嘉賓 | 馬會(huì)彬
編輯 | 云昭
出品 | 51CTO技術(shù)棧（微信號：blog51cto）
進(jìn)入2024年，業(yè)界對于生成式AI的注意力開始轉(zhuǎn)向應(yīng)用層。AI編程領(lǐng)域的Cursor、AI生成視頻領(lǐng)域的可靈、自動(dòng)駕駛領(lǐng)域的Robotaxi等，都取得了很大的突破。據(jù)有關(guān)媒體報(bào)道，2024年創(chuàng)投界在AI應(yīng)用層上的投資規(guī)模整體超過了模型層。
這種轉(zhuǎn)變的背后，折射出業(yè)界對于大模型的認(rèn)知發(fā)生了新變化。為什么AI應(yīng)用會(huì)成為今年的焦點(diǎn)？
華為云高級技術(shù)專家馬會(huì)彬?qū)Υ吮硎荆斑@背后是因?yàn)閮H靠大模型難以實(shí)現(xiàn)商業(yè)閉環(huán)。”
馬會(huì)彬認(rèn)為，這一輪大模型所帶來的AI原生應(yīng)用，有著之前的傳統(tǒng)應(yīng)用難以實(shí)現(xiàn)的三種關(guān)鍵能力：生成能力、推理能力和自然交互能力，從而產(chǎn)生一類新形態(tài)應(yīng)用，如AI助手類應(yīng)用、具身智能機(jī)器人等。然而，在這場AI原生應(yīng)用變革中，對于組織而言，最大的障礙并不是技術(shù)，而是人的思維和認(rèn)知。
“在大模型時(shí)代，我們需要從1到0的逆向思考。當(dāng)我們從1到0反向思考，你會(huì)發(fā)現(xiàn)通過大模型的技術(shù)，有機(jī)會(huì)以低成本解決一個(gè)高價(jià)值的問題的時(shí)候，你就會(huì)毫不猶豫的去做。”
而這種逆向思考，在華為云內(nèi)部已經(jīng)成為了AI實(shí)踐創(chuàng)新源源不斷的驅(qū)動(dòng)力。馬會(huì)彬告訴我們，在內(nèi)部已經(jīng)形成了“AI First”的文化，同時(shí)有專門的組織來負(fù)責(zé)頂層設(shè)計(jì)，制定總體目標(biāo)和遵循原則。“在這個(gè)頂層設(shè)計(jì)之下，所有的部門都要去思考：如何引入和運(yùn)用AI技術(shù)去解決自己的業(yè)務(wù)問題。”而在實(shí)踐層面，華為云也形成了一套“五階八步十二檢查點(diǎn)”的實(shí)踐方法論。
在《AIGC實(shí)戰(zhàn)派》第20期的直播中，我們與華為云架構(gòu)與技術(shù)創(chuàng)新部高級技術(shù)專家馬會(huì)彬圍繞“AI原生應(yīng)用及產(chǎn)品重構(gòu)”長達(dá)150分鐘的深入討論，涉及大模型行業(yè)的投資趨勢、AI原生應(yīng)用變革的現(xiàn)狀、企業(yè)如何切換到AI原生應(yīng)用賽道、華為云內(nèi)部的“AI Fisrt”的實(shí)踐思考等。以下是摘取的精彩觀點(diǎn)：
- 我們需要從1到0反向思考，即：如果用大模型做應(yīng)用的話，我會(huì)怎么去做？我有哪些本質(zhì)性的變化？創(chuàng)新地方在哪里？
- 傳統(tǒng)軟件開發(fā)是以人為中心的協(xié)同是開發(fā)，AI原生軟件是以數(shù)據(jù)為中心的生成式開發(fā)。
- AI原生應(yīng)用，大家要做的是“sell the work！”，交付的是業(yè)務(wù)結(jié)果本身，而非軟件的功能、工具。
- 所有面向內(nèi)容生成的AI場景，不再是以前的編輯器，它是一個(gè)AI原生的應(yīng)用，需要按應(yīng)用的邏輯去做。
- 一開始要關(guān)注的不應(yīng)該是準(zhǔn)確率的問題，而是整個(gè)系統(tǒng)能不能夠轉(zhuǎn)起來。
- 有一點(diǎn)非常重要，你要逐漸形成自己的整個(gè)框架和流程，并保證AI能力是迭代向上的。
