「汉得AI应用前沿情报」

本文将为您解答以下两个问题：

一、OpenAI宣布7月9日终止对中国大陆提供API接口服务，对汉得提供的AI服务有没有影响？

二、汉得当前在AI方面做出了什么应用价值？未来的方向在哪里？

OpenAI宣布7月9日终止对中国大陆提供API接口服务，对汉得提供的AI服务有没有影响？

就在6月25日，Open AI宣布将于7月9日终止对包括中国大陆在内的地区提供API服务。OpenAI对中国大陆的停服决定，对汉得提供的AI服务来说究竟影响多大？

实际上，ChatGPT爆火以来，Open AI一直未曾真正开放过中国市场的服务。当前汉得在国内对接的大模型呈现多样化特点，既有国外商用大模型，也有国内商用大模型，还涉及开源大模型以及私有化模型等，而通过微软调用的Open AI服务只是众多选择之一。目前来看，微软云提供的Open AI接入服务仍可以正常访问。也并没有消息表明这个通道会关闭，预计将来仍可正常使用。此外，国产大模型这一年里进步非常快，我们的很多应用场景，调用其他模型也一样能达到效果，甚至在某些场景上，其他大模型的表现会更优秀。

同时，很多国内企业原本首选的大模型也并非Open AI，因此即便Open AI完全无法调用，对我们开展AI业务来说影响也很有限。如今Open AI停服，外部竞争减少，对国内通用人工智能行业或许是最好的机遇，国内通用人工智能行业或将进入一个加速整合与创新的阶段。

汉得当前在AI方面做出了什么应用价值？未来的方向在哪里？

汉得自去年7月率先发布AIGC应用平台之后，一年的时间里已经为50余家企业客户提供AIGC产品和应用服务，这里通过三个典型案例来介绍汉得在AIGC应用领域的探索和突破。

案例一

构建AIGC知识库 开发专属实验模型

首先，A客户每年都有大量的分子细胞实验项目，在课题立项之后、正式开始实验之前需要做实验计划，这时候就需要查阅与该课题相关的历史文献和各类论文，以获取相关的数据来规避不必要的实验路径。

但是历史文献数量庞大且存在各国语言和不同时期的版本，靠人工查阅基本是不可能完成的，以前通过扫描存档进数据库，可以进行关键字检索，但不够智能，实际应用下来不是很理想。希望通过AIGC形成知识库，解决查阅文献的难题。

其次，在AIGC知识库的基础上建立知识图谱记录分子细胞实验的逻辑关系。AIGC知识库解决了对历史知识的管理和利用提供便利，但实际实验的原始细胞、环境参数、催化剂以及最终结果之间是有逻辑上的唯一性的关系，这种关系用AIGC来表达反而不够精确。

故而在记录实验结果上，汉得研发团队通过知识图谱技术，用图数据库来记录和表达精确的逻辑关系，帮助客户更好的对知识进行沉淀和传承。

最后，汉得还帮助A客户开发了自己的实验模型。通过对大量历史数据的训练，最终实现在计算机模型上输入实验的关键参数，由AI模拟出实验结果以提供给科研人员作为课题实验规划中的辅助判断。该技术投入运行，可以帮助科研团队有效缩短实验周期，并节省实验经费。

案例二

“手中实时有数、心中时时有数”

B客户很早就做了数字化建设，也做了不少BI报表，但我们调研下来，发现高管在看数据、用数据上仍然存在不少痛点。

例如：老板常常因为某个具体的业务问题，在业务现场需要了解某个数据指标，需求产生于电光火石之间，这时候业务人员或者高管的助理开始查BI报表去找这个数据，但有时候这些数据虽然数据库中是有的，并没有在现成的BI报表中已经开发出来，需要进行再处理，带来的结果就是IT部门或者财务部门要加班加点处理数据，第二天早上打印出来放在老板的办公桌上。

这种延时实际上已经错过了现场处理问题的最佳时机，同时又可能带来新的问题，由于需求的一层层传递可能出现误差，拿过来的数据有时候跟老板要的数据是不一致的，又或者老板看了这个数据之后，又对其中某项指标产生了疑问，继续追问下去…

这种类似的问题，我们发现在很多企业都存在，其本质是用数据的人不是开发数据的人，开发数据的人并不真正要用这些数据，这种错位导致了企业内部开发了一大堆BI报表，实际上真正有用的并不多，并且真正要用的时候却发现用不了。

汉得针对这一类型的问题，将自研的ChatBI产品与AIGC大模型进行结合，不再需要提前开发一大堆BI报表，而是通过语音或者文字将要看的数据提交给大模型，大模型转译之后，由ChatBI直接从数据库中实施取出数据并组装成BI报表呈现出来，同时对数据权限进行管理。

这一技术功能的实现，支持企业内部各个不同层级、不同领域的人员真正做到“手中实时有数、心中时时有数”。

案例三

实现良品率提升 收益可达数千万元

C客户是光伏切片领域的龙头企业，国内光伏切片行业平均良品率大约在95%左右，C客户希望提高良品率，从而降低生产成本，而良品率提升1个点，对企业每年带来的收益可达数千万元。

光伏切片的数控机床产线参数多达2000多个，其组合方式更是无穷无尽，要通过人工来调优是不可能完成的任务。

我们通过对生产过程的调研，发现对良品率有直接影响的参数约为60多个，我们用回归算法，对数百万条生产线上的历史数据进行回归分析，最终找到了这60多个参数的分布状态与良品率之间的规律。

通过建立模型，并进行大量的机器学习，最终形成了模型应用，即在车间里用该模型实时监测产线上参数数据的变动趋势，当呈现良品率下降趋势的概率达到某一阈值时，通过对产线进行干预避免良品率快速下降。

这一应用在C客户成功上线后继续不断迭代调优，6个月后，整体生产良品率提升了1个点。同时C客户自有IT团队在这一过程中学习了AI的技术，在除良品率以外的其他各环节上已经能自主进行AI开发应用创新和迭代，目前每天在运行的AI任务已经达到120多个。

汉得在信息化和数字化领域深耕二十余年，服务超过6000家大中型企业，其中超过300家中国五百强企业、超过100家世界五百强企业，在各行业领域积累了丰富的数字化经验。

目前，汉得正致力于通过AI这一新质生产力，与我们的客户积极开拓新场景、提升新效能、携手创造新价值！