AI讓互聯(lián)網(wǎng)“又行了”，大模型創(chuàng)業(yè)像“逛超市”？丨亮見34期

丨劃重點

1. 大型模型的每次訓練成本通常在數(shù)百萬美元以上，是一個非常消耗財力和計算資源的過程。

2. 參數(shù)是構成模型本身的要素，類似大腦神經(jīng)元數(shù)量等指標，參數(shù)量大小決定了模型的復雜程度，但不意味著參數(shù)越大越好。

3. 大模型應用普遍存在計算能力的不足、數(shù)據(jù)的問題、大模型訓練所需的工具鏈以及缺乏專業(yè)團隊和經(jīng)驗四個問題。

4. 模型即服務意味著用戶只用關注模型本身，而無需關心模型本身底層的各類復雜算法和工程化的過程。

丨概述

ChatGPT爆火7個月，盡管關注度略有下降，但“現(xiàn)象級產品”已經(jīng)不足以形容這款來自人工智能時代的產品。

在很多人看來，以GPT為代表的大模型，是人類到達通用人工智能（AGI）時代的橋梁，無論是谷歌、微軟這樣的巨頭，還是剛剛成立的初創(chuàng)團隊，都希望押寶大模型賽道，拿到通往未來時代的門票，“萬模大戰(zhàn)”的局面就此誕生。

盡管人們對大模型、人工智能巨大的變革能力存在共識，但是在具體的模型、算法、數(shù)據(jù)和算力等領域存在不同的觀點和看法。

7月5日20:00，《亮見》獨家邀請到了騰訊云TI平臺產品負責人 侯方，直播解讀大模型數(shù)據(jù)、算力價值、應用場景探索以及平臺對大模型創(chuàng)業(yè)的賦能理念。

在侯方看來，大模型的訓練是一個成本非常高業(yè)務，模型的參數(shù)量需要跟應用場景匹配，越合適越好，算力則是越大越好，“大型模型的參數(shù)量越大，就需要更多的訓練過程來填充這些參數(shù)，這也意味著成本更高”。

與此同時，侯方也分享了與客戶共同推動大模型應用方面的難題，包括 “計算能力的不足、數(shù)據(jù)的問題、大模型訓練所需的工具鏈以及缺乏專業(yè)團隊和經(jīng)驗?！?，與此同時他也提出了自己對大模型應用的建議，他說，“從目前實際的經(jīng)驗來看，第一個需要解決的問題是確定適用的場景?！?/p>

侯方認為會有越來越多的平臺加入到賦能的行列當中，推出以模型即服務為代表的行業(yè)大模型精選商店，幫助解決客戶在模型和算力方面的難題，他也呼吁更多的團隊選擇這樣的形式踏入大模型時代的門檻，以解決企業(yè)大模型落地的成本和效率方面的問題。

以下為直播文字精華：

01

參數(shù)量越適合越好，算力越大越好

劉興亮：先科普一下大模型的參數(shù)量越大是否意味著越好？

侯方：大型模型看起來非常智能、復雜，實際上我們可以簡單地理解它只是一系列矩陣。這些矩陣在數(shù)學中表示各種值，通過大量的矩陣運算，完成整個智能的實現(xiàn)。

關于參數(shù)規(guī)模，自從ChatGPT問世以來，人們迅速開始進行比較。大家驚嘆于巨大的參數(shù)量，也意識到它產生了大量的智能涌現(xiàn)。

就模型本身而言，并不是說參數(shù)越大越好，也不是說參數(shù)越小越好，最重要的是要看你要解決什么問題。在不同問題場景下，你可能需要一個更大、更專業(yè)、更聚焦的模型，也可能只需要一個很小的模型。

