文 | 智能相對論
作者 | 葉遠風
兩會落幕，「人工智能+」已成為國策，而全面推進智能化建設，大型政企首當其衝、責無旁貸——它們既是智能化轉型升級的重要構成部分，也能直接在垂直領域形成價值引領、以點帶片。
當智能成為大型政企下一步的必須選擇，雲計算以其全方位助力的價值，正在成為最好的技術工具。
只是，在大型政企面臨的只許成功、不許失敗的「低容錯率」下，選擇合適的外部合作方變得十分關鍵。
如何選擇？
事實上，政企智能化升級往往基於問題、痛點而進行，這就如同看病開藥，同樣的問診需求，各路醫家開出來的「藥方」不管說得有多麼好，只有那些被實踐證實有確切療效的「驗方」才更值得信任，否則只能是空有療效期許、充滿不確定性的「偏方」。
從這個意義上看，那些已經做出了很多現實標杆案例成績的雲計算廠商，更值得信任。
典型如，華為雲已在智慧城市、能源、金融、交通等領域打造多個成功標杆案例，其為大型政企們開出的「智能化配方」，就是能夠解決痛點、滿足需求的「驗方」。
最近，華為中國合作夥伴大會2024在深圳召開，大會期間，頗多華為雲攜手夥伴服務大型政企的相關案例實踐向外界進行了分享，從中，智能化「驗方」如何而來也有了脈絡。
能力「配伍」全+「單味」藥性強：華為雲開出大模型混合雲「驗方」
先來看兩個案例。
在高鐵運營過程中，動車組的人工巡檢長期面臨部件結構複雜、勞動強度大、夜間疲勞作業、人員素質參差不齊、作業中間環節多等業務痛點問題。
交通運輸繁忙、責任重大，既要保證效率又要保證效果。
針對此種情況，北京鐵道所與華為雲合作，以盤古鐵路大模型賦能高鐵巡檢機械人，以混合雲的方式訓練部署，對常見故障實現了全覆蓋（以CRH380AL為例子，目前覆蓋17大類，160+小項，16000+檢查點），能夠實現高鐵重大故障識別100%無漏報、高鐵故障識別準確率大於98%、高鐵故障漏報率小於2%、測量精度誤差小於0.5mm等效果，大大超越人工巡檢能力。
在該方案的支持下，高鐵動車組巡檢可實現人機交檢作業，替代下部組人工日常巡檢——動車組入庫360識別診斷，巡檢機械人報出故障後，再由人工遠程或現場複核，對真實故障進行修復。
由此，每套巡檢機械人可減少2-3名下部作業人員，一個6線庫配置2-4套巡檢機械人，可至少減少30% 的作業人員，並大大提高了故障檢測的效率和效果。2023年9月上線後，每天晚上進車的機檢-人工檢修過程已經完成94次，發現故障500多項，其中真實故障49處。
在煤礦等礦場作業過程中，長期存在高安全風險、高勞動強度、低人效等痛點問題。
例如，在防沖卸壓作業場景（一種為了安全的保障作業），對鑽機、鑽孔等的質量監管，過去依賴井下錄製視頻、井上對視頻逐個進行人工核驗的方式，存在人工審核工作量大、核驗滯後時間長、監管回溯難等問題。
雲鼎科技和華為雲基於盤古視覺大模型打造了防沖卸壓AI監管系統，以CV基礎大模型能力幫助山東能源實現作業影像實時傳輸分析，從而判定作業行為是否合格。李樓、新巨龍等煤礦引入後，降低了82%的人工審核工作量，讓原本3天的防沖卸壓施工監管流程縮短至10分鐘，實現防沖工程100%驗收率。
在這背後，是山東能源與華為雲聯合發佈的全球首個商用於能源行業的AI大模型——盤古礦山大模型，以混合雲的方式在山東能源訓練部署，首批正在涵蓋採煤、掘進、主運、輔運等9個專業的40多個場景實現應用。
在這兩個「有確切療效」的案例中，可以發現華為雲開出都是大模型混合雲「驗方」，其具備兩個特點：
第一，是構建了成熟、體系化的能力協同「配伍」。
華為雲大模型混合雲能夠針對「問診」需求，整合多味「葯」進行「配伍」，發揮協同作用，全面、系統解決問題。
無論是與北京鐵道所合作幫助動車巡檢，還是與雲鼎科技協作幫助山東煤礦實現智能化升級，華為雲都在以大模型混合雲的體系化建設，多角度、全面地解決大型政企客戶的智能化升級面臨的問題。
在這個「驗方」中，有底層的昇騰算力，有落地於各區域的昇騰AI雲服務，更有在盤古基礎大模型基礎之上與夥伴、客戶共建的行業大模型、場景模型，集Al生產鏈算力平台、開發套件、專業服務、雲服務於一體，一層一層、一步一步最終導向場景，這就是「配伍」的直觀展現。
具體而言，大模型混合雲能夠提供從算力平台、計算框架到AI訓練開發平台、大模型全鏈路自主創新的產品方案，幫助大型政企在本地數據中心一站式建設自己的專屬大模型，並通過多雲協同架構，幫助大型政企將大模型從本地延伸到邊緣和公有雲，實現公有雲上訓練、混合雲微調、邊緣雲推理全場景跨雲部署，滿足合規性需求。
