模型工具链，也被正式推出向公众展示。

实际上，如果用心留意，工具链几乎是每一个大模型平台的标配——毕竟，没有好的工具链支持，AI 原生应用就没法在平台上落地发芽。而各大平台要争夺用户，工具链产品必须得卷，让开发者用得舒服，才能转化为平台上的活跃用户，进而给平台带来活力。

而腾讯云大模型工具链的“卷”，则上升到了一个新的高度。

别人“卷”大模型，卷的是模型效率优化，卷精调的易用性，卷低代码——甚至零代码的用户体验。

而腾讯云，除了这些“必修课”，还“选修”了不少别的“小课”。

以知识引擎为例，用户输入一系列文档，就可以生成一个基于文档知识的 AI 助手。

举个例子，一个保险行业的客户，只需将自己保险产品的说明书录入知识引擎，再加上一些简单的功能描述，按几个按钮，几分钟过去，就能获得一个专属于自己的 AI “保险代理人”，而完全不必关注所谓数据清洗、模型精调等等“高大上”的操作。

而做好知识引擎，腾讯云的杀招不在大语言模型能力上，而是检索增强（RAG）和辅助文档解析和理解的 OCR 大模型。

整合 RAG 进入大语言模型，对于大模型来说，并不是一个独特的技术路线：通过对输入文档的检索，减少大模型性能的浪费，并减少幻觉——而这两点，都是 B 端客户在使用大模型时，最看重的指标。

在接受采访时，腾讯云副总裁、腾讯云智能负责人、腾讯优图实验室负责人吴运声就提到，在将大模型推向 B 端时，遇到过两个很大的难题：

一个是大模型厂商和客户在行业 Knowhow 上的信息差、经验差，让大模型很难真正“落到地上”；

一个是客户对于 AI 的预期很高，都希望 AI 可以一键解决自己的大部分问题，而这与实际还有不少差距。

两个问题统合起来，就把矛盾集中到了一个点：“如何让 AI 可以快速理解企业 Knowhow，并用更低的成本、更简单的操作来带来价值。”

人们对 AI 的想象，是把自己的资料输入给人工智能，人工智能就能理解文档，从而基于文档的内容作答。而实际上，想要 AI 像人一样理解文档的内容，却并不像想象中一样简单。

AI 要理解、输出知识，首先需要精准地将信息进行切分一个个的信息块，其次还得可以准确地检索到用户问题指向的内容。腾讯集结团队，自研了 Tencent RAG （TRAG）架构，为了让客户能够省心、放心，腾讯在 TRAG 做了不少新的尝试：

在知识切分的角度，TRAG 用了相当暴力的方式，先让 AI 理解文档的结构，理清各级标题，再对每个文本做语义级的拆分，在每个切片长度可控的前提下，让 AI 对信息的理解不缺字漏字、断章取义；

而在检索的角度，TRAG 的工业级检索已经支持 4K 左右的规模，并继承了多种检索策略，在各种检索的榜单上，也经常盘踞头名的位置。

也正是这种对细节问题的坚持，让腾讯知识引擎得以在大模型推理、生成能力不掉队的前提下，可以在回复质量上完成突破——相比之前的 AI 客服，腾讯方面的专家介绍道，知识引擎在客服领域的用户满意程度，上升到了之前的两倍。

除了知识引擎，腾讯云本次推出的图像、视频创作两大引擎，也同样各有千秋，服务了不少重点客户并且获得许多好评，本质上，也离不开对用户需求细节的关注。

依托腾讯混元大模型的多模态能力，腾讯云的图像、视频创作引擎，给使用者提供了图像风格化、AI写真、运动笔刷、图片跳舞几大功能，让一般用户可以用 AI 改变过去拍照、拍摄视频的方式；

而生产力工具线稿生图、视频转译、视频画布拓展等能力，则让专业使用者大幅提高了创作与生产效率，能切实地给行业带来一波巨大的产能红利。

就如上面提到的，相比同赛道的竞逐者，腾讯云大模型 To B 关注的领域和行业更加聚焦，以金融、医疗、教育等重点行业为锚点，不断地升级技术、深入理解需求、完善产品，把打下的山头站住、站稳，把每一步都走得踏实。

在金融行业，腾讯与圆心惠保合作，让 AI 成为保险代理人的高效智囊。圆心惠保过去以传统 NLP 作答的机器人，回答准确率仅在57%，几乎对错“五五开”；而得到腾讯知识引擎的支持后，这个数字则提高至了85%，平均下来，给保险经纪人提效了50%。

而教育行业同样对大模型需求非常旺盛。河南省数字教育发展有限公司就在知识引擎的帮助下，仅仅两三个月的前端开发，就成功地把 AI 放进了教案生成、活动策划、虚拟辅导员等教育活动全流程当中，让人工智能在教辅场景的采纳率接近90%，而习题解析和百科问答的准确率则接近了95%。

