私域大模型建设记录（一）

就在这周，公司内部终于正式启动了关于大模型技术的预研项目。领导不仅迅速认可了我提出的想法，还让我来统筹整件事情。具体来说，我梳理了几个行动方向——

第一，围绕未来构建港航与建筑设计行业的私有大模型，开展一系列科研和生产活动；第二，主动与那些已经在做私有大模型服务的厂商沟通交流，互相借鉴、彼此启发；第三，积极拥抱大模型AI技术，借助外部力量，在公司内部普及提示词工程等相关的使用技能培训，以此来发动更多人参与到有价值应用场景的探索中；第四，思考如何在项目交付的同时，逐步搭建一个有利于积累后续构建私有大模型所需数据的机制。

当然，这些是写出来给领导看的。实际上，我更关注的是，如何能在公司名正言顺地搞大模型，并利用它的能力做出一个属于自己的产品。回想起来，真正让我憋不住的东西，其实是几句“鸡汤”——

我们花太多的时间在工作上，所以工作应该有更深刻的意义。——萨提亚·纳德拉

对一个东西最好的批评，是做出新东西来替代它。——KK

不打就不会输，打就一定要赢。——电影《打擂台》

What I cannot create, I do not understand。——费曼

最后一句，几乎可以算作是我人生信条一样的存在。我渴望亲手主导搭建团队，主动挑选每一个认可的人，希望团队成员都有极客范儿，做事积极主动，并且永远做到“no excuses”。但运行一周之后，就发现了一个很直接的现实问题：我对团队的能力水平，存在着不小的误判。

• 大家太过于习惯有管理的推进模式——如果没人把任务甩到你头上，你完全不知道自己要做什么；
• 大家太过于习惯有人带着走的学习模式——还没有真正把AI当作最好的导师；
• 大家太过于习惯被外部力量牵引——缺乏意愿去做一些属于自己的事情。

与此同时，好消息是，大多数第一时间加入的人，无论主动还是被动，都明白做这件事情不单纯是为了公司，而是为了不让自己的时间白白浪费。再低限度，起码能在简历上写上一笔“参与了这么个事”。但很明显，想把开源社区的玩法直接复制过来，是不现实的。大多数人甚至无法适应每天几十条信息的轻度“信息轰炸”。所以，后续也只能按照传统项目管理的方式来推进了：项目启动会、定目标、定WBS、定标准、分配任务……总而言之，好歹是开始了。敢挑战这个事情，通常也是因为先有了一种自信——觉得自己一个人也能搞出来，我才会在公司内部发起这个东西。

软件不做定制化，如何赚钱？

这是个很现实的问题。从实物产品的逻辑来借鉴，定制化通常意味着量身定做、高客单价的服务；标准产品则是批量生产。而当互联网产品也在强调垂直细分时，软件产品无论是C端还是B端，本质上都是在服务某一特定群体。一家公司希望靠产品力取胜，前提就是必须对所服务的群体极为熟悉，甚至自己就是那个群体的一员。这种熟悉所带来的优势，比去探索一个完全陌生的领域再形成产品，成本要低得多，也更容易让自己进入一个正向的高增长循环。

数据人在职业领域一直存在一个深层痛点：很难对某单一行业形成深厚而独特的认知，同时又不得不反复学习不同的行业知识来应对各种数据产品需求。改变方向有两个：一是借助智能工具与信息分析，缩短熟悉某个行业的周期；二是选择一个相对熟悉的行业，持续深耕，不断积累独特的认知——最好是学科层面的认知。但行业本身也有周期性变化。未来人的一生可能要经历三个以上不同行业，甚至从事现在还不存在的行业，想要避开终身学习显然不现实。那么答案应该是“大小飞轮一同转”：小飞轮让每一个迭代都做得更快更好；大飞轮让前后从事的行业相互关联，带来叠加优势。也就是说，在积累层面，要从以往那种堆时间的模式，转向一种效应叠加模式。这需要建立一种能在多个行业之间建立关联的认知框架，或者说，需要某种更强大的通识基础来作为支撑。

数据人的尴尬，从我入行到现在，其实没太大变化。但可观察到的同行破局案例并不少。比如，

的公司，以数据为资产来构建产品和服务，例子包括社媒数据、语料数据、地理数据、电商数据等等。的公司，以一站式大数据工具为主导，靠卖工具加服务活命。不过卖工具终究免不了大量服务，两边总是相互拉扯。的公司，干脆就堆人头，产品难搞就专注做服务。但这个模式对实施人员普遍不友好，人员流动性极高。而且，数据产品面向的用户始终以数据人为主，很难直接触达终端用户。

在大模型多模态能力的背景下，

。虽然大模型的能力爆发目前集中在C端，试错成本极高，但在B端的发展可以稍微慢一些，优先解决数据隐私问题是关键。不过，未来的智慧化——也就是数字化与智能化——已经不可能再绕开大模型了。技术路径本身并没有多么复杂。从API使用的角度来看，甚至比大数据和数字孪生还要容易；而大模型又可以为这两者带来许多实质性提升。

记录周期：2023年12月3日 ~ 2023年12月9日