- 我們看到有很多的指標(biāo)，有人說80%準(zhǔn)確率，有人說90%準(zhǔn)確率，其實(shí)背后的東西差異很大，最主要還是根據(jù)自己的情況來選擇。
- 在向AI原生應(yīng)用演進(jìn)時(shí)，組織需要思考三個(gè)問題：是否需要訓(xùn)練自己的大模型，識別高價(jià)值場景，構(gòu)建相應(yīng)的組織和能力。
下面是對話的整理內(nèi)容，供各位翻閱。
1.51CTO：進(jìn)入2024以來，您關(guān)注到最近大模型業(yè)內(nèi)發(fā)生了怎樣的變化？
馬會(huì)彬: 宏觀上，我看到一篇報(bào)道說今年的創(chuàng)投資金在AI應(yīng)用層的投資規(guī)模超過了大模型這一層，這是一個(gè)總體的統(tǒng)計(jì)。大家都知道，去年業(yè)界談?wù)摯竽Ｐ捅容^多一些，今年可能大家都轉(zhuǎn)向了應(yīng)用這一層。大家逐漸意識到，單獨(dú)大模型這一層比較難以實(shí)現(xiàn)商業(yè)閉環(huán)，因此，整個(gè)業(yè)界的注意力就從模型轉(zhuǎn)向場景和應(yīng)用這一層，這是一個(gè)整體的趨勢。
從微觀的具體場景上看，今年涌現(xiàn)出了很多AI應(yīng)用層的創(chuàng)新和突破，比如AI輔助編程領(lǐng)域Cursor、國內(nèi)的AI生成視頻應(yīng)用、大模型驅(qū)動(dòng)的具身智能機(jī)器人等。而且現(xiàn)在有了大量的基于ToC或ToB的AI應(yīng)用，大家開始在日常生活、工作中逐漸使用起來了。
這是一個(gè)潛移默化的變化，最后發(fā)生質(zhì)變時(shí)可能大家都很難意識到。
2.51CTO：我們?nèi)绾卫斫釧I Native應(yīng)用？
馬會(huì)彬：簡單來講，AI Native可以理解為“擬人化”，包括大模型的深度神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)算法， 就是模仿人的大腦的神經(jīng)元及神經(jīng)元的連接機(jī)制；此外，大模型的推理機(jī)制也是擬人化的：生成能力、推理能力和自然交互能力。
這三個(gè)能力都是擬人化的“智力”，有了這三個(gè)能力之后，首先會(huì)出現(xiàn)一批新形態(tài)的應(yīng)用，即大家所說的各種AI助手類的應(yīng)用，又可以分為兩類，一類是面向數(shù)字世界的助手就是我們剛才提到的知識工作者的助手，而第二類就是面向物理世界的助手，即具身智能機(jī)器人；他們都可以實(shí)現(xiàn)對人的輔助或者部分代替，人的天性是懶惰的，總有一些不想自己做的事情，就可以交由擬人化的智能設(shè)備、智能應(yīng)用來幫你去做；上面這兩類，我們稱之為AI原生的應(yīng)用。
除了AI原生應(yīng)用，還有一些傳統(tǒng)應(yīng)用，例如原來的CRM、MES等，它們的功能都還存在，比如CRM，原來的訂單功能還在，但是AI會(huì)重塑傳統(tǒng)應(yīng)用。任何一個(gè)應(yīng)用都可以分解成兩層，比如網(wǎng)銀，它的底層可以被視為一個(gè)記錄系統(tǒng)，記錄每一筆賬，這個(gè)記錄系統(tǒng)是穩(wěn)定的，但是上層的交互系統(tǒng)會(huì)被AI重構(gòu)。大家看到大量的前端AI助手類的出現(xiàn)，主要是改變了交互和協(xié)同這一層。
AI重構(gòu)的不止傳統(tǒng)的軟件，還包括偏硬件的一些設(shè)備、工具，它們也會(huì)疊加一些AI的能力，成為AI使能的產(chǎn)品。
3.51CTO：具身智能也是一個(gè)新穎的詞匯，您如何看？
