4月17日，微軟以Azure OpenAI國際版服務所提供的GPT-3、GPT-4、Codex、DALL-E和企業級ChatGPT服務為基礎，針對零售電商、制造業、數字原生等行業領域推出首批三套“Azure全球創新行業場景”。
今年1月，Azure OpenAI國際版服務首次推出面向企業用戶的大模型服務，目前已經可以提供用于文本理解生成的GPT-3、GPT-4，可理解和生成代碼的Codex，可通過文本提示生成圖片的DALL-E，以及能夠提供聊天集成和定制服務的企業級ChatGPT五種主要大模型服務。
“國內客戶更主動擁抱新技術，很多應用場景可能都是中國客戶有一些創新想法以及去積極使用，換一個角度，從傳播需求角度來講，大家發現OpenAI、ChatGPT已經成為傳播熱點，媒體在關注，用戶在關注，市場也在關注，我們產品的服務也緊跟著而來。所以在中國市場籠統來說，對應用場景的關注，創新性技術的使用，我覺得其實一點都不差，而且可能還是在全球比較領先的位置上。”OneSight一網互通公司聯合創始人兼首席運營官苗宇表示。
作為OpenAI生成式人工智能的獨家云服務商，在此前3月初舉辦的Azure技術峰會上，微軟首次面向中國市場介紹和講解了Azure OpenAI相關服務，針對當前市場需求最為迫切的零售電商、制造業、數字原生三大領域，微軟也在近日正式推出首批Azure OpenAI國際版“全球創新行業場景”。
在零售電商領域，可幫助客戶快速生成產品相關文案及可視創意素材，創造更符合用戶需求的銷售及培訓話術，編制客戶服務及輿情應對預案；呼叫及客服中心服務記錄匯總，新品營銷活動反饋分析，售后評價及投訴分析；快速編制應用接口代碼，由自然語言生成SQL查詢語句；基于自然語言理解的搜索優化。
在制造業領域，可以實現多語言智能終端與人機交互體驗，適應海外市場的銷售及客服話術；基于垂直領域的生產技術文檔歸納，跨平臺多方會議紀要總結；加速應用開發與迭代，加速跨數據平臺代碼轉換；企業內部智能客服（如行政及IT），基于垂直領域的文檔搜索，面向外部的售后、技術、產品支持。
在數字原生領域，則可以進行無限故事創作的NPC（Non-Player Character）交互體驗，游戲、互聯網出海營銷所需的文字及可視內容、素材生成和加工；匯總分析多渠道玩家反饋，當地市場活動、競品情報分析；生成、重構過程游戲平臺代碼；面向海外市場的智能化游戲客服機器人(11.520, 0.00, 0.00%)。
“技術上的領先以及廠商們的應用，也反饋給我們很多的洞察。像在零售電商行業，流量上來之后就涉及到跨界的一些服務，比如搜索。我們會發現，原來不同的行業在很多場景又合在一起了，然后彼此跨界，出現很多新的可能性。剛剛兩三個月，我們也在看到客戶也在不斷的嘗試和創新，但是我們已經看到有一些苗頭，未來也會有一些跨界的應用出現。”微軟中國大數據和人工智能產品市場總監李冕表示。
“OpenAI并不是微軟智能云Azure唯一提供的AI服務，其他一些場景，比如識別字幕、語音翻譯、語言翻譯等，這些都是Azure本身就有的服務，只是跟OpenAI做了一個結合。”微軟公司副總裁、微軟大中華區首席運營官康容表示。
對于走在最前沿的微軟，在其帶領大模型的技術探索及落地實踐中，如何將可能一本正經說瞎話的AI，調整為能夠解決各種實際問題的專家成為重要的關注點。
參考GPT-3到ChatGPT式的飛躍式進步，對大模型進行微調，通過語料庫對模型參數進行調整，“再投喂”海量的行業數據，對大模型進行更進一步的專業訓練，從而滿足特定領域對準確度等方面的要求，無疑是主要思路之一。
日前，北京智源人工智能研究院理事長張宏江也表示同樣的觀點，他指出，從“大煉模型”到“煉大模型”是一個范式的轉變，未來的App的開發將是在大模型的基礎上“大模型+微調”的流水線運作方式，向產業提供源源不斷的智力源。相比以前既做APP，又煉小模型的方式，釋放掉重復造小模型的人力等資源浪費，極大降低開發成本，使邊際成本趨零，帶來百倍甚至千倍的生產力提升。
但李冕告訴21世紀經濟報道記者，即使是對于微軟，微調的know how（技術訣竅）目前也依然是個技術門檻。
“我們對微調的感覺是，GPT用了非常大的，超過1750億參數的語料庫，現在只把極少的數據量導進去，就像往大海里面倒幾桶水，其實改變不了大模型，相反可能越改越差。雖然我們的平臺是open to everybody，我們把微調的功能開放出來，所有人可以去做微調，但如何確保微調之后就一定能實現更好的結果，目前還沒有一個特別好的實踐。”李冕表示。
“我們推薦客戶通過engineering和embedding的方式去做匹配，效果要比微調要好一些，比如萬科，它并沒有做特別多的微調，它也是通過engineering以及embedding的方式，將物業管理中的一些分類工作交給Azure OpenAI，像門禁、下水道以及安保等問題，這些原來是人工來做的，可能大部分情況是對的，現在用AI分揀，試了一下，效果有一點點差距。AI沒有取代人，但是極大輔助了團隊，這是我們看到的一個案例。”李冕補充道。
值得說明的是，engineering，即“提示工程”，是指由于大模型可能生成不準確或不當的文本，通過優化輸入提示，引導大模型生成更加準確、可靠、符合預期的輸出內容，進而實現各種應用場景的實際使用優化；而embedding則是指事先把預先設定好專有領域的問題和答案生成詞向量，存入向量數據庫，每次對話時先去向量數據庫搜索問題和答案，再交給大模型對問題和答案進行整理，最終再輸出給用戶，這種方式又被稱為“檢索增強”。
“只有像那種以前做過機器學習，打過標簽，也失敗過，知道微調中會碰到很多坑的客戶，我們才會鼓勵它們去做微調，但是一些傳統的行業就很難，因為他們都不知道里面的坑有多深，一碰到問題就非常frustrated（沮喪懊惱）。因為人是有期望值的，領導說能不能調好，你說能，結果調了一個禮拜，花了大量的人力物力去組織、拿數據、打標簽，效果還是不行，一個月之后領導就把它砍掉了。”李冕對21世紀經濟報道記者表示。
