2、既要成本低，又要效率高，還要“體驗”好

NLP產(chǎn)業(yè)落地還有牽扯要素更多的“我全都要”現(xiàn)象——在應用開發(fā)過程中，因為降本增效的主旋律，希望成本能夠更低、效率可以更高，而開發(fā)者在龐雜的開發(fā)工作面前又往往還希望體驗能夠更好。

如果在過去，這種需求大概會被技術服務方懟回來，但隨著平臺化能力的提升，NLP已經(jīng)完全具備了滿足這種矛盾需求的能力。

仍然以文心為例，它全面降低了NLP的定制開發(fā)成本，在強大語義理解能力下對數(shù)據(jù)標注廣度和深度要求降低——90％準確度的模型，過去需要5100條數(shù)據(jù)，現(xiàn)在可能只要220條數(shù)據(jù)；在算力上也類似，由于集成了ERNIE預訓練模型，企業(yè)只需要單機微調即可取得世界領先效果的NLP模型，極大降低算力成本。

可以看出，這種成本的降低伴隨著效率的提升，二者是一體兩面的關系。而更進一步看，對實際參與開發(fā)工作的開發(fā)者而言，僅需要配置或編寫少量代碼便可完成從模型訓練到模型評估，1周的工作1天完成，這本身也是一種體驗上的優(yōu)化。

類似的還有UNIT智能對話與定制服務平臺，在本次升級后數(shù)據(jù)標注成本的進一步降低30％以上。重點場景預置的場景化解決方案，能夠幫助開發(fā)者以更低的成本、更高的效率完成智能對話系統(tǒng)的構建，而這種構建也不需要長篇大論、邏輯復雜的編程，只需要調用對應的模塊即可。

3、既要單環(huán)節(jié)強化，也要全鏈條深入

“既全且深”在過去是NLP開發(fā)者對平臺服務的美好理想，既能夠提供全面的服務，每個細分服務還能夠做到足夠得深。

現(xiàn)在，這種理想已經(jīng)變成現(xiàn)實，它同樣得益于技術和服務的長期積累。

以百度NLP智能創(chuàng)作平臺為例，該平臺一年多以來的自動創(chuàng)作文章累計200萬＋，相當一個10人團隊至少工作45年；“圖文轉視頻能力”上線4個月，被7000多家客戶使用，自動創(chuàng)作短視頻15萬，相當于一個人至少要工作100年。

在此基礎上，智能創(chuàng)作平臺進行了再升級，一次性推出囊括智能策劃、智能采編和智能審校全鏈條的3大場景方案，而每個環(huán)節(jié)，都十分深度而不只是簡單的布局。

例如，在智能采編環(huán)節(jié)，借助融合文本、視覺、語音的跨模態(tài)AI技術，一方面提供文章創(chuàng)作多樣、易用的工具，另一方面，還整合了視頻編輯、圖文與視頻互相轉換等視頻生產(chǎn)實用能力，實際應用可以幫助視頻生產(chǎn)速度達到原有的6倍。

可以認為，在百度等巨頭的積極探索下，過去NLP領域那些不可能、充滿矛盾的產(chǎn)業(yè)應用需求，最終將變得稀松平常。