馬會(huì)彬：從能力講，具身智能有兩大核心能力，第一個(gè)是移動(dòng)能力，從A點(diǎn)移動(dòng)到B點(diǎn)，它可以自主尋址，自主移動(dòng)。另一個(gè)是操作和執(zhí)行能力；如果要達(dá)到真正像人一樣，能夠在開放場景、執(zhí)行開放任務(wù)，必須有個(gè)具身智能的大腦系統(tǒng)。目前相對而言，本體的移動(dòng)能力已經(jīng)很強(qiáng)了，但現(xiàn)在比較復(fù)雜的兩個(gè)點(diǎn)：一個(gè)是上肢的精準(zhǔn)協(xié)同和精準(zhǔn)控制，因?yàn)椴僮髦饕蕾囀值撵`活性；另一個(gè)則是大腦，因?yàn)樵谝粋€(gè)物理空間里面，既要移動(dòng)，又要執(zhí)行操作，這個(gè)挑戰(zhàn)是比純語言模型復(fù)雜許多。
4.51CTO：回過頭來，我們?nèi)绾慰创@波大模型技術(shù)對行業(yè)帶來的影響？
馬會(huì)彬: 現(xiàn)在的大模型，跟之前的AI模型相比，在架構(gòu)上有著本質(zhì)的區(qū)別。因此業(yè)界也通常分為“判別式AI / 經(jīng)典AI”跟“生成式AI”。
此外，模型的場景泛化能力也有著有很大的差別。相對來講，經(jīng)典AI一般都是針對一個(gè)特定的場景，用精準(zhǔn)的標(biāo)注數(shù)據(jù)去做訓(xùn)練，而大模型是面向通用的場景使用非標(biāo)注數(shù)據(jù)訓(xùn)練。
所以現(xiàn)在需要大家對當(dāng)前的軟件、工具、算法進(jìn)行反向思考，也就是“從1到0的反向創(chuàng)新”。之前比較多的是從0到1去構(gòu)建一個(gè)新的東西，但現(xiàn)在的話，無論是工具、軟件還是其他，日常需要用到的東西基本上都有。所以，在大模型出來之后，需要反向從1到0思考，如果用大模型來重構(gòu)的話，我會(huì)怎么去做？有哪些本質(zhì)性的變化？創(chuàng)新的地方在哪里？
在逆向思考的過程中，就會(huì)發(fā)現(xiàn)很多有趣的問題：原來可能比較復(fù)雜的，比較困難，或者是說成本比較高的障礙，也許用了新的方式之后，就不再是障礙了。
譬如乘用車的自動(dòng)駕駛，就是一個(gè)比較經(jīng)典的例子。乘用車自動(dòng)駕駛在此前很多年，一直沒有太大突破。現(xiàn)在大模型出來之后，很快就在自動(dòng)駕駛領(lǐng)域涌現(xiàn)出了端到端的神經(jīng)網(wǎng)絡(luò)大模型，比如VLM、VLA。它本質(zhì)上也是擬人化的，因?yàn)樗辉偈峭ㄟ^基于感知、規(guī)劃等一個(gè)個(gè)小算法去寫車輛的操控動(dòng)作，這種模式有一個(gè)很大的問題，就是現(xiàn)實(shí)中算法要應(yīng)對的場景特別多，你會(huì)發(fā)現(xiàn)算法中corner case和bad case根本枚舉不完，很難提升到更高級別的智駕能力。
切換到端到端的大模型解決方案以后，很快就發(fā)生了本質(zhì)的變化，它可以擬人化地學(xué)習(xí)人的感知和操控，通過大規(guī)模的數(shù)據(jù)訓(xùn)練，不需要再去考慮corner case、bad case就能學(xué)習(xí)到通用方法。例如特斯拉宣稱FSD v12基于端到端的神經(jīng)網(wǎng)絡(luò)大模型方案，不僅減少了30萬行C++代碼，而且，整體的駕駛能力和水平也有了本質(zhì)的提升。v12版本之前，基于小模型算法的方案，其自動(dòng)駕駛的使用增長曲線是比較平的，而v12之后，這條曲線就變得非常陡峭。
以此類比，其他的業(yè)務(wù)、應(yīng)用也有很多采用大模型的方法進(jìn)行重構(gòu)后，應(yīng)用的價(jià)值增值也非常顯著，據(jù)業(yè)界一個(gè)統(tǒng)計(jì)，一些軟件的可能增加了100%甚至120%的新價(jià)值。
所以，當(dāng)發(fā)現(xiàn)“從1到0”反向思考當(dāng)前的業(yè)務(wù)，就有機(jī)會(huì)以低成本解決一個(gè)高價(jià)值的問題的時(shí)候，就會(huì)毫不猶豫的去做。
