随着以互联网为首的应用工具的快速发展，人工智能似乎在应用层面找到了合适的出路，让公众、用户和行业看到了大规模人工智能的应用潜力。

大模型能为企业和开发者带来什么？

企业如何借力、追赶大模式，创造真正的价值？ 由此产生的大型人工智能模型浪潮将如何影响开发者和企业？

如何应对其背后的伦理挑战和风险问题？

...

在InfoQ《与极客约会》直播间，明略科技集团CTO郝杰针对上述问题发表了自己的看法和见解。

社会和企业如何从共同的大型模型中受益？

它所代表的大规模模型是一种不太显式的新型知识表示，它不同于知识库和知识图谱。 它是一个巨大的隐性知识库，包含了地球上的各种知识，类似于一本包罗万象的百科全书，用户可以使用这个模型在平台中移动并与之交互，以聊天、对话的形式展开，或多轮问答。

面对大规模模型和通用人工智能的冲击，行业之间的差异应该是相对均等的。 在科学领域，大模型原生应用的场景还包括超导材料、生命科学、医学、生物医学等各个科学领域。 这些领域很可能是大模型大显身手的场景。 许多公司正在做一些令人惊奇的事情。 他们想把地球上所有的知识整合到一个模型中，他们想造福全人类。 未来它的发展方向应该是惠及各行各业，让设计师、厨师、化妆师等从业者变得更强，更容易修炼到大师级别。

在中国建立大型中国模式有多种方法。 首先是依靠大企业或者国内顶尖大学，它们拥有强大的计算能力和资源，可以在他们的肩上培养大型的行业模型。 第二类是垂直领域的AI独角兽公司，比如明略科技，从垂直领域出发，打造专属行业模式。 第三条路径是利用摩尔定律，通过突破工程难点来降低大型模型的训练成本。 虽然这是一个挑战，但已经有一些公司在努力，相信随着时间的推移，培训成本会逐渐下降。

真正的最大值是多少？

它在四个方面具有很强的通用性：从产品上来说，它是聊天形式的人机交互，几乎所有人类都可以与之交互，用户使用没有门槛。 是一个非常通用的ToC产品； 从模型上来说，它是一个通用的大型模型，包含了地球上所有的知识，几乎是无所不知的，因此具有知识领域的通用性； 在任务方面，具有很强的泛化性和跨任务通用性； 以及与人类对齐的多功能性，通过RLHF算法，可以与人类的各种价值观、道德、偏好等对齐，而不仅仅是与少数算法工程师制定的准则对齐。 这四个共性是过去的AI所不具备的。 这就是价值所在。 它具有开创性，所以从诞生之日起就受到如此多的关注，因为它各方面的通用性太强了。

如何判断大模型的效果？

在评选和评价方面，我提出了“四大一小”的评价标准。 “四大”是指上述四个方面的通用性，其通用性是否足够大。 “一小”是指用辩证法追求参数较少的模型。 如果在“四大”的维度中，大模型的性能相似，表现出类似的召回率、准确率等，则可以选择参数较小的模型，因为这意味着部署成本更低，维护成本更低并且迭代也更容易。 在学术界，它被称为“参数效率”。 参数效率是评估大型语言模型的重要原则。 参数效率 ，包含在清华大学孙茂松老师团队刚刚发表的一篇重要论文的标题中。 参数效率，类似于汽车发动机每升的功率，并不意味着排量越大越好，意味着消耗太多燃油，或者消耗电费和卡费。

企业追赶大型车型浪潮，如何做出改变？

大模型出现后，企业希望利用此类工具来提高效率和服务质量，但同时也表达了一些担忧。 例如，输出质量是否稳定？ 在自己的垂直领域引入这样的技术后，可能会导致内容偏激或者误导。 遇到这样的情况该如何处理呢？ 另外，由于目前一些大型模型无法私有化和部署，将企业自身的知识上传到大型模型平台是否会降低企业原有的门槛？

