0
大模型之戰，已經進入了一個新的階段。
在從ChatGPT發布算起，國內公司“跑步進場”的大約半年里，大模型競爭的焦點集中在類ChatGPT的通用語言模型上。
然而到了7月，在上海的 WAIC 2023 上，討論通用大模型的聲量則開始在悄無聲息中降低。
首先是用戶對大模型的認知發生了改變：從6月初起，“ChatGPT變笨了”的話題一度在社交媒體上引發討論。用戶在寫作、繪畫等AIGC領域的新鮮勁開始退去，當他們試圖用ChatGPT解決實際問題時，往往難以得到滿意的答案；
另一方面，基于醫療、金融、教育等垂直行業的大模型開始出現。而已經發布通用大模型的公司，也在針對行業推出模型服務，發力行業模型，已經成為各家的共識。
在 WAIC 2023 上，更多人開始關注能夠真正扎進行業、給企業帶來生產力躍升的大模型產品。
當大模型競爭的重點從通用大模型轉向行業大模型，又將產生什么樣的變化？
ChatGPT帶火了大模型產品的研發，然而在過去幾個月中，這些涌現出來的ChatGPT大模型產品通常都偏向于“對話交互型”而非“知識增強型”，這意味著，大多數C端用戶與AI的交互偏向于“閑聊”而非“啟發/創造”。
如雷峰網此前在《大模型時代的三道鴻溝：數據、成本與想象力》一文中所提及，在第一個賽段即類ChatGPT的競逐中，各個廠商比的不是“武功”，而是“想法”：由于C端用戶的付費意愿偏低，到目前為止，只有ChatGPT這種產品形態在To C市場得到了驗證；在過去幾個月，國內大模型產品設計一味追隨 ChatGPT，將問題的定義交給用戶（俗稱“AI 召喚師”），導致了嚴重的同質化現象。
同時，通用大模型只能在通用屬性強的場景中應用，在B端，技術還未完備的情況下，通用的大模型由于缺乏專有領域的知識，很難實際落進行業場景，產生生產力。
通用大模型解決不了專業的問題，而那些相對簡單的問題，用戶也不見得非要使用大模型進行解決。
不能幫助用戶解決實際的問題——這是大模型的商業鏈路中，一個急需解決的巨大 Bug。“大事答不了，小事不用答”，現時的通用大模型就處在這樣一個不上不下的位置上。
如果沒有能夠發揮效用的“立身之本”，大模型就只能像一個氣球，越吹越大，越飄越高。
感到路徑出現了誤差，廠商們便隨即開始調轉車頭，把正在“飄向空中”的大模型“拽”回地面，落進場景，給客戶帶來實際的“降本增效”。如何在通用與行業兩個方向平衡，則成為了大模型廠商關注的問題。
當中最為典型的案例，是今年3月推出的金融行業模型 BloomBergGPT。它在私有金融任務上的表現出了遠高于當前的通用GPT模型的能力。
在相關論文中，作者認為，對模型效果提升促進最大的三個因素依次為精心清洗的高質量數據集、合理的標記器（tokenizer）、合理的模型結構。
這也為大模型廠商們在AI 2.0 的賽道上指明了一條道路：如果垂直領域的任務足夠復雜、數據足夠獨特且數據量足夠大，自主研發垂直領域的大型模型，可能是一個至少在短期內讓大模型落地、解決行業需求痛點的策略。
誰先占領行業，誰就更先占領 To B 和 To C 先機；誰先讓大模型產生實際的效用，誰就能先入“咸陽”。
但一個大模型，要完成面向行業的落地談何容易？
對于一個大模型的提供方來說，必須得能夠實打實地“扎”進場景，了解企業的痛點，并針對性地尋找大模型所獨有的解決方案。
而在這一點上，率先提出行業大模型的騰訊，深有感觸。