所以，就參數(shù)量而言，從我的觀點來看，適合的才是最好的。

劉興亮：大模型參數(shù)是過去理解的數(shù)據(jù)嗎？如果用一句話來解釋可能是什么？

侯方：簡單來說，大型模型通過學習數(shù)據(jù)并將其轉化為其內部的參數(shù)，這是相對直觀的解釋。

數(shù)據(jù)是指我們用于大型模型學習的語料，也就是我們提供給它的知識，而參數(shù)則是構成模型本身的要素，類似于我們大腦中的神經(jīng)元數(shù)量等指標，參數(shù)量的大小一定程度上體現(xiàn)的是模型的復雜程度。

需要注意的是，訓練大型模型的成本與數(shù)據(jù)、參數(shù)息息相關。模型訓練涉及的數(shù)據(jù)量會影響訓練成本，學習100條知識與學習1000萬條知識的成本完全不同，因此數(shù)據(jù)規(guī)模對成本產生影響；而模型的參數(shù)量越大，就需要更多的訓練數(shù)據(jù)和訓練時間，這也意味著成本會更高。

從ChatGPT中可以看出，大型模型的每次訓練成本通常在數(shù)百萬美元以上，所以這是一個非常消耗財力和計算資源的過程。

大模型發(fā)展進程圖，來源：新智元

劉興亮：說到大模型，算力是躲不開的話題，到底什么是算力，對于模型來說，它的價值在哪？

侯方：一般來說算力越大越好。

算力多意味著模型訓練本身的耗時就會變短，訓練模型，大模型的智能涌現(xiàn)過程有一些大力出奇跡的過程，所以如果你擁有更多的算力資源，那就在模型訓練本身就有更多嘗試的可能性。

算力是指在AI大模型訓練中的計算能力，通常指的是GPU卡，也就是用于圖形處理的顯卡。這些顯卡在并行計算方面非常擅長，并且內置了芯片和處理單元。當然，CPU也可能提供一定的算力，因為它是計算單元的一種形式，這就是算力的意義。

02

大模型應用的四個難題

劉興亮：現(xiàn)如今企業(yè)對于大模型的需求體現(xiàn)在哪些方面？

侯方：自從大模型問世以來，我們與客戶交流和合作的頻次顯著增多。大家的想法和創(chuàng)意變得無限多樣化，我們也在不斷滿足各種各樣的需求。

在我之前接觸的客戶中，有幾個典型的例子，最常見的一個例子是客服領域應用，以提升智能客服的體驗和效率。許多企業(yè)都會面臨類似的問題，無論是銷售部門還是其他后勤支持部門，客服的升級是我們目前接觸最多的一類客戶需求。

客服領域涉及許多方面，不僅僅是直接生成答案，它還包括準確性的要求，以及完成各種具體的任務，比如預訂酒店、預訂機票等等。

除了客服領域，我們還接觸到了許多生成類的需求，比如寫小說、撰寫公文、報告、視頻腳本和營銷文案等等，這個領域的需求非常廣泛多樣，因為要寫的東西種類繁多，這是第二類需求。

第三類需求逐漸偏向專業(yè)領域，包括編程、研報撰寫、會議紀要等等。

劉興亮：企業(yè)現(xiàn)在在應用大模型方面，遇到的核心難題會是什么？

侯方：由于ChatGPT 的出現(xiàn)，大家一開始都會有比較高的預期，認為大模型能夠解決所有的問題。單我們與客戶合作時常常遇到以下四個難點：計算能力的不足、數(shù)據(jù)的問題、大模型訓練所需的工具鏈以及缺乏專業(yè)團隊和經(jīng)驗。

首先是資源問題，特別是計算能力。許多企業(yè)想要進行大規(guī)模的模型訓練，但他們自身的計算能力有限。例如，我們遇到過一些客戶只有兩張顯卡的機器，但他們想要處理更多復雜的任務。這不是因為他們沒有足夠的資金，而是在這個領域的積累或儲備相對不足，而當前市場環(huán)境下比較難找到可用的計算資源，算力供不應求已經(jīng)成為一個普遍的現(xiàn)象。

