热丰网前店后厂，浪潮云的大模型落地新解法_智能_场景_颜亮

什么是大模型时代的“前店后厂”？

文｜周享玥

编｜赵艳秋

浪潮云，再次上新了AI落地解法集。

继今年3月浪潮云发布分布式智能云战略，并提出大模型（智能体）落地三部曲（3M）后，在最近的第八届数字中国建设峰会期间，浪潮云举办“有云处皆智能”2025数智赋能创新发展主题会议，提出“前店后厂”新模式，作为3M去进行落地的支撑系统。

浪潮云总经理颜亮介绍，“前店后厂”新模式，核心是要解决智能体训练及推理数据高效、安全落地的问题。

展开剩余89%

其中，海若大模型智能体验中心作为“前店”，近距离在用户所在地，解决场景匹配与微调问题，构建智能技术与实际需求无缝对接的高效平台；海若大模型工厂作为“后厂”，以流水线模式，支持大模型快速迭代与持续优化。前店、后厂相互配合，共同加速大模型和智能体落地。

从“三要素”到“四要素”，大模型落地仍有三大难题

今年以来，随着DeepSeek带来大模型技术的普惠和平权，大模型是能驱动数据这个“新石油”的“引擎”，已经成为共识，大家都在以更大热情投身其中，利用这一引擎，去打造属于自己的车、船、飞机，寻求价值突破。

今年第八届数字中国建设峰会上，来自全国各地的超400家单位，无一例外，都在不遗余力地展示着各自在智能体、高质量数据集打造、可信数据服务等具体的大模型应用落地层面的进展和突破。

随着更大规模的应用探索狂潮的快速兴起和不断演进，一些变化也在悄然发生。

“人工智能落地到了今天这个阶段，‘场景’这个要素必须重视。”在“有云处皆智能”2025数智赋能创新发展主题会议上，浪潮云总经理颜亮提到，场景已成为继算力、算法、数据之后发展智能技术的第四核心要素。

过去，大家更多从大模型的技术发展角度出发，认为人工智能具有三大关键要素，即算力、算法、数据。但这三大要素，实际都属于支撑要素。一项技术，要想真正大规模落地到实际中去产生价值，还需要拉力要素。

目前，业界普遍认为，场景正是具备这样功能的第四大核心要素，也是AI走向产业化、模型落地组织用户的过程中，决定成败的第一要素。

不过，场景仍有不少门槛需要迈过。“2024年，大家已经做了一年的大模型落地尝试，结果发现，场景价值的体现是很困难的，‘玩具’做出来不难，但要把它打造成一辆能在高速上跑的车，很困难。”颜亮说。

根据浪潮云过去几年的实践热丰网，场景之外，大模型落地“最后一公里”上目前仍存在着三方面的核心问题：

第一，人工智能价值预期理想化。“大家在聊天场景中感觉效果不错，但这是个很通用的能力，当模型真正场景化落地时，大家对它的预期可能过高。”颜亮说。

这一点也得到了业界认可。多位服务商告诉数智前线，过去两年，他们都遇到过用户对大模型预期过高的情况，需要引导客户找到整个价值链上最痛、最有价值的点。今年，DeepSeek的出现，使得尝鲜门槛大幅降低，大家对于大模型能做什么，有了初步认识，但真正要深入应用，仍需进行更深层次的认知碰撞和价值引导。

第二，数据基础设施不成熟。数据被作为一项生产力要素，建设的周期还较短，仍存在“找不到、供不出、流不动、用不好、风险大”等多重困境。更何况，大模型要应用到行业里，需要的是数据经过炼化后形成的知识。

“数据就好比原油，怎么快速把原油炼化成大模型能用的‘汽油、柴油等成品油’，是决定这一轮人工智能谁能胜出的一个关键能力。”颜亮告诉数智前线。这也是为什么，今年数字中国建设峰会上，可信数据空间成为一大重点议题的原因所在。

第三，组织挑战预估不充分。“很多人还没意识到组织结构将是一个核心挑战。”颜亮表示，这轮AI的一大特点是更具角色扮演的能力，当智能体在组织中扮演了一个岗位角色时，将对现有组织体系形成挑战，它的职责边界是什么？和周围人的关系是什么？谁来管理？犯错误怎么办？生命周期是什么？都是需要重新考虑的问题。

大模型落地三部曲

面对组织用户在迈向智能化落地“最后一公里”过程中的种种问题，业界不少厂商都在探索各自的解决之道。

浪潮云也不例外，今年3月，浪潮云首次对外公布了自己根据过去几年的落地经验，总结探索出的一套方法论——人工智能落地三部曲（简称为“3M”）。

第一部曲，即场景匹配。这要求企业和服务商要首先找准高价值场景，更有利于精准突破，提升落地效率。

比如浪潮云打造的12345政务服务热线智能体，最开始同时入手了智能客服、智能坐席、智能处置、智能分析四大场景智能体的建设。但最先实现破局的是“智能坐席智能体”，原先一个坐席一天能处理平均80个工单，在智能体帮助下，截至今年2月，一个坐席能处理的工单数已经达到160个，效率直接翻番。这个点被激活后，其他几个智能体的应用也被加速，相继用到了实际业务中。

