在全球范圍內，不同的AI體系正處于不同的推廣和部署周期階段。深度學習、機器學習和計算機視覺技術已經在企業和公眾中已經得到廣泛應用，而生成式AI（GenAI）則正在全球的企業中迅速崛起。

對于在中國運營的企業、無論是全球還是本地企業，其商業領袖們必須認識到，中國活躍的AI技術生態、嚴格的監管環境、行業特定需求等因素對人工智能的敘事、路線圖和戰略方面產生一些獨特的影響，他們因此必須對這些特點予以關注，方才能夠在其業務和IT戰略方面更好地適應中國的AI生態。

中國AI生態的特性

我們在中國舉辦的每一次高層對話中，人工智能（AI）都是議程的首要議題，尤其是那些將其績效與總部標準進行對齊的全球跨國公司、以及希望以AI驅動生產力的中國企業。對這些企業而言，中國的AI生態獨具特色，其特征是：監管環境快速進化、供應商和應用網絡日益壯大。這一獨特的本地生態系統給他們的AI解決方案同時帶來了復雜性和和獨特的機遇。

另一個特征在于AI應用的目標市場的不同。例如，在美國等國家，大多數AI應用面向公眾，而中國的AI應用則更多地面向細分市場、面向特定的行業應用場景。這就使得這些相關的企業有機會在中國延展他們細分的解決方案，例如，利用AI進行市場需求的預測、并提高其生產協同的自動化程度。

此外，人工智能生態系統的二元性正在出現，這是由于中美主導了世界人工智能的發展、同時參與者所處的不同的法律和經濟環境卻存在差異所決定的。隨著生成式AI用例在各行各業的不斷發展，這種分化變得越來越明顯。雖然這種二元性增加了在中國運營的外國公司的復雜性，但許多公司已經采取了合適的方法、適應了數字世界的現實、甚至享受了二元性帶來的益處。

綜上所述，隨著中美主導人工智能發展，在中國運營的企業——包括跨國公司和中國民營企業——正在開啟一個嶄新和獨特的機遇之門。

挑戰與未來

我們首先要了解有哪些挑戰。考慮在中國國內部署AI應用的企業主要面臨三大挑戰：

1. 了解相對復雜的、快速跟進的法律體系

中國早在2017年便開始建立AI治理和監管框架。發布于2017年的《新一代人工智能發展規劃》明確了到2030年成為全球AI領導者的目標。此后，政府發布了一系列相關的通知、指南和標準。最近的一次是2024年7月由工業和信息化部發布的《國家人工智能產業綜合標準化體系建設指南》。到目前為止，其中引起最多關注的法規是2023年8月發布的《生成式人工智能服務管理暫行辦法》。

此外，涵蓋網絡安全、數據隱私、數據傳輸等方面的法規陸續出現，其中包括《網絡安全法》（CSL）、《數據安全法》（DSL）、《個人信息保護法》（PIPL）以及《促進和規范數據跨境流動規定（CBDT）》。

對于AI提供商、包括大型語言模型（LLM）的開發人員，最需要關注AI模型的注冊和合規性測試方面的強制要求。合規的LLM名單由中央網絡安全和信息化委員會辦公室（CAC）發布，可在CAC網站上查閱。

這些法規給人工智能的提供商帶來了一些挑戰：

- 挑戰之一，合規和監管導致解決方案的難度：企業必須進行額外關注以確保遵守新法規。嚴格的數據安全、處理和處理要求解決方案必須滿足嚴格的數據安全標準，特別是對于那些依賴多樣化的、廣泛的數據集的企業。例如：一家企業在位于新加坡的總部部署了一套基于OpenAI的智能客戶情報分析和智能響應系統，這家企業在中國開展業務時，就必須考慮在中國境內重新部署經過國家權威部門認證的新模型，以避免敏感數據的出境、以及使用合規的AI模型的問題。

- 挑戰之二，選擇正確的技術路徑：這些要求可能會限制技術選擇的范圍，要求企業在合規的框架以內進行技術創新的競爭。例如，某家跨國醫藥公司在國外成功開發了一套先進的腫瘤診斷AI系統，該系統基于第三方的最新的機器學習算法，能夠對患者的醫療影像進行高精度的分析，可以識別早期、尤其是細小而難以辨識的癌細胞。當需要在國內應用時，由于模型是第三方所有，該公司無法直接驅動其認證過程，這樣就迫使這家公司基于國內合規的模型重新進行開發，這表明，該公司在構建技術治理框架時，沒有充分考慮合規性的問題。

