评估大模型能力发展现状，深入挖掘业务转型需求。
应用方应多维度进行能力诊断，科学客观制定诊断原则。诊断维度上，通过技术能力诊断，有助于应用方深入了解技术方面的现状和问题，明确是否具备足够的技术基础来开发和运维大模型。通过应用场景诊断，帮助应用方更好地把握应用趋势和用户需求，以在实际生产应用中取得更好的效果。通过能力诊断，助力应用方探索潜在的市场机遇和发展空间，明确战略定位和发展方向，建立健全发展机制。诊断原则上，根据应用方在基础设施、算法模型、业务场景、人才团队、战略规划、经费预算等方面的能力现状，分析基础资源的完备度、人才团队配比的平衡度、战略规划与大模型应用的契合度，综合研判应用方能力基础的就绪度，根据就绪情况划分为L1、L2、L3、L4、L5 不同等级。
基于自身能力和业务目标充分挖掘大模型建设需求。需求分析的目标上，多层面的需求分析有助于应用方准确把握自身发展定位，了解现阶段能力与行业平均水平及先进水平的差距，明确自身业务的需求和目标，进一步指导模型的设计、优化和创新，确保大模型高效有序开发。需求分析的范围上，聚焦基础设施、数据资源、算法模型、应用服务、安全可信五个方面，充分分析业务场景需求，全面规划大模型发展要素，确保模型开发的针对性和有效性。
应用方应综合评估自身能力现状，全面梳理在基础资源、人才团队、战略规划等方面的就绪情况，帮助应用方更清晰地认知自身在大模型领域的能力和潜力，为全面充分的挖掘需求做好准备。1.评估基础资源的完备度应用方应着力评估自身基础软硬件、数据资源、算法模型等方面的储备现状。基础软硬件方面，应梳理已建算力、网络、存储等资源的储备情况，评估软硬件设施的支撑能力。算力上，应评估浮点计算能力、芯片性能、能效比、综合利用率等指标。网络上，评估架构、带宽、延迟、稳定性等指标。存储上，着重评估存储容量、吞吐量和访问时延等指标。软件设施上，评估向量数据库、深度学习框架、操作系统等软件设施的功能、性能及兼容性等情况。数据资源方面，应梳理数据规模、类型、分布等情况，评估数据的准确性、完整性、一致性和可用性等质量情况。算法模型方面，应梳理现有算法模型资产的种类、数量、部署模式、编程语言、开放程度及兼容性等情况，评估人工智能技术研发基础。
2.评估人才团队配比的平衡度应用方应评估人才团队的技术能力和管理能力。技术能力方面，应梳理各类人员所具备的大模型架构设计、算法优化、数据治理、测试验证等专业技能储备情况，通过人工智能领域相关的教育经历、岗位任职、职称职级、工作年限、项目经验、技能专长、论文专著、知识产权、行业影响力等方面综合评估人才团队的技术能力。管理能力方面，应采取科学有效的方法评估团队领导、沟通协调、组织规划、分析决策、时间管理、项目管理、环境适应、自我管理与学习等管理能力。
3.评估战略规划与大模型应用的契合度应用方应评估自身战略规划、经费预算与大模型应用的契合度。战略规划上，应根据自身的使命和愿景、发展定位和未来布局，结合战略目标、组织结构、内部资源、外部环境、市场需求、创新意识和风险承受能力等因素，综合评估战略规划与大模型应用的契合程度。经费预算上，应综合评估预算的组成和分配与大模型所需的硬件设备、软件开发、数据采集与处理、人力资源、实验耗材、产品运营等方面的匹配程度。应用方应结合建设需求、资源成本、项目周期、风险与不确定性等因素综合评估现阶段相关的经费预算投入情况能否满足大模型建设和应用的需求。
应用方应全面分析基础设施、数据资源、算法模型、应用服务、安全可信等大模型发展要素需求，统筹规划大模型所需各类资源，并评估现有基础设施、信息系统、业务系统对资源需求的满足程度。通过深入挖掘大模型建设、应用和管理需求，并结合企业的发展规划和技术现状，为大模型的选型决策、方案设计、建设实施提供有力参考。
1.根据业务发展需求确定服务场景及目标应用方应结合战略定位、业务发展、组织管理确定大模型的服务场景及目标。战略定位上，应根据企业属性、发展定位及经费预算等方面，深入分析自身在发展人工智能相关的战略新兴技术和创新新型应用上的需求。业务发展上，应充分分析当前业务发展的优势与不足，全方位探索借助大模型实现产品迭代和服务升级的有效途径，挖掘差异化和个性化服务的价值空间。组织管理上，应加强内外部资源整合，借助大模型实现业务流程的全面优化和高效管理，从而加快数字化转型和智能化改造的进程。
2.根据服务场景及目标确定大模型技术路径应用方应根据服务场景及目标确定大模型在参数结构、技术能力、部署运维等方面的需求。在模型参数和结构上，应根据业务需求与目标、计算资源、数据特性等因素来确定模型结构和参数规模。在模型技术能力上，应考虑算力资源、技术能力、应用水平以及行业要求等因素，确定大模型的准确性、稳定性、鲁棒性、泛化性、可解释性等指标要求。在模型部署运维上，应考虑业务需求、技术架构、运维资源以及安全防控等多种因素，确定大模型在部署运维过程中的开放性、兼容性、便捷性、灵活性、可扩展性、可观测性、可维护性等指标要求。
3.根据大模型技术路径确定基础设施需求应用方应根据大模型技术路径，确定大模型训练、推理所需的软硬件设施。硬件设备方面，应根据模型参数规模、模型结构复杂度、分布式训练策略、数据资源规模等因素确定算力需求。应根据网络架构、带宽、稳定性、存储容量、存储速度等指标确定网络和存储需求。软件设施方面，应根据业务目标、兼容性等因素确定深度学习框架、工具插件、操作系统等软件需求，以构建完善的大模型开发与应用环境。 4.根据大模型技术路径确定数据资源需求应用方应根据大模型技术路径，确定数据的来源、类型、规模及质量等需求。数据来源和类型方面，应根据业务目标、应用场景、软硬件资源、数据隐私与安全等因素，确定采用公开数据、自建数据或共建共享数据，以及确定文本、语音、图像、视频等数据类型。数据规模方面，应根据计算资源、模型结构、参数规模、业务需求等因素确定数据规模。数据质量方面，应根据大模型的技术指标及业务要求，确定准确性、完整性、一致性、可用性、多样性和时效性等数据质量要求。
5.以风险控制为导向确定安全可信要求应用方应重视风险控制，根据不同行业和应用场景确定大模型的安全可信要求。安全性方面，应梳理在应用大模型过程中可能存在的数据风险、模型风险、应用风险、服务风险等风险控制需求，制定相应的安全保障机制和策略，确保大模型应用过程和内容产出合法合规。可信性方面，应梳理大模型在稳定性、鲁棒性、公平性、公正性、伦理道德等方面的要求，充分考虑基于大模型的产品服务与人类价值观的对齐需求，通过透明可控的算法、高质量数据集强化可信能力。