5.51CTO：大模型作為確定性的趨勢，那么切換到這條賽道上，企業(yè)還有哪些關(guān)鍵問題需要考慮？
馬會(huì)彬: 放到企業(yè)視角來講的話，我認(rèn)為需要思考三個(gè)根本的問題。
首先，一個(gè)公司或組織需要考慮是否需要訓(xùn)練自己的大模型，是從零開始訓(xùn)練，還是基于已有的模型為基座來做增量訓(xùn)練、后訓(xùn)練或調(diào)優(yōu)，這跟你的業(yè)務(wù)特征和私域數(shù)據(jù)有很大的關(guān)系。
第二個(gè)問題，則是要識別出行業(yè)的高價(jià)值場景。對于組織或行業(yè)來講，AI改變它的場景是什么？這是要去思考和定義的。
第三個(gè)則是組織和能力的問題，就是需要怎樣的組織和能力匹配這個(gè)戰(zhàn)略。
這三個(gè)問題如果都有答案了，就可以去具體評估原來業(yè)務(wù)中哪些依然是有效的，哪些需要被重塑的。
業(yè)界講“優(yōu)勢抵不過趨勢”，大模型是確定性的確實(shí)，我們肯定要順應(yīng)趨勢去看。當(dāng)然，企業(yè)內(nèi)部其實(shí)還是需要有一些框架和方法論的東西來指導(dǎo)，因?yàn)閷?shí)際可投入的資源總是有限的。
所以，在業(yè)務(wù)中引入大模型，具體怎么去落地，相對來講是一個(gè)比較嚴(yán)謹(jǐn)?shù)氖虑椤Ｔ谌A為云內(nèi)部，我們是有相關(guān)的方法論和框架來輔助客戶去做決策、評估、場景選擇等，它并不是說完全一個(gè)拍腦袋的事情。
6.51CTO：在華為云內(nèi)部，是如何考慮怎樣引入這場AI原生變革的？
馬會(huì)彬：概括來講可以分為兩層，第一層我們稱為確立AI First 的思維范式。在公司內(nèi)部，提供了相關(guān)的學(xué)習(xí)、培訓(xùn)，而且從部門、組織的角度都要去思考“all in ai”這件事情在自己的業(yè)務(wù)領(lǐng)域上要怎么去做，如何用 AI Native 的技術(shù)和方法來重構(gòu)業(yè)務(wù)、重塑流程；第二層，我們稱之為AI Native的落地實(shí)踐，剛才我提到了用于指導(dǎo)實(shí)踐的方法論，即“五階八步十二檢查點(diǎn)”，比較系統(tǒng)詳細(xì)，這里就不詳細(xì)展開講了。
在華為內(nèi)部，華為云作為內(nèi)部管理和各產(chǎn)業(yè)的底座平臺，會(huì)為內(nèi)部的研、產(chǎn)、供、銷、服、行政、后勤、財(cái)經(jīng)等提供技術(shù)平臺。這些部門利用華為云的平臺和技術(shù)就積累了大量的場景化業(yè)務(wù)資產(chǎn)，我們把這些資產(chǎn)稱為“經(jīng)驗(yàn)”。
現(xiàn)在華為云的aPaaS，定位就是“經(jīng)驗(yàn)即服務(wù)，讓優(yōu)秀得以復(fù)制”。目標(biāo)就是將其中可以被重用的部分場景化業(yè)務(wù)資產(chǎn)進(jìn)行產(chǎn)品化，服務(wù)于我們的內(nèi)外部客戶。我們在AI實(shí)踐方面開始得比較早，我們希望能夠把內(nèi)部積累的AI經(jīng)驗(yàn)及成果提供給客戶和伙伴。
7.51CTO：從業(yè)務(wù)視角上看，如何思考“現(xiàn)在的應(yīng)用都值得重新做一遍”？
馬會(huì)彬: 業(yè)界很多大佬都有類似的說法，從趨勢和方向性來講確實(shí)如此。但作為架構(gòu)師，首先要問why 和 how 的問題，即為什么要重做一遍，以及如何去重新做一遍；我覺得可以從業(yè)務(wù)視角和技術(shù)視角兩個(gè)維度去分析。