盡管如此，對于使用AI服務的企業而言，了解這些法規有助于明確每個項目的合規性需求。我們強調：經過大型模型標準合規性評估授權和模型注冊是安全合規性的重要保障。企業部署的AI如果是向公眾提供服務，其監管會更加嚴格，但是對于企業內部使用的限制相對會小一些，這就造成了當前在企業內部AI部署增長得更快的事實，其用途包括優化工作流程、提高生產力和重塑內部企業職能等。這是業界的一個顯著的特點，同樣應當予以關注。

2. AI服務供應商及其LLM的可用性問題

一方面，由于政府設置了嚴格的網安措施，一些AI服務無法從國內訪問，加之OpenAI等公司對中國等國家的用戶也采取了限制，中國用戶無法訪問許多知名的全球性AI服務，例如，GPT-4、LLaMA（Facebook）、Gemini（Google）和Claude等平臺對中國國內的用戶是無法使用的，其中也包括了知名的AI源碼社區Hugging Face。

另一方面，中國國內也發展出了足夠的模型可供廣泛使用，形成了一個與國外平行的生態系統，類似于中美之間更廣泛的互聯網經濟中的雙棧結構。眾多的通用模型，例如阿里巴巴的通義千問（110B參數，10M上下文長度）、智譜的ChatGLM（130B參數，128K上下文長度）、零一萬物的YiLarge、商湯科技的SenseNova等都得到了廣泛的應用。機構們會根據全球常見的評估模型（例如MMMU基準）不斷進行評估，我們看到這些模型正在被快速改進。

此外，如前所述，中國在垂直、行業特定模型方面具有明顯優勢。羚羊（制造業大模型）、Sensenova（醫療和法律等）和零一（生命科學）等模型現已越來越廣泛地用于商業用途。

羚羊是為制造業量身定制的，支持工業文檔(如報告和PLC代碼)，以及價值鏈活動(如維護、故障診斷、材料檢查和統計分析)。同樣，來自京東的九書針對在線零售，提供個性化推薦、產品銷售預測、日志和點擊行為分析、內容創建、通過圖像匹配進行SKU分析等功能。這些垂直模型正在獲得廣泛的采用和使用。

對于人工智能的實施，這些在本地數據上訓練的本地化模型通常是更好的選擇。它們提供相關的本地環境、更具成本效益，并通過輕量Transformer、檢索增強生成（RAG）等實施方法進行部署，能夠提供更集中和滿意的產出。

另外，像始智社區這樣的線上社區正在成為Hugging Face的本土替代品，主要應用于技術研究與應用開發。但在這一領域仍需要更多的進步。

例如，我們曾經為一個大型的電商公司設計了一個跨國的解決方案，在一定程度上解決了合規性的挑戰、同時也充分利用了國內的技術生態。這家公司需要采集用戶數據優化其用戶體驗、供應鏈效率、通過客戶的溝通記錄監控服務及產品質量、以及發現產品創新和改進的需求等等。由于其業務、產品、供應鏈橫跨了不同的國家，包括中國在內，在部署AI模型時就遇到了上述多個問題。我們通過分部式部署、分別采取了四項主要的措施（參見圖1），既滿足了合規性要求、又充分利用了國內外不同AI模型的優勢。

3. 硬件和GPU的可用性問題

另一項AI部署中討論最多的限制之一是高性能AI專用GPU的禁運，同時，高端芯片技術的限制也對自行研制用于先進GPU的能力施加了進一步的限制。像英偉達的A100和H100這樣的GPU的缺乏在一定程度上限制了大型語言模型的訓練能力。

這些限制迫使企業進行創新和不斷適應。在硬件方面，中國制造商正在大力投資研發，新的GPU不斷出現，如Ascend 9x0（華為）、Hugon GPU（Higon）和YunFe（i芯動科技）。英偉達還開發了中國專用的GPU，以緩解禁運方面的影響。與此同時，業界也正在探索架構的演化，例如橫向擴展較低端的GPU，以滿足LLM訓練需求。