第二個問題是數(shù)據(jù)。許多企業(yè)希望訓練自己的模型，但卻面臨數(shù)據(jù)量不足，或者數(shù)據(jù)質量不夠好的問題，而模型訓練非常依賴于數(shù)據(jù)的質量和數(shù)量。此外，數(shù)據(jù)的清洗、配比和預處理等一系列工程任務也需要大量的工作，數(shù)據(jù)工程本身也具有一定難度。

第三個問題是大模型訓練所需的工具鏈。大模型訓練需要一套完整的工具鏈，因為這個涉及到對于高性能算力、高性能存儲、多機多卡調度能力、加速框架等等。

最后一個問題是缺乏專業(yè)團隊和經(jīng)驗。大模型的雖然越來越多，但很多企業(yè)缺乏將其落地的專業(yè)團隊和經(jīng)驗，在實際落地的時候，會面臨模型選型、數(shù)據(jù)處理、訓練方法選擇等問題。

劉興亮：你會給企業(yè)管理者在應用大模型方面提什么建議？

侯方：從目前的經(jīng)驗來看，首要解決的是確定適用的場景。我們在與各個客戶的交流中發(fā)現(xiàn)，這是我們共同面臨的第一個關鍵問題。

由于大模型技術還比較新穎，沒有人能夠斷言自己的大模型在某個特定場景下就是絕對最佳選擇，這需要我們不斷摸索和實踐。

其次是算力、數(shù)據(jù)、平臺工具的建設，這些都是需要考慮的關鍵因素。

最后是一個比較普遍的建議，即擁抱大模型。由于大模型對于許多軟件和業(yè)務設計，包括解決特定場景下問題的方法，都提出了全新的思路和交互方式。

03

人工智能讓互聯(lián)網(wǎng)“又行了”

劉興亮：有哪些原因和客觀條件促成了現(xiàn)在的大模型的創(chuàng)業(yè)潮？

侯方：大模型技術的出現(xiàn)是整個技術領域中的一次根本性變革。

過去，我們更加注重算法，而隨后逐漸發(fā)展到深度學習階段，這個階段數(shù)據(jù)的作用開始凸顯，但算法在其中仍然占有相對較高的比重。

隨著大模型的出現(xiàn)，會發(fā)現(xiàn)只要提供數(shù)據(jù)和算力，模型就能自主學習很多東西。在這種情況下，算法本身的重要性在逐步降低，從技術的發(fā)展路徑來看，這是一個非常大的變革和進化。

而從應用的角度來看，過去幾年，AI在企業(yè)中的落地場景越來越多，應用也越來越廣泛，并且融入到人們的生活中，接觸度也越來越高。

在以上幾個因素的推動下，人們開始堅定地擁抱AI和大模型技術。

劉興亮：AIGC的價值到底是什么，它給互聯(lián)網(wǎng)行業(yè)帶來什么樣的變化？

侯方：大模型最大的特點是生成式，通過將大量的數(shù)據(jù)和知識映射到數(shù)學空間中，通過多個維度對這些知識進行解構。一旦知識被解構，它們就可以通過重新組合產生現(xiàn)實中的各種作品，如藝術繪畫、文字或其他創(chuàng)作。

大模型的運行依賴于大量的計算過程，這意味著它能夠以一種非常結構化的方式學習和創(chuàng)造，利用上千億個維度進行隨機組合，從而產生令人難以置信的作品，這就是為什么有時候它創(chuàng)作的畫作或文案讓人感到驚訝，而人類自己往往無法想到或寫出這樣的作品。

因此，AI和大模型技術在內容創(chuàng)作領域，尤其是內容生成方面，將帶來許多新的技術，輔助或替代人類的創(chuàng)作過程，使我們能夠更加聰明地生成內容，這確實是一種非常有效的狀態(tài)。

