在全球经济活动中，大模型正扮演着愈发重要的作用。2022年底，OpenAI的ChatGPT横空出世，掀起了人工智能语言大模型（LLM，Large Language Model）新浪潮。

　　生成式人工智能DeepSeek作为2024—2025年中国发布的参数量约为OpenAI一半多的大模型，并没有走向上万亿个参数的“参数越多越好”的模式，却在性能上超越了现有的很多开源模型，还在一些评测中不输于世界顶尖的闭源模型，这成为中国发展人工智能大模型的一个标志性事件。这一科技创新事件，激发了中国的经济信心。中国以更低能耗实现同等效果的轻量模型方式，在人工智能领域实现了创新。这让国际社会看到中国经济转型的成效与更进一步高科技、高质量发展的可能性。

　　DeepSeek并没有走20年前依赖数据标记的监督型机器学习之路，也没有走MLP（多层感知器）、CNN（卷积）等神经网络算法架构的“烧钱”之道，而是直接在Transformer算法框架基础实施算法创新。抛弃常用的监督微调（SFT，Supervised Fine-Tuning）和强化学习PPO（Proximal Policy Optimization，近端策略优化算法）架构，在预训练的基础模型上提升算法效率和芯片沟通效率：选择MLA（Multi-head Latent Attention，多头潜在注意力机制）但并不追求最高精度的混合精度训练方式，以及MoE（Mixture-of-Experts，混合专家）实现参数协同，叠加PTX（Parallel Thread Execution，并行线程执行）语言调整芯片之间的通信互联；在后训练的推理模型上放弃初始人工标注、放弃有监督学习，让大模型自身生成思维链并自动迭代后再人工标注；不区分推理模型和基础模型的割裂状态，让推理模型反向改进，去融合基础大模型，实现闭环迭代。

　　这反映出中国在全球化创新的基础上实现了“人有我优”，走的是开放式创新之路：既遵循GPT（生成式预训练变换器）式的预训练路线，又遵循GPT以强化学习为核心的后训练路线，而不是封闭式的自造之路。杭州深度求索公司是一家民营中小企业，这也反映了中国民营企业的活力、中国民间创新的潜力，证明了中国经济的强大韧性。

　　现代经济的运行细胞主体是企业。企业在经济活动决策中，可以在人工智能模型基础上结合语言大模型的方式，形成新质生产力。

　　首先，企业可以利用人工智能分析不同政策情景下的经济和环境影响，为科学决策提供支撑。中央和各级政府形成的文字、图片、数据，可以成为企业的模型资料库，有助于企业决定自身的战略方向。当出现政策逆转的边际变化时，算法模型通过添加“约束”性条件来改变企业目标。而且，经过调整的新数学模型输出的结果，会通过LLM转化为易于理解的政府语言答案，有助于决策者了解企业运行的具体影响。这种方式不仅可以提高政府监督企业产出过程的透明度，还使得政府能够及时甚至提前了解技术性企业是否被有效监管。

　　其次，企业通过对行业信息建模，实现对行业的把握。企业从全球行业以及中国本土供应链上下游信息中，可以获得海量详尽数据，将数据生成报告，实现对行业中竞争对手的评估，从而进行差异化但又千变万化的产品设计、材料选择。对行业的历史变动进行针对性搜索，对行业历史科学文献深度挖掘，从而预测未来的行业趋势，有助于企业提前规划在行业中的竞争策略。不仅如此，企业可以与供应商、客户、投资者分别建立基于LLM的沟通交互平台，共享数据。在交互中，大模型利用对方的人工查询和交互提问，转换为新的学习资料，对自身的原始模型进行优化，从而可以更好地适应供应商、客户、投资人的具体需求。LLM也可以更有效地与公众沟通，确定新闻媒体对企业产品及盈利水平变化的立场，形成叙事技巧，完成诸如社会责任、公众舆论、社交媒体帖子、科普文章、互动体验问答等。

　　最后，从内部看，企业可以利用自身的内部数据优化运营。企业内部的细节数据包括能源使用量、新增软件代码量、会议次数、生产数据新增量、企业内部前台与后台的供应链数据等。通过人工智能模型进行能耗测算、知识产权生产评估、员工工作情绪状态捕捉、生产流程对接，企业可以确定供应链前后台的松弛状态，测算潜在的优化空间，提高自然资源和人力资源利用率，降低运营成本。尤其对于有成千上万种细分品类和几万道工序的制造型企业，利用人工智能模型优化调度，可以减少制造足迹，将生产时间缩短或原料耗材缩减。在物流网络规划、设备运行运维、客户服务等方面，精准定位，自动监控设备状况并预测故障，自动生成精确的设备“体检报告”，可以最大限度地减少设备停机时间，确保持续生产。在生产链条上，可以自动读取实时和历史数据，综合分析并给出评估报告及建议。同时，利用LLM智能交互和推理决策能力，可以快速生成满足高实时性和强可解释性需求的内部文档。对产品生产线进行极短时间和高准确度的评估，有助于实时识别质量缺陷，立即纠正，减少浪费，实现迅速又精确的质量控制效果。

　　总之，企业可以充分利用各种计算模型，融合LLM能力，实现自动化数据处理，还能通过情境学习和生成式输出，助推企业实现经济效益。多模态模型，能够整合政府、行业、员工等多源数据，构建更精准的管理体系与风险预警体系，提高应对不利变化的能力。利用灵活的深度学习模型，填补了传统建模中的空白，在多种异构数据集上使用，大大简化计算成本的同时保持泛化能力，并能让准确性达到前所未有的新水平。企业在各种人工智能模型下得到大发展，则中国经济将更能实现高质量发展。

　　是否每个企业都需要上线语言大模型，这需要客观评估，防止形式主义做法。

　　当企业的生产模式较为简单时，通过Excel表格测算即可，没有必要引入复杂的AI系统。对于一些个体户或小中型企业来说，投资于先进的AI解决方案，实际上并不符合投入—产出原则，尤其是在没有做好成本与收益测算的前提下。

　　大模型本质上是一种概率模型，基于不同数据、报表、场景、模板和计算流程，会得出不同的概率结果，并不是刚性的100%一致和不变，无法提供绝对的确定性。如果不计成本地上线大模型，由于公司的数据量不足，数据不符合大模型训练的基础条件，会导致大模型运行的结果并不有效。

　　在中国微观经济活动中，企业团队应明白大模型的根本算法原理和能力边界，其实际上的“生成”仍只是高概率下的一种信息结果，不应对其产生迷信和幻觉。如果默认“生成即合理”，不加推演，惰性使用，会让团队的实际处理问题能力变差。

　　如果因为使用人工智能模型过度控制员工，让员工不再承担责任，或者出现了错误和事故，将责任推给算法模型，认为自己的处理权限完全被算法模型剥夺，则会导致公司员工激励机制出现问题。没有激励动力，就没有人会事先明确指出企业的风险和不确定性，甘愿变为机器人和工具人，不对企业最终盈利和风险负责。因此，企业管理层应公开公司AI系统的运作原理，适度在混合专家（MoE）架构上增加提炼，形成反馈，以便员工了解背后的逻辑，参与公司内部的模型训练，将AI作为辅助工具而不是控制自己的工具，实现岗位价值的最大化。

　　（作者系北京体育大学管理学院副教授，兼清华大学金融安全研究中心研究员）