路线思考

设计院里的主业是设计，延伸出去是可服务的业主方。若将数字化助力范围聚焦在主业，会有哪些需求，这些需求需要什么数据，又是怎样的应用服务可以为客户带来价值？

从院里的主业上来看，大部分是内部需求，少部分外部需求。内部需求指的是院里设计人员的需求，也就是以辅助设计为主的应用布局。外部需求指的是市场、经营人员的需求，以辅助营销为主的应用布局。可服务的业主方有哪些？这个是目前不太明确的，需要进一步信息来确认，比如说体系下的其他单位，这些都需要复杂的关系去推动进一步的调研合作。

现在要做的不是单独赋能什么应用，而是要布局，自上而下推导布局整个港航（行业）大模型该怎么做。从有限的资源来看，切入点就不是数据治理为主了，而是以语料收集为主，语料就包括公开数据，私有数据，用户数据三大块。

公开数据的方向包括：专业材料、学术材料、政策规范、标讯。 私有数据是内部规范，各种标准化模板，工程案例。 用户数据是对话数据，要在院里上应用解决。可以看作是通过一个私有大模型AI平台让院里全员参与到AI的建设中来。这才是真正要上的东西。用户使用AI所产生的数据对于模型效果（微调）而言至关重要。

大模型的这些技术都不是什么问题，问题是数据，必须导向数据这边来，说白了遥遥领先也没多少港航数据，或者他们收集不到院里自有的这部分数据。数据作为核心价值，当有了足够干净可直接用于大模型训练微调的数据，再去跟有大模型能力的厂商去谈合作。做大模型那些厂商缺啥的，他们没有行业的一手数据。假设有某家公司想要做港航大模型，那不得第一时间跟我们合作？国内外都有可能，这得持续观察，毕竟整个行业注意力都在AI这块。

数据不是卖出去，而是合作成为真正意义的数商，所以就不做外部应用啊，到时候再跟合作方去谈这些安全，私有化如何保证。多方协议对比。一些很小的应用，通常是依托公开论文和数据集的AI应用可以对外，比如越浪量预测那个东西。真正的数商绝对不是卖数据，而是卖服务，saas或paas都一样，不过形式上区别，服务群体的区别。而且说白了整个设计行当的数据量太少太少，一卖完增量压根就没多少价值。

然后就还有一个是到底有什么用的问题，得去跟内外部找真实有需求的用户：各大专业设计人员，经营人员，项目管理人员，业主方的各种岗位。去梳理这些用户的工作流，才能找到应用的切入点。通过科研来做好大模型所需要的数据沉淀，内部做私有大模型只会做 开源大模型+RAG的东西，不会涉及微调和训练，尽可能压缩成本。而且要通过科研+尽可能多内部人会使用的应用来收集一波数据，到了合适的时机去做微调和训练才有价值。所以这就一上来就把成本最高的事情给撇除在外了。

核心就是，港航这行业，能有多少数据，跟互联网每天上Pb级别的数据量比，是怎样一个比例。数据量基本也决定了你所需要的基础大模型的参数量，压根就不需要像ToC那些这么大的参数量。小模型，我现在的判断标准还是有没有使用中文语料去做训练，这个看模型发布的资料就可以知道。所以优先考虑国内像智谱做的小模型。

一些内耗

搞技术与官僚机制天然冲突，快与慢的冲突。机制有明确的自上而下流程，一层传一层，一环扣一环，往往下不可违背上，后不能推翻前。

当技术强调快速变化时，行动最重要，该重构则重构，甚至越早重构越好。导致某个流程都还没走完，一开始的想法就已经不成立了。

如果这个掌握了变化的人是上层，他会让下面的人感觉痛苦：领导/老板怎么一天一个样，这让下面的人如何适应啊，到底应该做什么，怎么优先级又变了？

如果是下面的人掌握了技术，那他可能会经常内耗，明明觉得不可为却因为上面下了命令而不得不为。这已经不是选错了目标，努力只会让你错得更离谱的问题，而是明知道目标是错的，都只能够硬着头皮走下去，只是因为下不可违背上，后不能推翻前。

尝试过创业的你发现，无论身处哪个组织，都无法专一地按自己的想法行事，又或是很难。为了要做到想法内的事，需要过多耗时耗力的沟通。吊诡的是，你又看到结果是，除了内心想做的事以外，其他的是一件都干不成。只是可能那个结果当时并不能得到上层的认同罢了。

思路就是那些思路，但带动一群人坚定不移地行动，则是另外一回事。你可能遇到领导易主，分工模式变化，开始有人将不属于你的任务安排下来，进一步放大了原本通过分工规避开的不合理工作安排。简单来说就是，你失去了更多自主，也失去了更多专注。战略和路线让你容易低估组织文化与工作模式所带来的影响。大部分成长在规训时代的人，习惯了服从，又从上方指令的模糊性里延伸出来一套中庸之道。大家努力地做着面具下的那个工作。