1966年，世界上第一个聊天机器人“Eliza”被创造出来。
当时的Eliza只能通过对关键字扫描和重组，与使用者进行简单的对话，但人类对科技的幻想终于走进了现实。
时光荏苒，人工智能已经历三起两落，五十余年后，ChatGPT火爆这个冬天。热潮背后，此类聊天机器人的未来却仍有许多问题等待追问：这项技术如何落地?产业将向何处发展?
图源：网络
支持ChatGPT 的背后是AI大模型强大的通用智能能力，此种能力有助于落地应用跨越技术与业务场景之间的鸿沟。
AI的对话能力对应到具体业务场景则是：搭建企业级的智能客服。随着数字化升级加速，以数据中心业务为代表的IT行业若想实现更高效地运行，信息服务数智化转型势在必行。
除了帮助用户获得对答如流的体验，在智能客服领域，AI大模型的通用智能能力能否助力一个行业构建“大脑”进而带动整个产业发展?
或许需要先解决搭建企业级智能客服面临的种种难题。
搭建B端智能客服，难在哪里?
事实上，智能客服是较早拥抱AI技术的领域，但具体应用场景主要集中在To C端的互联网，例如电商，这些场景对智能客服的要求并不高，问题和话术专业门槛都相对较低，且具备一定共性。
但B端场景的产品和解决方案却相对复杂得多，并且需求迭代速度更快。
这带来了第一个搭建难题：传统的智能客服系统由多模型多知识库支撑，每个知识库需要人工或半自动搭建，维护成本较高、效率较低，进而很难提供一致性的客户服务，客户体验参差不齐。
作为数字经济的底层基础设施，数据中心已经成为数字经济蓬勃稳健发展的重要资产，随着云计算等新技术的不断涌现，数据中心的复杂程度越来越高，运维管理的复杂程度急剧增加。
但IT架构的演进也为B端智能客服带来了第二个搭建难题：专业知识门槛高，业务场景复杂。
作为全球领先的IT基础设施供应商，浪潮信息以高度智能化的专业服务生态体系，保障客户数据中心业务的高效稳定运行，加速数字化创新，释放数字经济动能。
然而相比于C端的客服系统，对于浪潮信息面向B端的数据中心智能服务面对的场景更加复杂、知识门槛更高。数据中心服务往往面临着多元的软件、硬件与不同的业务场景、业务流程等等因素相互交叉的复杂情形，如何让AI与复杂的数据与业务场景实现融合，在用户服务的全生命周期，实现专业服务端到端的智能化，也是浪潮服务转型过程中要突破的难点。
在浪潮的咨询客户中有80%都是非专业工程师，如若智能客服所给予的答案过于标准和冗余，却无真实地解决客户应用场景问题，客服所给予的答案只可被定义为对的答案而不是好的答案。
另外，任何领域的智能化转型均投入大量的人力、算力以及数据。但持续的投入即使可以推进AI应用逐渐深入，但边际效用递减显著，也会面临效果提升的瓶颈，这是第三个难题。
这三大难题对企业级智能客服系统提出了更加具体的要求：具备理解上下文的自然语言能力，且通过多轮对话的形式识别用户的意图;具备无需持续标注和训练的阅读理解能力，可以在降低训练投入的同时，达到高精度回答的效果。
人工智能大模型历经了前期探索与突破，如今一定程度上达到了推广期，大模型具有效果好、泛化性强、研发效率高等特点，正在成为人工智能技术及应用的新基座。
AI大模型时代，上述难题有望得到解决或缓解吗?
