不瞞大家說， AI 已經(jīng)全面融入差評了。
當然，并不是說現(xiàn)在這篇稿子，就是用 AI 生成的，而是 AI 已經(jīng)幫編輯部解決了不少那些看似簡單，但卻確實有些關(guān)鍵的要緊事兒。
就比如大伙們可能想不到，雖然差評編輯部日常的工作的是拖寫稿，但在幾年前，咱們公司里其實是有專職的程序員的。
特別是在公眾號后臺排版時，差評有自己專屬排版格式，但秀米這類的工具第三方其實不夠用，程序小哥就給咱順手開發(fā)了個排版插件，能一鍵排版。
后面因為業(yè)務(wù)調(diào)整，插件暫時也沒啥 BUG 要修，頭發(fā)越來越茂密的程序員小哥，也選擇了離開。
但后面的幾年，咱們的排版格式每年都在更新，微信后臺也在各種改版，隨著時間的推移，這個插件越來越難滿足大家的需求，各種小 BUG 也冒了出來。
一方面編輯部同事們的代碼水平不夠硬，另一方面相比市面上的其他產(chǎn)品，這個插件依舊是最接近差評文章格式要求的工具。
所以，就連程序員小哥自己都沒想到，自個兒已經(jīng)離職了三年，我們還在繼續(xù)用著這個插件。
而在去年的年底，在后程序員時代，我們終于給這個排版插件，來了一次遲到的更新。
當然，編輯部并不是花錢重新請了個程序員，也不是編輯們的代碼水平突飛猛進，而是一位完全對代碼零基礎(chǔ)的同事，抱著試一試的心態(tài)，用 AI 寫了代碼，上架了 Chrome 應(yīng)用商店，完成了這一波更新。
而現(xiàn)在，我們都稱他為差評張小龍。
只能說誰也沒想到，一直在 Debug the world 的我們，最后卻靠著 AI Debug 了差評自己的 Bug 。。。
另外，編輯部其實還一直有個甜蜜的煩惱，困擾了大家好多年。
大伙們都知道，公眾號自帶的搜索功能突出的，就是一個進步空間巨大。
不僅文章不好搜索，數(shù)據(jù)閱讀量超過十萬的文章，公眾號在前臺還只會顯示 10w+ ，具體的閱讀是十萬加多少，就必須登錄微信的公眾號后臺查看。
但差評公眾號天天十萬加，再加上編輯團隊人數(shù)也越來越多，后臺權(quán)限綁定的人數(shù)其實是有限的，尋找相應(yīng)文章和閱讀量數(shù)據(jù)，就變得麻煩了起來。
所以，當某個編輯忘記某篇文章的閱讀量時，一般就只好讓有后臺的權(quán)限的同事幫忙看一眼數(shù)據(jù)，或者是幫忙掃個碼。
最后同樣是 AI ，解決了這個甜蜜的煩惱。
因為我們直接用一句話，用百度智能云千帆大模型平臺的 AppBuilder ，做了個 “ 文章閃電搜索器 ” 。
我們只要把運營同事那邊匯總好的 Excel 數(shù)據(jù)，加入數(shù)據(jù)庫中，這個文章閃電搜索器，就成了個差評公眾號內(nèi)部數(shù)據(jù)通。
而且方便的是，我們可以選擇把這個 Agent 發(fā)布到微信小程序、網(wǎng)頁、微信訂閱號等等的平臺上。
突出得那叫一個想用即用。
世超也通過微信小程序的入口，簡單試了試這個用幾分鐘就搭好的 Demo 。
在世超的提問下，文章閃電搜索器很快就給出了正確答案，《 火了 6 年后，國潮開始塌房了。 》這篇文章閱讀量到了 120 多萬，包括鏈接也是正確的。
并且，因為千帆 AppBuilder 記憶能力，咱還能繼續(xù)追問 “ 該作者上一篇百萬加的文章是哪篇 ” ？
文章閃電搜索器也是突出一個快，立馬給出了正確答案。
而同樣的 AI 故事，其實也發(fā)生在差評的 B 站視頻部門。
這么說吧，雖然差評君的視頻看起來那叫一個靚仔，但咱們的同事在寫稿，特別是起標題時，常常那叫一個狼狽。
不夸張地說，寫文章 2 小時，糾結(jié)標題要花 3 小時的情況那是經(jīng)常的事情。
這時候，如果有個能起標題的大模型，其實能省不少力，最起碼也能啟發(fā)我們一些起標題的新角度。
于是乎， B 站差評君部門，就想到了用千帆大模型平臺的 Modelbuilder ，調(diào)教出一個適合 B 站這個平臺的起標題大模型。
首先，世超準備給大家講講精調(diào)大模型的必要性，就像很多行業(yè)里都有自己的黑話一樣，外行常常是聽得一頭霧水。
AI 其實也這樣，對于外行 AI 而言，可能就不明白差評的火鍋是啥意思。
