CES观察：AI无处不在，但大语言模型的主要应用场景仍停留在聊天

资深分析师Anshel Sag说过这样一句话：“在去年的CES上，AI还没什么存在感；今年？它直接成了海啸。”这个形容一点不夸张。大模型的热浪席卷了整个会场，可实际体验下来，从电脑到小家电，AI化的深度参差不齐——几乎所有的产品都只能算是沾了个边。AI确实无处不在，但和产品之间的融合究竟有多深？只能说“有了”，离“好用”还差得很远。这篇文章会围绕互联网二手房数据，用上语义分析、机器学习和大模型技术，从统计、分析到挖掘输出多种结论，目的是帮用户避开那些浅尝辄止的坑，挖出真正有价值的判断。

01 传统BI面对的问题

传统BI到底卡在哪里？至少有三个痛点：

• 业务人员提需求，信息部门来开发，一来二去，信息传递必然有损耗。而且业务人员并不一定代表行业最深刻的理解——在某些方面，大模型的覆盖面反而更广。
• 开发周期长。等报表和分析报告正式发布，最佳营销时间窗口很可能已经过去了。
• 对数据的洞察水平，高度依赖团队里每个人的能力高低。所以我们这套方案，是把大模型的通用性和行业数据的独特性结合起来，给出更智能的解法。

02 ChatBI要解决的问题

那ChatBI又是怎么破局的？具体来说，它瞄准了五个方向：

• 基于大模型智能生成（AIGC）应用模块——报表、图表、挖掘结论都能自动产出，打破个人认知的边界。
• 以智能助手的身份，直接成为业务人员或研发人员的助理。而且，这个助手还能进一步修正和训练，越用越顺手。
• 后台引擎提供了丰富的agent，能满足个性化的报表需求，多维度图表、深度数据探查、数据挖掘能力全部集成，大大增强了分析能力。
• 所见即所得。只要用文本输入就能找到答案，再也不用在繁琐的目录菜单里翻来翻去。
• 打破数据源的壁垒，支持跨数据源的融合，数据和数据之间的墙被推倒了。

03 解决方案

毫无疑问，AI与各种场景的融合正在不断加深，而这种融合从各个方面都在提升智能产品的能力。我们的团队基于互联网二手房数据，借助AIGC技术，做了一套“预训练+实时数据”的AIGC案例。这算是给“生成AI融合万物”的期许开了个好头。从这些“实体化”了的AI中，和大家一起挖一挖未来可能的趋势。

入口和ChatGPT一样——简便的输入框，客户通过自然语言就能完成交互。

综述：数据总览

当用户想获取某个主题的数据，比如输入“深圳二手房信息总览”，ChatBI模型会反馈一份综述信息，让用户对该主题有一个全面的了解。

模态一：统计报表

用户输入“查看小区名称总房价信息”，就能得到列表结论。如果想调整表头，比如行列合并、加粗、标记等，也都可以通过文本交互实现。需要过滤条件？直接说就行，立等可得。

模态二：图表

图表方面，趋势、对比、分布、同环比等常见统计场景全部覆盖。

模态三：挖掘结论

：自动计算各指标之间的相关程度。

：预测、推荐、分布等挖掘需求都能得到答案。它能帮助用户发现指标属性之间潜在的关系——比如房价和其他指标的相关性、房屋卖得好和哪些属性关联最大。这些结果往往能跳出传统经验的局限，带来意外发现。

模态四：开放性问题

大语言模型在语言交互、知识检索之外还有一个很强的泛化能力——统合信息进行预测。当这些信息是非语言、或者我们难以理解的语言时，预测在某种程度上就成了翻译。比如，很多科学家已经在尝试用大语言模型理解鲸鱼、狐狸的语言，并且取得了一定效果。

在私有模型的基础上，我们结合私有化部署的通用模型输出行业结论，供综合分析使用。举个例子：输入“推荐一个在福田区的小区，具体要求是低楼层、坐北朝南、四室一厅、一年内的小区”，就能得到如下结论。