当大模型“源”成为客服大脑引擎，三大落地难题逐个击破
即使存在种种难题，数智化转型趋势依然势不可挡。
近日，浪潮信息以AI模型“源”为智能引擎，依托InService智能服务平台，完成了“智能客服大脑”的构建。
浪潮智能客服大脑以通过知识蒸馏、压缩等技术，实现了智能问答、知识抽取、故障推理等多种核心引擎，可直接通过用户描述或日志记录进行智能诊断和工单派送，大幅提升了人机交互的准确性和全流程的智能化水平。
图源：网络
首先在数据上，浪潮信息天然的业务优势带来了大量数据积累，保证了数据门槛的专业性和垂直型。“智能客服大脑”通过学习2万余份产品文档、用户手册，结合百万余条浪潮信息专家工程师服务对话、数十万份日志、工单数据进行算法训练，不仅支持自然语言交互服务、也能够实现对已授权IT设备的智能运维与诊断，还支持对专家工程师、备品备件等资源的智能管理与调度。
面对投入与效果之间存在边际效应递减的问题，浪潮信息也曾思索是否要真正投入额外的高昂人力成本让客服机器人完成对产品内容的更新迭代学习，但无论是成本角度还是专家型团队长期发展规划，通过专业工程师对客服机器人进行训练都并非明智之选。
往往技术越前进，所带来的的人力成本越高，而企业的真正诉求无非四个大字——「降本增效」，如何运用AI大模型“源”进行支持企业客服?“源”自身就具备强大的自我学习能力。
浪潮信息服务总监陈彬在接受《头部科技》采访时解释称：浪潮信息可以将“源”大模型直接挂接在企业已有的统一知识库上，这打破了传统的多模型多知识库的AI开发应用模式，也能确保让智能客服大脑的专业知识与企业最新发展同步更新。
当客户问询的时候挂接于知识库的源客服机器人就能够理解转译客户的回答，并自动搜取问答内容，通过机器人的推理直接回复客户的问题。
另外值得一提的是，“源”大模型具备零样本学习和小样本学习的能力。浪潮信息AI软件研发总监吴韶华表示：所谓的小样本学习是指仅仅需要一些示例提供给模型，经过这些示例的指导，模型就能够给出比较准确的答案。
此项能力也让“源”可以在在无人进行持续标注和训练的情况下，完成了知识流转模式的建立，这让之前的行业痛点迎刃而解。
未来，浪潮智能客服大脑还将基于“源2.0”能力新增图像解析功能，初步具备识别部件类型、序列号、BIOS页面内容等能力。
InService成为智能客服大脑的触角，浪潮勇闯AI赋能IT行业“深水区”
构建“智能客服大脑”，实现服务全流程智能化的过程中，InService智能服务平台与“源”相互配合，助力服务供应链等各个环节实现有机协同。
在接受《头部科技》采访时，浪潮信息服务总监陈彬将InService形容成智能客服大脑的触角——可以和客户进行算法交互的平台，贯穿整个服务和客户交互的所有场景。
“在InService客户端，浪潮主要利用自然语言理解技术，把庞大的客服知识库，转化成客户随时能够访问的服务专家，通过告警压缩、性能预测等多种能力，实现对设备的实时在线管理。而InService的后台，则相当于是智能客服的心脏，能够把客户的需求精准转译成资源的指令，协调各部分大脑的运转，并提供资源储备的相关信息。”
以大模型“源”作为引擎、InService作为触角的“源晓服”智能客服也取得了成果。
目前，“源晓服”支持浪潮信息服务器、存储、边缘计算等八大产品线的全代际数据中心产品售后服务，拥有技术、产品、故障、服务四大类超百余种专业问题的解决能力，可覆盖终端用户92%的咨询问题，日均处理客户服务达近千次。
注：｢鼎革奖｣数字化转型先锋榜作为一项由《哈佛商业评论》中文版、思爱普SAP公司联合主办，清华大学全球产业研究院学术支持的非盈利数字化转型调研、评选活动，自2018年举办以来引起了产业界极大的关注和反响
针对数据中心常见技术问题，如系统安装、Raid配置、部件异常等问题，“源晓服”的解决率高达80%，可将复杂技术咨询问题的业务处理时长降低65%，提升浪潮信息整体服务效率达160%。
IDC预测，大模型的泛化能力强、模型效果更优等特征助力其成为AI开发新范式，也是现阶段AI市场发展的必然趋势。但“AI技术的快速发展”与“AI落地赋能产业创造价”两者之间仍然存在鸿沟。
“如何有效解决AI技术与实际业务的应用场景融合”，这一问题的答卷不需要多么恢弘壮阔，它的答案往往诞生于找准痛点、直面问题的过程中。
敢于直面痛点，推动AI技术成功落地IT服务产业的“深水区”，浪潮信息用行动展现了AI产业化落地如何为企业真正实现“降成、增效、创新”。