而經(jīng)過精調(diào)的大模型，則會和十年老粉一樣，理解差評的一些黑話。
同樣在很多情況下，通用的 AI 不太懂什么是好的標題，或者說不太清楚哪些標題是適合 B 站，哪些標題是適合其他平臺的。
就比如《 仿生醫(yī)療設(shè)備: 從蚊子口器到人類健康 》這標題，我覺得比起視頻平臺，更適合發(fā)知網(wǎng)。
所以，我們抓取了 B 站 1300 條熱門視頻的內(nèi)容和標題數(shù)據(jù)，通過千帆訓練了個 B 站起標題懂哥大模型。
大伙們也可以對比一下，相比沒經(jīng)過調(diào)教的版本，新模型給出的標題，明顯就更加對味兒了。
當然，說實話 1000 條左右的數(shù)據(jù)，并不算多，相信隨著數(shù)據(jù)集的擴大，效果也會越來越好。
其實，通過上面幾個世超身邊實際的案例，大家也應(yīng)該會發(fā)現(xiàn)，即便是差評這么一個小小的編輯部，對于 AI 也都有著各種各樣的需求，更不用說其他無數(shù)中小企業(yè)了，并不是用一個 TO C 的通用聊天機器人，就能解決一切問題的。
但比如說提示詞咋寫，如何精調(diào)模型，應(yīng)用的能力不給力怎么辦等等，都是行業(yè)內(nèi)在用大模型時，普遍存在的問題。
而在體驗百度智能云千帆的 AppBuilder 和 Modelbuilder 過程中，世超也看到了百度是怎么一一解題的。
比如大伙們都擔心提示詞寫不好，影響了最終的效果，而千帆直接預置近 300 個行業(yè)場景的 prompt 模版。不知道咋精調(diào)模型？千帆也直接給了開箱即用的模型精調(diào)樣板間，支持超過 3 萬個模型的精調(diào)。
另外在傳統(tǒng)企業(yè)中，那些復雜的事兒和任務(wù)，基本都得靠專家的經(jīng)驗固定好的流程，也就是工作流。哪怕數(shù)字化已經(jīng)搞了這么多年的今天，工作流也依舊是守舊派，沒什么新突破。
另一方面大模型確實是很強，相當于一顆會思考的大腦，但 “ 幻覺 ” 問題卻一直讓人頭疼。相信大伙們也都想到了，把工作流和大模型整一塊兒，其實剛好能取其長避其短。
這次百度世界大會上，百度智能云千帆大模型平臺搞出了個 “ 工作流 Agent” 的功能。通過學習各種企業(yè)流程與規(guī)范，工作流 Agent 能迅速適應(yīng)不同崗位職責，并且快速復制出一個個 “ 數(shù)字員工 ” 。
拿保險行業(yè)來說吧，百度智能云正和保險公司合作，弄出個車險續(xù)保售前的數(shù)字員工。以前培養(yǎng)一個員工得花一兩年時間。現(xiàn)在用工作流 Agent 開發(fā)金牌銷售數(shù)字員工，最快一個小時就能弄好上線。而且這個工作流 Agent 還能很快地集成到百度搜索、微信公眾號、企業(yè)官網(wǎng)這些業(yè)務(wù)系統(tǒng)里。
大會上百度也來了波現(xiàn)場演示 ，咋說呢，要不是事先知道答案，我還真猜不出對面原來是個 AI 數(shù)字員工。。。
另外說起來你們可能不信，因為有了數(shù)據(jù)飛輪和模型蒸餾的加持，這大模型還會越用越聰明，越用效率越高。
這么說吧，模型上線后會持續(xù)從線上采樣用戶線上真實的數(shù)據(jù)，模型會標注好回答的好壞，用于繼續(xù)推進模型的更新，數(shù)據(jù)的輪子，就這么轉(zhuǎn)了起來。
包括 ModelBuilder 還能根據(jù)優(yōu)質(zhì)的數(shù)據(jù)，蒸餾出一個輕量級大模型，目前百度優(yōu)選就用上了，它提取商品屬性，新模型能達到 90% 的旗艦級模型效果，同時也能達到 3-4 倍的旗艦級模型的速度，效果和性能就這樣達成了平衡。
最后世超想說的是，在大模型到應(yīng)用的這條路上，實際上很多中小企業(yè)，都被攔在了 “ 最后一公里 ” ，而千帆們所做的，就是把這最后的路打通。
硅谷有一句經(jīng)典的 “ 老話 ” ，叫做 “ 軟件吞噬世界 ” 。
而世超覺得，世界會不會被軟件吞噬咱不好確定，但在 AI 的普及，并且從 AI 到應(yīng)用這條路越來越通暢的情況下，軟件肯定會讓咱們的生活和生產(chǎn)更便利。