AIGC的上中下游，來源：《AIGC+AI生成內容產業(yè)展望報告》量子位智庫

劉興亮： 在算力和數(shù)據(jù)上，小團隊其實不占優(yōu)勢，選擇成熟的開源大模型進行訓練難道不香嗎？

侯方：實際上，現(xiàn)在很多企業(yè)都會嘗試開源模型，大模型的發(fā)展離不開開源社區(qū)的貢獻。

不過，使用開源模型進行訓練存在一些門檻，需要一定的算法知識和行業(yè)經(jīng)驗。

從落地的可行性的角度來看，更建議的做法是選擇云廠商提供的行業(yè)大模型，這些模型通常會針對特定行業(yè)進行優(yōu)化，會更適合解決企業(yè)的實際問題。

04

讓大模型創(chuàng)業(yè)變成“逛超市”？

劉興亮：我知道騰訊行業(yè)大模型不久前也剛剛發(fā)布，騰訊云也推出了大模型精選商店，并且提出了模型及服務（MaaS）的概念，應該是在行業(yè)較早的提出這種行業(yè)大模型的模式，那什么是大模型精選商店，什么是模型即服務？

騰訊云Maas，打造一站式行業(yè)大模型精選商店

侯方：先從MAAS開始說起，這個概念其實很有趣，也是一個不斷演變的過程。

從最開始的基礎設施及服務（Infrastructure and Services，簡稱IaaS），到后面的 PaaS，再到現(xiàn)在的 MaaS，都是在讓云服務本身變成越來越簡單，以前使用的服務需要客戶業(yè)務系統(tǒng)自己開發(fā)實現(xiàn)，隨著 MaaS 服務的普及，會越來越降低大家使用 AI 服務的門檻。

MaaS在AI和大模型領域里有很多重要的意義，它意味著我們可以將底層的內部工作完全包裝起來，用戶只需關注一個問題：向模型請求某些東西，模型直接提供對應的服務。

目前行業(yè)內有模型領域有大量的可供選擇，不完全統(tǒng)計已經(jīng)超過800個模型。面對如此多的選擇，我們需要思考如何選擇和應用模型，類似的問題在算法模型方面也存在。因此，騰訊的思路是在TI平臺上精選了各個行業(yè)的大模型，類似“模型超市”的概念，根據(jù)客戶場景和行業(yè)特性進行精選，以提供最適合的模型。

劉興亮：模型商店給客戶提供的核心價值是什么？

侯方：多個行業(yè)的高質量大模型，相應的配套工具，更低成本，更高效地幫助企業(yè)應用大模型，這是大模型精選商店的三個核心價值。

劉興亮：從實際的觀察來看，行業(yè)大模型是目前AI大模型技術落地的有效路徑嗎？

侯方：行業(yè)大模型是目前來看比較有效的路徑之一，在面對一些普遍性的挑戰(zhàn)，包括算力、數(shù)據(jù)時，行業(yè)大模型提供了一個較好的解決方案。然而我們很難確定未來五年或十年的發(fā)展方向，因為大模型的產業(yè)革命才剛剛開始，它將演化成何種狀態(tài)還不得而知。

劉興亮：AI大模型商業(yè)化落地有哪些方式？

侯方：行業(yè)大模型是一個有效的方式，因為在商業(yè)化落地中，我們除了解決問題外，還要考慮到ROI，這是商業(yè)化中大家都關注的核心問題。

我認為，在商業(yè)化落地中，一個關鍵因素是創(chuàng)造出能夠解決客戶問題的價值，無論是商業(yè)提供方還是商業(yè)需求方。只有這樣，商業(yè)化落地才能持久發(fā)展。商業(yè)化落地不僅涉及解決客戶問題，還涉及人們情感和交流需求等方面。雖然這種場景可能不一定是行業(yè)大模型所涉及的，但它確實也是一個非常好的商業(yè)化落地場景。

生成海報

免責聲明：此文內容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關。文章僅供讀者參考，并請自行核實相關內容。投訴郵箱：editor@fromgeek.com。

免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。