这正是明略科技能够帮助客户在AI应用技术冲击下提升竞争力的地方。 明略科技作为客户与大车型之间的桥梁，不仅要保证这条路安全可靠，还要满足客户的实际需求。 借鉴通用大规模模型训练的优秀算法，基于17年积累的大量行业数据，从客户的实际需求出发，定制垂直领域的大规模模型，满足多样化的任务和场景。

通用型大百思特网车型的出现固然让企业可以无差别地享受便利，但便利之下真正的需求是如何用好大车型。 真正能够“突围”的，是企业、行业的数据。 每个企业都有自己特色的知识积累，可能是数据库，也可能是标签库，也可能是知识图谱。 在行业方面，明略科技凭借17年的行业探索，在知识图谱方面积累了大量丰富的经验，尤其是在消费行业。 比如美容、3C、汽车、大健康等领域，知识图谱的知识表达形式更加先进，有实体有联系，有逻辑推理。 图中的实体和关系决定了基于图生成的文章或图片的真实性、专业性和逻辑性。 明略科技可以帮助客户与私有知识和大模型进行竞争，类似于微软的架构，让客户的数据飞轮能百思特网够更好地运行。 对于营销文章的生成，明略科技离不开知识图谱，知识图谱可以保证文章的真实性、可解释性、专业性。 一代之后，大模型还将进行打磨，以满足客户的多种需求，包括款式修改和客户的特殊要求。 这种方式既考虑到了多维度的需求，又让客户放心使用。

与其说它正在推动新一轮人工智能爆发，不如说自然语言大模型带来了量变到质变的转变。 作为一家深耕数据智能17年的企业，明略科技充分挖掘数据价值，针对不同领域制作规模化的行业模型，并不断更新和维护领域知识库，为客户提供更精准、更智能的技术和服务。服务。 准确完成自然语言处理任务。

大规模模型应用落地之路如何走？

在当前的生态环境下，完全依靠神经网络和深度学习来解决所有问题是非常困难的。 例如，由于敏感信息是动态变化的，每天都会出现新的敏感词，因此该模块可以集成到搜索引擎或客户的数据平台中，使用规则和词汇进行处理，而不是依赖完整的联结主义大模型。 问题可能是多维的，需要根据具体情况选择解决方案。

对于大语言模型和垂直领域模型的结合，耦合或协作的方式有很多种。 其中一种方法是使用两种核心算法（指令微调和 RLHF）进行监督微调，但可能需要更多数据。 另一种方法是将客户的知识库嵌入到大模型中，因为大模型可以处理各种不同类型的知识，只要它们嵌入到同一个连续向量空间中即可。 我们还可以嵌入多模态、跨领域、跨语言的知识，只要同意将它们嵌入到同一语义空间中即可。

我国很多行业都需要将大型车型、营销、销售和服务体系等私有化，这是由自身行业的特点决定的。 然而，大型模型的大量资源消耗将导致此类项目的利润率非常低。 因此，针对此类客户，明略科技提供灵活适应性的模型训练服务，帮助他们充分利用自己积累的资源。 数据，训练适合它们的模型。

除了将大规模模型应用于传统业务产品之外，还会出现一些基于大规模模型的应用产品和服务。 目前我们已经看到以AIGC为代表的一类图像生成应用产品的崛起，未来还会出现一些视觉视频生成应用产百思特网品。 的出现，也导致了很多以前可能不存在的文本生成公司的出现，它们的业务现在完全围绕着大型模型展开。 这些公司的共同点是他们生成内容的能力，其中包括生成、创意甚至咨询等内容。

领先的大规模模型工具重燃了人类对通用人工智能的信心，但不同领域的应用之路仍需探索。 明略科技将充分发挥自身优势，让客户的行业知识和数据与大模型互相帮助，真正用好大模型，提高营销智能和运营智能产品的效果。

广告声明：本文所包含的外部跳转链接（包括但不限于超链接、二维码、密码等）用于传达更多信息并节省选择时间，结果仅供参考。 IT之家所有文章均包含此声明。