亚马逊的客服，可口可乐的文案：大公司的 AI，都用在哪儿了？

前段时间，一个做快消的朋友约我喝茶。

落座第一句话就问：大模型这东西，除了帮大家写周报，到底还能干嘛？

我说，你别急。这个问题，问概念没用，得看动作。

看谁的动作？看大公司。他们人最多、钱最多、数据最多，试错成本也最高，所以动作最诚实。他们真金白银砸下去的地方，基本就是这门技术眼下最值钱的用法。

这几年，我陆续翻了不少公司的公开做法：亚马逊、可口可乐、摩根大通、Netflix、Spotify、《纽约时报》，还有 IBM。越看越觉得有意思。今天我带你逛一圈。

逛完你就明白：大模型不玄。它就是几样很具体的活儿。

第一件活儿：接客

先说离你最近的，客服。

你有没有发现，这两年找电商平台问问题，回复变快了？以前排队等人工，现在很多问题，秒回。

什么叫好的客服？说白了就两条：快，和对。

前一条，机器天生擅长。亚马逊很早就把大语言模型塞进了自己的聊天系统里，背后用的正是自家的 Amazon Lex。它能听懂你用大白话描述的问题，然后给出靠谱的答案。问题被听懂了，解决得快了，满意度自然上去。

但真正让我觉得值钱的，是下一个动作。

亚马逊没有把客服全交给机器。复杂的问题、绕来绕去的纠纷、带着情绪的投诉，照样交给人。

为什么？因为机器接得住常规问题，接不住人心。查订单、催发货、退换货，这类问题占大头，机器回得又快又稳；剩下那些一句话说不清的，还得人来。

AI 负责快，人负责难。这个队形，比「全部换成 AI」聪明得多。

这是我看到的第一课。

第二件活儿：造内容

再说可口可乐。

这个品牌最值钱的资产之一，是它的声音。热情、快乐，一百多年没变过味儿。这个声音能撑这么久，靠的是无数文案、海报、帖子，一天一天垒出来的。

现在，他们把 OpenAI 的 GPT-4 拉进了内容流水线。

第一个用途好理解：写。社媒帖子、营销文案、资讯内容，量大，还必须是可口可乐味儿。GPT-4 生成的东西有个特点，像人话。这就保证了不管发在哪个平台，品牌的声音不散。

第二个用途更有意思：反着用。让它去啃海量的消费者数据和行情信息，吐出规律和报告——最近大家喜欢什么？消费习惯在往哪儿偏？

写出去是嘴，看进来是眼睛。

同一个模型，一头管说，一头管听。

第三件活儿：啃报告

第三家，摩根大通（JPMorgan Chase）。它干的事不性感，但更硬。

银行每天面对什么？成堆的法律文件、财务报告，全是没结构的文字，全是术语。一个人读一份，要很久；读的人累了，还会看漏。

摩根大通用 IBM 的 Watson 来干这个活。靠自然语言处理，Watson 能快速啃完海量非结构化文本，精度还很高。原来要耗掉大量人天的工作，压成机器的几分钟。

省时间是明面上的好处。暗地里的更值钱：机器不累，不会因为看了八小时文件而看漏一行。出错概率降下来，结果可靠了，客户那头感受到的服务质量也跟着上去。

Watson 还有第二份工：抓坏人。机器学习模型盯着交易流水，一刻不停。哪笔交易的模式不对劲，马上标记出来。人眼盯不过来的东西，它替你盯着。

第四件活儿：懂你

接下来这两家，你大概率天天在用：Netflix 和 Spotify。

我把它们放一起讲，因为它们干的是同一件事：猜你喜欢。

Netflix 看你的观看记录、每一次点击和停留，慢慢拼出你的口味画像，推你可能爱看的剧。Spotify 看你的收听习惯、你建的歌单、你单曲循环了什么，预测你下一首会爱上的歌。

说白了，Spotify 就是一个懂你的私人 DJ：你还没开口，他已经知道你想听什么。

对了，这两家的推荐系统里，都有 BERT 这类语言模型的影子。你的每一次点击，都是一句话。机器在逐字读你这本日记。

你的每一次滑动都在投票。它们赢，赢在比你更懂你自己。

第五件活儿：放广告

广告这事，也被重新做了一遍。

一家是《纽约时报》。他们用 OpenAI 的 GPT-3 帮广告主干两件事：一是根据广告内容，推荐更好的投放位置；二是找出以前够不着的细分人群。投放更准了，广告主的钱花得更值了。

另一拨，是超级碗。这项比赛每年上亿人观看，是座数据金矿。生成式 AI 把观众数据嚼碎，按偏好和行为分组，给不同的人看不同的广告。

同一条 30 秒广告，从千人一面，变成千人千面。

第六件活儿：救命

最后一件，我最想说。因为它关乎性命。

IBM 的 Watson Health 在医疗方向干的活，叫临床决策支持。简单说：医生看病的时候，它在旁边把海量医学文献和患者数据翻一遍，给出有证据支撑的诊断和治疗建议。

医生也是人，人的阅读量有上限，而医学文献每天都在涨。旁边坐着一位读过「全部文献」的助手，诊断的依据就多一层，流程也快一截。它还能从数据里看出疾病流行的苗头，帮着做早期发现和预防。

这种用法，真好。比写诗画画实在多了。

底下是同一台机器

六件活儿讲完了。你可能想问：客服、文案、风控、推荐、广告、医疗，八竿子打不着的六个领域，用的真是同一门技术？

是。而且底下那台机器，拆开看没那么神秘。

第一层，深度学习。很多层的神经网络，一层一层加工文字。

第二层，Transformer。2017 年，有篇论文叫《Attention is All You Need》，提出的这个架构，是今天绝大多数大模型的地基。它的本事，是处理好文字里隔得很远的关联。

第三层，注意力机制。让模型在生成每个词的时候，知道该重点看输入里的哪几个词。就像你听人讲话，会自动抓重点。

然后是训练方法：先预训练，用天文数字的文本学会语言的通用规律；再微调，用专门的数据，把通用选手练成专项选手。

还有分词，就是把你的输入切成一小块一小块的 token，模型只认 token。以及怎么给模型打分（困惑度、BLEU 这些指标），怎么给它套上安全和伦理的笼头。

清单就这么几条。没有一条是魔法。

回到那杯茶

那天喝茶，我最后跟朋友说：你问大模型能干嘛，这个问题问反了。

该问的是：你的业务里，哪件事量极大、有规律、但特别耗人工？那件事，就值得先交给它。

客服是这样，文案是这样。读报告、做推荐、放广告、辅助诊断，全是这样。从亚马逊的客服，到可口可乐的文案，到摩根大通风控、Salesforce 的自动化报告，大公司买的就是这个判断。

至于那东西叫不叫 AI，不重要。

后来听说，我那位朋友回去的第一件事，是把团队三个月的客服对话记录全拉了出来，数了一遍：哪些问题占了八成？

你看，这就对了。

也祝你，早日找到属于你的那件「量极大、有规律、耗人工」的事。