从快速生成逻辑清晰的长篇文章，到无需视频素材即可生产视频片段，人工智能大模型的能力近期发展迅速。
当前，除了AI聊天机器人、文生图、编写代码等应用之外，很多行业在如何更好运用大模型，如何将大模型与业务紧密结合起来等方面，仍遇到很多技术瓶颈问题。人工智能大模型怎样更具行业“黏性”？
“人工智能大模型将为各行各业赋能已经成为共识，但具体在实践中如何将大模型与行业、企业的具体业务结合起来仍在不断探索中。”在4月2日召开的亚马逊云科技生成式AI媒体沟通会上，亚马逊云科技大中华区产品部总经理陈晓建表示，各行各业的场景千变万化，要将大模型强大的技术能力运用好，企业需要一系列周边的能力来正确、合理、安全、高效地使用大模型，这就是亚马逊云科技一系列产品所提供的价值所在。
据了解，人工智能大模型落地实际应用场景时，需要进行与业务相结合的训练和推理。所谓术业有专攻，要获得能够落地各行各业的人工智能大模型，首先要有强大的基础模型，之后再结合场景开展相关的训练。
为此，亚马逊云科技与美国人工智能企业Anthropic开展紧密合作，在亚马逊云科技完全托管的生成式人工智能服务（Amazon Bedrock）上提供该企业开发的生成式人工智能Claude 3系列模型，当前，该模型在复杂任务中表现出优秀的理解能力和流畅性，用户可以通过云平台获得该大模型的服务。
“虽然大模型的能力非常强，但应用场景和任务千变万化，对大模型的使用必须经历定制化调优和与自身数据结合的过程。”陈晓建说，如果简单地将基础大模型“拿来”使用，那么完成特定任务则难以达到最优效果。
训练模型是增加大模型行业“黏性”的必由之路。“选择一个应用场景进行训练，训练端需要一个有足够扩展能力的规模集群。”亚马逊云科技大中华区数据分析与生成式AI产品总监崔玮建议，进行行业大模型训练时需要可靠、安全且足够弹性的环境，训练之后需要在云端为大模型运算提供足够的算力服务、模型架构等。
在专业大模型落地具体行业应用的过程中，人才团队的保障也至关重要。陈晓建表示，即使具备完善的数据基础，也进行了很好的行业训练，行业大模型仍需要应对不同的场景、有针对性地解决问题。这个过程需要专业团队开展业务支持，比如方案架构师与业务人员共同寻找场景和解决方案，产品技术专家结合特定需求微调大模型的输出模式等。
