近期有关中国是否将复刻日本的“资产负债表衰退”的言论不绝于耳，笔者认为渲染这方面言论的自媒体完全是危言耸听。

　　中国的人均GDP才刚刚跨过一万美元的门槛，进入中等收入国家的行列。我国还没有发展到类似发达国家经济滞胀的阶段。

　　事实上，我国目前正处于跨越中等技术陷阱的周期阶段，所谓中等技术陷阱，是指发展中国家承接了部分发达国家的成熟产业转移，而后没有发展出可以媲美发达国家的核心技术，这样此发展中国家便会进入相对停滞的经济发展阶段。

　　在当前疫情冲击、国际局势多变、全球经济放缓的环境下，我们所处的是一个被形容为“乌卡(VUCA)时代”的世界。这一术语源自20世纪80年代沃伦·本尼斯和伯特·纳努斯的领导理论，代表着易变(Volatile)、不确定(Uncertain)、复杂(Complex)和模糊(Ambiguous)四个方面的特征。

　　在VUCA时代，复杂性问题几乎出现在各个行业。这对无论是企业还是国家，都是一个共同面临的挑战。如何在这样的环境中求生存、寻发展，是我们需要共同思考和解决的问题。

　　而“数字中国”的建设正是最具有确定性、可以摆脱乌卡时代的经济新动能。从三个方面来看，我国已具有得天独厚的优势。

　　2020 年4 月，中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，明确将数据市场与土地市场、劳动力市场、资本市场、技术市场并列为加快培育的五大核心生产要素市场之一，数据要素步入市场化阶段。

　　2022 年，国务院颁布“数据二十条”，提出二十条政策举措以建立“三权分置”的数据产权制度框架与多层次数据交易市场体系。

　　2023 年 3 月 1 日，中共中央、国务院印发了《数字中国建设整体布局规划》，自此数字中国形成了完整的政策框架体系。

　　在数字经济发展的全球蓝图中，中国的优势十分明显。其中市场规模是不可比拟的优势。截至2022年底，我国网民规模已从十年前的5.64亿增加到10.67亿，居世界第一，互联网普及率达75.6%，农村地区互联网普及率为61.9%。在数字经济时代，人多意味着产生的数据多，可供分析挖掘的价值多，这是最大的财富。

　　在网络强国战略指引下，我国数字经济规模达50.2万亿元，稳居世界第二；移动支付年交易规模527万亿元，居全球第一；5G基站达284.4万个，已建成全球最大规模的光纤宽带和5G网络。

　　生成式人工智能的崛起源于深度学习技术的突破和数字内容供应的快速增长，其卓越性能使AI在需求驱动下迅速向数字经济各领域渗透。

　　生成式AI不仅创造了新业态、新模式，而且其低成本、高效率、个性化服务也对同领域现有业务模式构成了冲击，官方为此也及时出台相关的文件进行合理监管。

　　2023 年7月13日，国家网信办等七部门联合公布《生成式人工智能服务管理暂行办法》(以下简称《办法》)，自2023年8月15日起施行。国家网信办表示，出台《办法》，既是促进生成式人工智能健康发展的重要要求，也是防范生成式人工智能服务风险的现实需要。

　　如今用“百模大战”来形容当下人工智能大模型的火热程度一点也不夸张。数据显示，国内公开发布的大模型已达80多个，大模型已经进入了去伪存真的阶段。

　　随着GPT-4的发布，其惊人的功能提升引起了广泛关注。其中，通过一张草图即可生成网站HTML代码的表现更是让人印象深刻。这一幕不仅让看热闹的人惊叹于技术的神奇转变，也让深谙门道的人意识到，这或许是低代码领域的一次革命性突破。

　　所谓低代码，是指利用图形化拖拽、参数化配置等方式，仅需少量代码即可开发出应用程序或数字工具。自问世以来，低代码凭借其开发门槛低、效率高以及满足数字化转型需求等优势，备受青睐。然而，长期以来，它也饱受质疑，甚至被认为是“伪需求”、“行业毒瘤”。

　　而以ChatGPT为代表的AI大模型的出现，为低代码领域带来了一线生机。这些模型在图像识别、自然语言处理、语音识别等领域取得了显著成果，成功解决了技术方面临的“业务需求”问题。因此，有观点认为，AI大模型有望成为消除低代码质疑的最有力武器。

　　谷歌的BERT模型、Facebook的Detectron2模型等，都是基于深度学习对海量数据的训练，总结规律和模式，从而达到非常准确的识别能力和预测能力。这些技术的成功应用，为低代码领域的发展提供了有力支持。

　　百度的文心一言全面嵌入百度内部工作平台如流、对外也上车了百度apollo等业务；钉钉也表示全面接入阿里的 通义千问 大模型，增加了 10余种 AI能力、对外也表示要开放；WPS AI表示将嵌入金山办公全线产品，科大讯飞的投资者交流会中也表示，大模型对于其根据地业务，有着很大推动意义。

　　根据Gartner的预测，到2025年，70%的企业数字化应用将由低代码技术构建。甚至有专家认为，低代码已经成为了“企业数字化的核心引擎”。

　　如今许多非TMT行业的公司都跃跃欲试想要搞自己的大模型，这是因小失大的行为。在未来，大模型或只是“数字中国”的基础设施，价值量最高的反而是企业的数据资源，因为质量过低的数据将直接决定了企业数字化转型的成败。

　　举个例子来说，在金融领域中，一个信息的错误可能导致征信评估出现截然相反的判断。为了确保高质量的输出，训练数据量的大小与模型的推理能力息息相关。然而，训练数据集的多样性同样重要，丰富的数据能够提高模型的泛化能力。过度拟合训练数据的情况很容易发生，因此需要确保数据集的多样性。

　　对于许多传统企业和刚刚起步的数字化企业而言，大量语料数据是非结构化的，分散在各个部门。在这种情况下，缺乏现成领域语料数据的可用性成为了训练的前提条件。领域数据的记录、盘点、采集、清洗和转化成为了关键任务，这实际上考验着企业的大数据治理水平。如果未经筛选和处理的数据直接用于训练大型模型，可能会严重影响模型的训练效果。

　　在数据生产力时代，动态竞争与高频创新已成为最具特点的两大趋势。动态竞争，顾名思义，是指市场中技术创新和商业创新不断挑战现有格局，打破市场的相对稳定性和静止性，从而引发整体性的大幅变动。这种竞争并非短暂的现象，而是长期存在，其强度也有所差异，有的表现为颠覆性的变革，有的则呈现渐进式的变化。在这种竞争环境中，企业必须时刻保持敏锐的市场洞察力和创新能力，以应对不断变化的市场需求和行业格局。

　　总体来看，AI大模型作为新时代的经济新动能，将为我国的经济发展提供强大的支持。在这个过程中，除了有先发优势的信息技术龙头，传统企业需要关注数据质量、加强大数据治理能力和保持创新能力，以实现可持续发展。