最終，華為雲的大模型混合雲以全面的能力「配伍」，讓山東能源建立了一個集中心訓練、邊緣推理、雲邊協同、邊用邊學、持續優化等特徵為一體的人工智能運行體系，大大提升煤礦生產智能化管理轉型。
第二，是在優秀的「配伍」中，強力的「單味」藥引導了藥效突破——「驗方」有效，「單味」藥性足是關鍵，其他都是全過程的配合與協同。
在政企智能化這裡，最終面向場景必須要能切切實實創造智能化效益。從前文可以看出，華為雲大模型混合雲促成一系列優質案例，核心也在於盤古大模型技術能力在混合雲模式與夥伴的幫助下能夠實現場景價值突破，實現增安、降本、提效等場景價值。
從2019年開始，華為雲就開始投入AI大模型研發，一直堅持「AI for Industries」。華為雲盤古大模型從誕生之初就是為行業而生，強調幫助行業解最難的題，做最難的事情，思考用大模型解決各行業研、產、供、銷、服等環節面臨的複雜難題，以現實的產業價值落地為導向。
當「人工智能+」時代到來，這必然是一個療效確切的「單味」葯，在華為雲大模型混合雲的 「配伍」支持下形成政企智能化「驗方」，發揮出最大的價值。
成熟、系統「配伍」+強力「單味葯」，華為雲大模型混合雲這個「驗方」已經開始在不同政企發揮價值，在礦山、金融、鐵路、政務等領域有豐富實踐，實現全場景部署、跨雲訓練、多雲適配等。
這也進一步證明了，當智能成為大型政企下一步的必須選擇，雲計算已經成為最好的技術工具。
「千人千方」：在全面能力儲備下，以豐富產品滿足不同政企實際需求
「驗方」形成後，並不是人人都適用，要根據實際問診需求進行必要的配伍調整，而其前提是，要有足夠的「葯」儲備，能開出不同的方子、滿足不同的需求。
北鐵、山東能源案例之外，目前華為雲已經協同合作夥伴，服務了全部97家央企中的50多家，以AI+工業互聯網，幫助其提升效率；服務了800+政務組織，以AI+大數據，提升政務服務質量和城市治理效率；服務了300+金融機構，以雲原生，推動核心業務基於雲逐步分佈式改造，等等。
可以看到，海量的大型政企案例背後，不同政企會有不同的技術、產品「配方」，華為雲既提供全棧式能力「配伍」，也往往凸顯了某個直接帶來價值的單項尖刀產品的能力。
以金融機構為例，隨着業務不斷拓展，用戶量快速增長，中國郵政儲蓄銀行面臨百TB級海量歷史數據、千億級單表數據量，甚至高峰期上萬的用戶並發量，原本基於IOE體系架構的個人業務核心系統已經無法滿足日益增長的業務需求。2019年，郵蓄銀行攜手華為雲GaussDB數據庫全面啟動新一代個人業務分佈式核心系統的規劃和建設，2022年4月全面投產上線，完成傳統商業數據庫的全面替換，實現了全技術棧的自主把控。
在GaussDB的強大特性下，新一代分佈式核心系統讓郵蓄銀行新系統可為全行6.5億個人客戶、4萬多個網點提供日均20億筆、峰值6.7萬筆/秒的交易處理能力，有效應對月末等節點的業務需求衝擊。
類似GaussDB這樣的「尖刀」產品，華為雲還有很多，例如全流程提升開發效率的軟件開發工具鏈CodeArts，滿足特定服務器需求的雲耀L/X實例，直接的場景化應用如數字化差旅、數字人等，以及起到輔助保障作用的雲上雲下一體化安全解決方案等。
能力全面才能千人千面，調整「驗方」滿足不同政企客戶需要、形成個性化「配方」，服務千行百業、鍛造萬千落地成果，華為雲已經成為面向政企智能做得最好的一朵雲。
這也意味着，在雲計算生態中，如果要抓住「人工智能+」的時代機遇，擁有豐富產品且有眾多夥伴攜手共進的華為雲，同樣也是生態參與者向企業交付智能、實現共贏的最好夥伴，畢竟，樹大且根深，久經風雨考驗，才值得託付、值得共同成長。
總之，華為雲在政企市場不同領域的諸多成功實踐，為大型政企數智化升級提供了成熟的、經過實踐檢驗的智能化「驗方」，華為雲是政企智能升級的良藥，是能夠為夥伴帶來共贏的生態核心。
*本文圖片均來源於網絡
此內容為【智能相對論】原創，
僅代表個人觀點，未經授權，任何人不得以任何方式使用，包括轉載、摘編、複製或建立鏡像。
部分圖片來自網絡，且未核實版權歸屬，不作為商業用途，如有侵犯，請作者與我們聯繫。
•AI產業新媒體;
•澎湃新聞科技榜單月度top5;
•文章長期「霸佔」鈦媒體熱門文章排行榜TOP10;
•著有《人工智能 十萬個為什麼》
•【重點關注領域】智能家電（含白電、黑電、智能手機、無人機等AIoT設備）、智能駕駛、AI+醫療、機械人、物聯網、AI+金融、AI+教育、AR/VR、雲計算、開發者以及背後的芯片、算法等。
