• 基础设施 基础设施是指大语言模型相关硬件、软件以及网络设备等等，部分研究者也把foundation Model划归基础设施的一部分。LLMs类应用是算力密集型应用，高性能算力平台和基础模型的建设和运维已成为传统基础设施团队需要应对的新挑战。
• 技术人才 人工智能应用、研发和运维岗位是智力密集型工作，这类人才可能需要配置到从底层基础设施团队、大模型训练与应用开发团队，甚至前端的业务团队当中。传统金融服务企业向基于人工智能技术的新型金融服务企业的转型过程中，技术人才的短缺，比算力资源的短缺更加严重。OpenAI拥有超过100名专业人工智能博士或同等能力的研究员，以及超过300个Data+AI专业工程师，业界传言OpenAI高级工程师的年薪中位数达到了90万美元。如何组建、配置并有效管理专业技术团队，并推动持续成长也是我们需要共同思考的问题。
• 专有数据 数据是大语言模型技术栈的核心。特别在企业垂类应用场景中，采用基于预训练模型进行Fine-tuning这样的训练模式是通常的做法，这类模式生产的模型性能直接与训练数据的质量和数量强相关，没有质量好且数量足够的数据，即使使用超大参数规模的基础模型，也不可能训练出满足特定领域要求的专用大模型。
• 对业务的贡献 大语言模型已被证明对很多业务领域都有明确、显著的价值贡献，例如在通用办公、软件开发、市场营销、客户服务、产品设计等任务中，都显著提升了生产力，并带来了更好的客户体验。但所有事情都有正反两方面的影响，大模型技术为企业带来业务收益的同时，也对传统的业务模式以及业务团队的能力要求都提出了新的挑战。

3、ThinkMachine的观点

大语言模型技术只是企业人工智能应用的一个部分，我们始终倡导“业务价值驱动、从简到繁”的技术应用路线，避免片面追逐新概念，不切实际使用复杂的技术，以及启动“拿着锤子找钉子”的项目建设，避免落入“新技术的陷阱”，技术需要始终与业务保持“对齐”。正如中银香港副董事长兼总裁孙煜在上周的香港金融科技周2023时的讲话所言：“金融科技应用并不单是「数字化转型」，而是「业务转型」，需要改变思维方式、重塑商业模式、重建人才储备和文化。”