從業(yè)務(wù)視角講，就是改變了傳統(tǒng)軟件的交付和使用方式，以及軟件的商業(yè)模式。之前的軟件不管是哪一種類型，HR軟件也好、PS軟件也好，都是工具軟件，即需要專業(yè)的人去操作這個(gè)軟件才可能完成業(yè)務(wù)功能。然而，這里的操作有相當(dāng)?shù)拈T檻要求，必須是行業(yè)或領(lǐng)域的專業(yè)人才或者專家，必須接受一定的培訓(xùn)學(xué)習(xí)才能完成。
基于大模型的軟件系統(tǒng)提供的則是“sell the work！”，交付的是業(yè)務(wù)結(jié)果本身，而非software。
大模型是知識和經(jīng)驗(yàn)的壓縮，如果能把領(lǐng)域頂級專家的經(jīng)驗(yàn)和知識壓縮到模型里面，或者內(nèi)化到AI原生的應(yīng)用中，它能否在一定程度上代替這個(gè)專家完成對應(yīng)的操作？所以交付的不再是一個(gè)工具，而是更直接的業(yè)務(wù)結(jié)果。
例如一個(gè)畫圖軟件，以前你必須得畫才能得到作品，現(xiàn)在你只需要告訴你要什么東西，它直接給你生成了。再比如自動(dòng)駕駛的例子，現(xiàn)在已經(jīng)出現(xiàn)“出行即服務(wù)”的案例。
8.51CTO：華為云具體是如何通過aPaaS賦能AI原生應(yīng)用的，它提供了哪些服務(wù)和能力？
馬會(huì)彬：我先簡要介紹一下華為云的服務(wù)構(gòu)成，這樣大家就能理解華為從全棧的角度是如何構(gòu)思的。華為云的slogan就 “一切皆服務(wù)”（Everything is Service），可以分為三層。第一層是基礎(chǔ)設(shè)施即服務(wù)，就是常說的IaaS，這個(gè)大家比較熟悉。第二層是技術(shù)即服務(wù)，即PaaS，包括數(shù)據(jù)庫、中間件、大數(shù)據(jù)，以及AI大模型等。基礎(chǔ)設(shè)施即服務(wù)和技術(shù)即服務(wù)都是相對標(biāo)準(zhǔn)化的產(chǎn)品，而第三層“經(jīng)驗(yàn)即服務(wù)”，更靠近業(yè)務(wù)場景。中文的“經(jīng)驗(yàn)”一詞，英文可以對應(yīng)到兩個(gè)詞：一個(gè)是 “expertise”，就是解決某一個(gè)問題的能力，另外一個(gè)詞即“experience”，就是有沒有經(jīng)歷過一件事情，中國人常說“行萬里路”等，你對一個(gè)事情的實(shí)踐就是“experience”，這兩方面加起來才是“經(jīng)驗(yàn)”的核心。
那么，華為云的“經(jīng)驗(yàn)即服務(wù)”中的經(jīng)驗(yàn)從哪里來？它的構(gòu)成是什么？第一個(gè)來源就是華為的內(nèi)部實(shí)踐；第二個(gè)來源是來自于生態(tài)伙伴。“經(jīng)驗(yàn)即服務(wù)”從產(chǎn)品構(gòu)成來講可以分為三層，第一層是AppStage應(yīng)用平臺，這是一個(gè)圍繞應(yīng)用生命周期的一站式開發(fā)管理平臺。業(yè)界有個(gè)專業(yè)名詞叫IDP（Internal Development Platform），就是所有大型組織在做研發(fā)的時(shí)候都有一個(gè)內(nèi)部公共平臺，因?yàn)樵诠ぞ哝溨希€會(huì)有架構(gòu)規(guī)范、技術(shù)規(guī)范、安全加固規(guī)范等，而要把這些規(guī)范落實(shí)到具體的開發(fā)活動(dòng)中，就必須把它內(nèi)化到的研發(fā)流程、預(yù)定義模板、框架包等各種細(xì)節(jié)中去。