有技术实力，也有下探行业 Knowhow 和实际需求的耐心，腾讯的“稳”，就是决心要用户危险，做开箱即用的“傻瓜式”产品，让企业用好大模型的“最后一公里”能走的顺畅、稳健。

傻瓜式产品，是最符合世界对 AI 想象的场景——细枝末节的事情由人工智能操心，人类只需要提供创业和构思，生产力就自然被解放了出来。

而要把 AI 做得“傻瓜”，也绝不像人们想得这么简单——背后没点硬实力、强支持，开箱即用的产品还真不这么好做。

在平台支持的角度上，腾讯云 TI 平台在背后提供的超强能力，让做成“傻瓜”产品成为了可能。

今天的峰会上，腾讯也披露了 TI 平台的全新升级：

新增了三大类数据处理流程，简化了100多种任务类型的数据配比；通过优化Prompt和提供Notebook代码，降低了数据处理的复杂性；同时，支持任务排队，提高平台处理能力和稳定性。

数据处理链和精调工具链的全面升级，让 TI 平台有了做好这个灶台的底气——让知识引擎等等 PaaS 产品，进一步降低 B 端用户使用大模型的门槛；

而在与知识引擎的联调中，TI 平台也同样担任了大模型优化飞轮的一部分——支持客观和主观两种评测方式，TI 平台可以结合业务难例和知识库，进行端到端的效果评测，并且持续关注模型精调后的效果，让用户可以及时了解、优化大模型的业务效果。

TI 平台给大模型的数据清洗、精调、评估带来了全面、轻量化的升级；

而到了 MaaS 层，行业大模型也被内置进了知识引擎，让知识引擎可以针对具体的垂直领域，完成有针对性的性能优化。

比如，腾讯的金融行业大模型，在金融舆情分析、投资顾问等场景下，有针对性地进一步强化了专业术语理解、数值计算、文案生成及合规性等方面的性能，让降低了 AI 产品的定制化成本，试图打破 AI To B 的行业“魔咒”。

有了 TI 平台和行业大模型的加持，腾讯自己的混元大模型，同样也是 To B 战场上，一个重要的利器。

经历了再一轮全面升级，又在腾讯内部600个业务场景中开始落地，混元大模型今天已经分化成了 hunyuan-pro、hunyuan-standard、hunyuan-lite等多种尺寸的版本，并已经在腾讯云上，向企业和开发者全量开放。

“能文能武”的腾讯混元，在这一轮升级后，总体性能较之上代，又飞速提升了50%，部分中文能力已经可以追平GPT-4，距离世界领先的 AI 水准更进一步，而 Standard 版本开始支持 256K 上下文的理解，在长文档的理解和处理上也提效不少；

在多模态能力上，混元也开始支持图片、视频、甚至 3D 内容的生成，生成的视频长度可以达到16秒，效果也不输不少竞品。

除此之外，持续升级的还有腾讯的向量数据库，和大模型数据向量化工具——在一系列技术加持下，腾讯和 B 端客户的距离，正通过一套完整的工具链生态，变得越来越近。

“我们肯定是没变过的——腾讯自始至终的导向，都是要距离客户更近。今天，我们提出了知识引擎等三大引擎以及一系列产业应用，和一年前一样，都是为了用户用 AI 的门槛进一步降低。”在接受采访时，吴运声如此说道。

“我们还是要将行业大模型不断地迭代，目的只有一个，就是做‘距离产业更近的 AI’。相比行业大模型，知识引擎距离用户更近，未来可能还会有可以让我们更进一步的成果。”

To B 与 To C 行业不同，不能“一招鲜吃遍天”，而是要随时面对持续产生的新问题，做新的变化，跨过新的挑战；

在这一点上，腾讯大模型 To B 如果不“变”，或者说，不持续地进化，那么终将被 B 端市场无情的大浪淹没。

而长远来看，这一年，不管技术如何变迁，产品如何演进，腾讯的初心没变，路线更没变——通过不断升级行业大模型能力和工具链、产品生态，完成小步快跑，逐个击穿行业，完成渗透和突破。

而从基础大模型到行业大模型，再到AI 智能体应用的演变，实际是腾讯正坚持自己大模型 To B 战略路线的印证。

去年一年，行业已经目睹了盛行在 AI 大模型赛道的“加速主义”，对“错过”的恐惧支配了不少狂飙突进的厂商，让整个赛道炙手可热。

而面对新的激流，吴运声似乎表现得相当淡定。在被问及“今年最大的 KPI 是什么”时，他的回答也一如腾讯云的战略气质——冷静，而克制：

“我们今年最大的 KPI，既不单纯是技术，也不是市场或者商业化，而是我们是否能真正让客户用得满意。反过来说，只要客户满意，我们的技术自然可以得到滋养，市场覆盖率和营收也自然就上来了。