“不同场景、不同的组织用户，数据的Ready程度不够，要通过‘试驾’的方式，快速找到能够激活业务落地的起点，减少试错成本，小步快跑，实现从价值感知到业务转化。”颜亮说。目前他们已形成一套支撑和参照体系，帮助用户去选取场景匹配度最高的智能体进行尝试。

第二部曲，则是数据匹配。数据匹配是智能体落地的中轴工程，是智能体从通用走向专属的关键，也是最难的。

提到数据，常见的误区是“我的数据很多，或者数据质量很高”，但脱离场景谈数据数量和质量，没有太大价值，只有明确场景需求，才能激活数据价值。

另外，算法与数据的匹配同样关键，算法是技术壁垒，需要有服务商将场景、数据、算法三者耦合，才能真正实现数据匹配。尤其随着AI从预训练转向后训练，这种匹配将愈发重要。

为此，各家企业都在围绕内部和外部数据构建对应的能力。浪潮云也在通过数据工程和可信数据空间实现数据可信供给及炼化。

第三部曲，即组织匹配。这轮AI的一大特点是更具角色扮演的能力，组织匹配将涉及到流程、组织体系的变更，包括对数字员工的管理。

为此，浪潮云打造了专门的“智能中枢+数智员工”体系，并提出五步法：智能体转化成数字员工时，要明确其岗位职责；嵌入智能中枢；部署数智员工；参与流程环节；接入管理体系。目前，该体系已在上海虹口、济南等其他几个示范城市落地。

为什么推出“前店后厂”模式？

三部曲（3M）方法论已经赢得不少组织用户的认可。但具体到落地过程，还是得有一套实打实的支撑系统。

为此，在提出大模型落地三部曲仅一个月后，浪潮云又专门提出了“前店后厂”模式，来对前者形成有力支撑。

“前店后厂”并非新概念，它是一种常见的产销一体化经营模式，在制造业、零售业、手工业领域都有过应用，20世纪后期，曾被广泛用于描述珠三角与港澳地区的经济合作。2013年，AWS进入中国时，也选择了这种模式，将北京作为“前店”、宁夏作为“后厂”，来为中国各个地区的客户提供云服务。

简单来说，这种模式就是将销售、市场、应用开发等放在靠近大城市的“前店”，生产、计算和服务等在能源、资源集聚的“后厂”，形成更加高效协同的产业链条。

不难看出，浪潮云在此时提出大模型时代的“前店后厂”模式，也是为了形成推进大模型和智能体地落地的高效系统和链条，并借此满足组织用户在安全方面的高需求。

其中，海若大模型智能体验中心作为“前店”，提供包含Showcase（展示体验）、Solution（个性化配置）、Service（全栈服务）、Security（安全保障）在内的“4S”服务。

一方面，这些体验中心里，沉淀了浪潮云已经打磨完成的100多款成熟的智能体产品，涉及政务、应急、农业等多个领域，可提供给不同领域的组织用户以“试驾”服务，帮助他们精准锁定高价值场景。

另一方面，这些体验中心将被放置在浪潮云的全国120多个云中心，基于分布式智能云的架构，用户将能通过本地化部署、专属云以及可运营私有云等多种方式，实现灵活算力支持的同时，确保数据不出域。

“目前，海若大模型智能体验中心首批已落地济南、上海、北京等六大城市，今年的目标是年底前落地超100个城市，近距离在用户所在地解决场景匹配与微调问题，构建起智能技术与实际需求无缝对接的高效平台。”颜亮说。

“前店”之外，“后厂”的打造同样重要，包括模型升级、智能体分装等后训练的工作，都需要在后厂去完成。

目前，大模型发展仍在早期，更新迭代频繁，随着技术的不断升级，对应的行业或企业大模型以及智能体也需要进行更新升级。尤其在金融、医疗等知识更新非常快的行业，垂类模型和场景智能体的更新将更为频繁。

“比如医疗领域，对于某种病怎么治，我们去训了个模型，半年后，一旦出了新药或新的治疗方案，这个模型就得改。金融也一样，一旦原来的制度规定更新了，对应的模型和智能体也要做知识调整和更新。”一位行业人士告诉数智前线。

颜亮则认为，大模型训练和智能体的训练，都会流水线化，以此来解决快速改仓问题。

一般情况下，知识库的更新，类似给模型“打补丁”，不需要改动模型本身，在“前店”就可以解决。

而“改仓”，是直接升级模型的“大脑”，比如修改训练数据、调整模型结构等，这种改动不是简单的“换皮肤”，而是动“筋骨”。如果按“小作坊式”路线，每次改仓都要重新实验、调试，不仅成本极高且影响效率，而且很可能因为本地算力和技术不够，造成模型认知问题，需要一个中央“模型工厂”，以流水线模式，集中处理，降低成本，提升效率。

为此，在浪潮云的“前店后厂”模式中，海若大模型工厂将作为“后厂”，依托语料中心、训练中心、评测中心、集成中心这四大中心，实现大模型训练和智能体训练流水线，全面支持大模型快速迭代与持续优化，并通过定制化训练与后续培训推动智能工厂向全产业链延伸。

大模型工厂还兼顾了数据安全问题，在调仓和改仓过程中，如果有不能用用户原始数据的热丰网，脱敏即可，数据脱敏不方便的，模型工厂里也建设有专区，来满足用户需求。

发布于：甘肃省

钱掌柜提示：文章来自网络，不代表本站观点。