日前，阿里云宣布将大模型通义千问开源。围绕大模型AI，国内外互联网巨头纷纷加入竞争，AI的影响力也在催化着各行各业的数字化转型。

　　ChatGPT的革命性突破，离不开海量数据的投喂，以及微软提供的大量支持，据悉GPT-4的参数超过万亿级别。在国内，百度、腾讯、华为的大模型都是千亿参数级别。处理这样量级的数据，无疑需要消耗巨大的成本和资源。通用大模型是巨头厮杀的战场，其他公司的机会在哪里呢?相比之下，深耕行业的垂直类大模型，在行业精准数据的加持下，只需十亿级别参数甚至更少的高质量数据，就能低成本、精细化地解决细分领域问题。巨头们也纷纷与有行业数据积累的企业展开合作，竞逐行业大模型市场，这也给了众多行业领头羊加入AI广阔赛道的机遇。一时间，教育、法律、金融等行业大模型纷纷涌现，这些行业天然与语言、数据紧密相关，都有大语言模型的用武之地。

　　另外，拥有巨大市场份额的零售行业，或将是实体经济中率先深度结合AI的行业之一。在线上，电子商务拥有数据积累以及互联网、AI等技术等优势;而线下的实体零售，流程中包含大量的简单重复型工作，有海量的数据亟待分析、挖掘和应用，并需要满足众多用户的模糊需求，大模型在解决此类工作时能体现出很高的价值，而且实体零售多年来受到电商冲击和影响，数字化程度相比很多行业都更进一步。

　　这一行业也吸引了众多巨头入局，以专为实体零售企业提供数字化转型服务的“多点Dmall”为例，近期有媒体报道，多点Dmall已经和国内外多家一流人工智能公司建立合作，积极投入智能客服、行业知识库、个性化营销等零售八大场景的应用开发，保持每周迭代。以多点为样本，我们可以尝试来分析，企业如何抓住机遇发展垂直行业大模型。

　　海量数据是核心竞争力之一

　　首先，此次AI的质变就是来自量变，行业大模型虽然比起通用大模型所需的数据量大大减少，但自身没有数据来源，仍然“巧妇难为无米之炊”。数据是决定未来发展的关键生产要素。有能力获得海量的、高质量的数据，是数字化公司的核心竞争力之一。

　　最近在多点Dmall创始人张文中的媒体报道中，他提到“今后面对人工智能革命，会和AIGC进一步紧密结合，使传统零售企业也成为人类数字化、智能化的积极参与者”。多年来，他一直坚持认为实体零售应该“全面数字化”，一以贯之，多点提供的是端到端全渠道零售云解决方案。也就是说，从消费端到供给端，整个零售全流程中大量的商品、顾客等数据，都能承载在多点的系统之中，供零售企业经营分析所用，成为高价值的数据资产。

　　按商品交易总额计算，多点Dmall目前是亚洲最大的零售云解决方案服务商。这也意味着多点能整合国内外、各业态的零售行业大数据，把数据优势体现出来。

　　融入行业最佳实践解决痛点

　　为什么实体零售行业需要AI来解决当前的痛点呢?一是消费者的需求变得多样化、个性化，相比过去有更多的用户、商品等数据需收集、分析、更新;二是实体零售为满足消费者需求大多拓展了全渠道，这种经营模式对供应链管理的要求更加复杂;三是零售行业整体陷入存量市场竞争，对成本控制要求更精细。

　　行业大模型的必要性，在于真正去解决垂直领域的需求、痛点，除了数据，需要将很多的行业知识和规则融入模型，得出更精准有效的决策和答案，在实际业务中发挥作用。

　　多点从创始人到各部门，有一批资深零售从业者有着多年经验，再加上服务了各业态零售标杆企业，例如麦德龙、711、罗森等，将最佳行业实践结合在了系统中。现在将这些沉淀和洞察与最新的AI技术融合，相当于为AI大脑提供了全面和先进的零售业知识库，能让打造出的行业大模型会更加实用。

　　AI开发底层能力不可或缺

　　有了数据生产要素、行业经验，开发行业大模型最重要的能力还是底层的训练、优化的方法。虽然有了通用大模型作为基础，但公司自身的研发能力当然不可或缺。

　　据笔者了解，多点和百度、腾讯等相关团队的合作都在推进中，一方面用AIGC技术提升自身的研发效率，一方面相关应用已经在落地测试，从前端的智能客户服务、个性化营销，到后端的零售商管理能力提升，都有涉及。

　　多点此前的很多产品也都应用了AI及大数据等技术。比如商品管理部分的自动订货，可以根据历史销售数据和天气等因素，预测顾客的购买行为，从而提前备货和调整库存，可以有效减少库存积压和缺货现象。有这样大量的模型、算法等技术研发基础，才能完成精调的行业大模型。

　　再加上5G、物联网等新技术的发展，实体零售将有更多数据产生，结合AI技术可以有更多业务创新和升级。未来的实体零售行业，将是一个高度智能化的行业。零售即细节，零售重服务，AI应用大有可为，正在加速推动零售业的数字化转型，促进数字经济和实体经济深度融合。谁能率先打造出实体零售专属的行业大模型，谁就能抓住数据应用的马太效应，获得巨大先发优势。


新财网对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。读者应详细了解所有相关投资风险，并请自行承担全部责任。本文内容版权归新财网投稿作者所有！