此外，較小規模的業務集成模型的開發、以及能夠減少算力需求的低秩適應（LoRA）等微調技術得到越來越多的應用。這些垂直化模型迎合了特定的垂直領域和使用案例，減少了動輒數千億個參數的訓練開銷。得益于廣泛的工業數字化、物聯網和5G部署，企業通過利用內部的企業特有的上下文私有數據可以有效地訓練這些模型，而無需高端GPU。

另一個重要的考慮因素是中國國內模型的成本優勢。就訓練結果而言，高端GPU的不可用性對人工智能推斷的影響有限。而就成本而言，基于中國的模型的人工智能實施的持續推理成本只是全球流行模型的5-15%！

六個要點：對企業的戰略建議

以下是對中國企業尋求主流人工智能技術時的一些建議：

1. 尋找機會利用AI生態的差異性進行套利：在中國的跨國公司可以通過在全球數據中心和跨境數據傳輸的參數化框架內部署，在合規的前提下，獲取兩種AI生態系統的優勢組合：例如，同時利用中國的垂直模型和國外的通用模型（在合規的前提下）。

2. 采用與生態系統無關的架構：對于AI實踐者和企業消費者來說，架構必須與基礎的通用模型無關，允許“即插即用”的方式。這樣一來，可以使相對穩定的業務架構能夠適應生態的差異性和快速的發展。

3. 投資于人才和變革管理:為了在競爭環境中成功地實現AI轉型，為了適應上述的挑戰，持續投資于人工智能的人才至關重要。人才培養的重點方向應該是在整個企業中嵌入人工智能的經驗和能力。

4. 為亞太地區和全球南方國家的部署做好準備：鑒于中國超級云廠商在全球欠發達國家的投資，評估和輸出中國AI生態系統是一個有吸引力的話題。

5. 數據準備：數據的合規性是保證解決方案合規性的前提，因此企業數據的準備工作是AI應用的關鍵，數據準備不足、存在合規性風險往往導致AI工業化進程的延遲。

6. 負責任的人工智能：無論法律法規如何發展，無論中美生態的差異如何，負責任的人工智能是一重要的商業責任，是合規的基礎。它將道德融入運營的核心，注重維護聲譽和提高透明度。在人工智能生態系統中進行適當的檢查和保障、維護信任和責任原則至關重要，通過設計實現負責任和安全的指導原則有助于減輕企業的運營風險。

結語

在計算機視覺和深度學習方面，中國企業具有獨特的優勢，眾多企業具有開發和運用相關模型的豐富經驗，取得了令人矚目的成就。通過利用數字化、物聯網等技術體系、通過開發和管理數據核心資產，企業可以專注于AI在特定行業的實施，專注于提高生產力并推動創新。特別是跨國公司，在利用生態系統和開發部署負責任的人工智能來可以形成潛在的生成式人工智能方面的優勢。挑戰是真實的、但找到最先進的解決方案也是可行的，關鍵是要從不同的信息和觀點中辨別出有價值的見解，采取行動，并開啟旅程。

關于作者

Rajnish Sharma沙睿杰

Infosys 中國區總裁

Rajnish Sharma沙睿杰是Infosys全球副總裁，中國區總裁，同時也是Infosys中國董事會成員，現常駐上海。

沙睿杰負責Infosys在華整體業務運營和市場營銷，領導全球和本地客戶服務交付，提升客戶滿意度。憑借云計算、人工智能和自動化主導的數字服務，他領導的團隊致力于為客戶制定和實施數字化戰略，幫助客戶完成數字化轉型之旅。此外，他還負責Infosys大中華區團隊的人才管理和能力建設。他重視團隊合作，是工作場所多樣性和包容性的堅定倡導者。

在Infosys服務的23年中，沙睿杰曾率領團隊為多個行業的全球大型客戶提供服務，業務遍及美國、歐洲和亞太地區。沙睿杰擁有印度國家理工學院（National Institute of Technology, Kurukshetra, India）計算機工程學士學位。

特刊 | 該文章由Infosys提供，非《財富》（中文版）編輯內容，文責自負。