這個(gè)平臺承載了圍繞應(yīng)用構(gòu)建、開發(fā)、測試等一系列活動(dòng)的build-in經(jīng)驗(yàn)資產(chǎn)。在這個(gè)平臺之上，有三類不同的應(yīng)用對象，分別為IT應(yīng)用、移動(dòng)APP應(yīng)用、以及現(xiàn)在的AI原生應(yīng)用。面向這三個(gè)不同應(yīng)用，在AppStage平臺上構(gòu)建了兩個(gè)引擎，一個(gè)是AI原生的應(yīng)用引擎，就是面向AI原生應(yīng)用的工程體系，包括模型中心、知識中心、Agent構(gòu)建、安全合規(guī)能力，此外還有一些內(nèi)化的經(jīng)驗(yàn)資產(chǎn)，比如模型、數(shù)據(jù)、意圖識別等的經(jīng)驗(yàn)化等。其二，就是AI原生數(shù)據(jù)引擎，即如何把企業(yè)結(jié)構(gòu)化的和非結(jié)構(gòu)化的數(shù)據(jù)，轉(zhuǎn)換成使用戶大模型及AI應(yīng)用所能夠消費(fèi)和使用的知識。
在這個(gè)平臺之上，我們有基于業(yè)務(wù)場景化資產(chǎn)孵化的6個(gè)Koo系列產(chǎn)品，包括KooPhone、KooDrive、KooMessage等，它們也是首先進(jìn)行AI原生化重塑的，因此也就具備了AI原生的智能營銷、AI原生的云終端、AI原生的內(nèi)容中樞等。
第三層是面向行業(yè)的場景化資產(chǎn)，我們也稱為“行業(yè)aPaaS”，目前有面向政務(wù)的事件中心、面向園區(qū)、設(shè)施管理的設(shè)施aPaaS等。
9.51CTO：在華為云內(nèi)部是怎樣為AI應(yīng)用設(shè)定進(jìn)一步推廣的準(zhǔn)確率標(biāo)準(zhǔn)的？
馬會(huì)彬：現(xiàn)在的做法是不直接使用準(zhǔn)確率或滿意度這兩個(gè)指標(biāo)，因?yàn)樗鼈兌急容^難以準(zhǔn)確評估。比如你說準(zhǔn)確率要達(dá)到60%才算可以，但60%到底是高還是低，其實(shí)跟具體場景是密切相關(guān)的。
所以現(xiàn)在往往用采納率來度量，比如以生成JD（Job Description）為例，你生成的JD有多少比例被接納了，這些數(shù)據(jù)都是容易被統(tǒng)計(jì)的，更能真實(shí)地反映AI應(yīng)用達(dá)成的效果。通常會(huì)跟一個(gè)業(yè)務(wù)平均水平高一點(diǎn)的人去類比，來看這個(gè)結(jié)果到底是不是達(dá)到一個(gè)比較理想的狀態(tài)。
另外它是有一定的容忍度的，并不追求百分之百的準(zhǔn)確。而是達(dá)到一個(gè)參照水平，從業(yè)務(wù)上來講能夠帶來正向作用，達(dá)到業(yè)務(wù)結(jié)果的最終使用方或者內(nèi)部可接受的程度就可以了。
所以，還是根據(jù)實(shí)際情況來評估。也許對某些場景來說，要99%的準(zhǔn)確率才可以，但對某些場景來說，可能50%或60%就已經(jīng)足夠了。我們只要確定一點(diǎn)，就是系統(tǒng)整體是迭代向上的，這是非常關(guān)鍵的。因此最重要的是盡早構(gòu)建整個(gè)AI應(yīng)用的框架和質(zhì)量流程，使AI作業(yè)能夠迭代優(yōu)化起來。
總結(jié)來說，第一步關(guān)注的不應(yīng)該是準(zhǔn)確率的問題，更需要注意的是整個(gè)系統(tǒng)能不能夠持續(xù)迭代起來。第二步，在持續(xù)迭代起來的時(shí)候，能不能準(zhǔn)確地找到系統(tǒng)里面的關(guān)鍵問題或者說關(guān)鍵優(yōu)化點(diǎn)，圍繞數(shù)據(jù)、模型、工程、前端、企業(yè)應(yīng)用等有很多方面，到底哪個(gè)點(diǎn)是高價(jià)值部分，是自己可以控制的，這很關(guān)鍵。
很多人一開始可能會(huì)犯一個(gè)錯(cuò)誤，就是看這個(gè)準(zhǔn)確率不高，然后可能就放棄了，但其實(shí)找到那個(gè)能讓AI應(yīng)用持續(xù)改進(jìn)的關(guān)鍵點(diǎn)，進(jìn)行持續(xù)迭代優(yōu)化才是最重要的。