“企業需要的，是在實際場景中真正解決了某個問題，而不是在100個場景中，解決了70-80%的問題?！?/strong>騰訊集團高級執行副總裁、云與智慧產業 CEO 湯道生，在6月19日騰訊行業大模型的發布會上如是說。
湯道生指出，在許多產業場景中，用戶對企業提供的專業服務有著“要求高，容錯低”的需求。另一方面，訓練數據越多，模型越大，訓練與推理的成本也越高；除此之外，安全和合規也是企業需要考量的因素。
騰訊更專注于解決落地實際的問題，而通用大模型不能徹底解決用戶的所有問題。
圍繞產業客戶的需求，騰訊云公布了全新的MaaS（模型即服務）全景圖。有意思的是，他們也是國內首家沒有單純押注通用大模型，而是率先系統性公布行業大模型，選擇基礎研究和產業落地兩條腿走路的大模型實踐路徑。
在這之后，金山、華為、字節，也都相繼發布行業大模型相關解決方案，意在給行業帶來實打實的新變化、新可能。
要在實際場景能真正解決問題，大模型對場景的理解，才是真正的關鍵。
從某種意義上說，在大模型之戰的第一階段，短短3個月內就有80多個大模型問世，更多的是屬于“普及”，證明自己具有“對標ChatGPT”的能力，而6月之后的這一波行業大模型落地浪潮，才是真正“秀肌肉”的開始。
“930”變革后，湯道生曾將做To C業務的感受比作空軍開飛機：當做產品時，不需要與每個用戶直接交流，只需通過用戶的使用體驗就可以發現問題并解決問題。這就像在天空中飛行，進行幾次飛行和轟炸后，炸彈就能覆蓋一大片區域。
而To B業務則更像是陸軍打仗，需要親自下場，與每個客戶面對面會談了解需求，談AI能夠為他們做什么，以及需要提供哪些方面的能力。
正是因為 To B 經驗不淺，騰訊深知，說是“行業模型”，即使是同一個行業，不同的企業的需求也千差萬別。一套模型方案，想要深入細致地理解企業的需求，就必須做詳細的定制——而如果大模型采用定制化的項目制模式，又將不可避免地走向 AI 1.0 時代的老路。
大模型要“落地”，就必須要完成“適用化”的革命。而騰訊行業大模型的嘗試，或許對于其他廠商有一些借鑒的價值。
一個模型不夠，就打造一個模型的“精選商店”——依托騰訊云的 TI 平臺，騰訊行業大模型給出的方案，是在平臺上開放多個模型，企業在選用了更加適合的模型后，可以針對自己的具體需求，進行定制化的訓練。
搭配完善的模型工具鏈，并有配套的方法指導和流程服務，讓用戶能夠自主地在標品模式下，自己解決大模型的定制化需求。
而在這個模式下，大模型開發者的工作，就從定制產品，變成了標品制作+售后服務的“解決方案”提供方——這也是一種比較理想和健康的 MaaS 商業模式。
有“精選商店”解決算法問題，算力和數據側，騰訊云的落地方案也比較務實。
算力側，新一代的高性能計算集群（HCC），通過“眾人拾柴火焰高”的規模效應，讓單機算力形成1+1>2的效果。
以騰訊云配套的 HCC 為例，不僅有英偉達最新代次 H800 GPU 的“一騎當千”，也有自研的星星海服務器，與3.2T的超高互聯帶寬，優化了處理器、網絡架構和存儲性能，也讓大集群的算力損耗能夠最大程度降低。
而數據側，當下行業的關注點，更多放在數據的篩選、清洗和標注等基礎工作上，卻往往忽視了數據庫建構的重要性。
在云業務有多年的經驗積累，騰訊自研的向量數據庫，也給了行業大模型不少支持。
在應用了自研的 AI 原生向量數據庫 Tencent Cloud VectorDB 之后，騰訊的行業大模型在預訓練數據的分類、去重和清洗過程中，效率相比傳統的解決方案能夠產生10倍的提升；
如果將向量數據庫作為外部知識庫，來輔助大模型完成推理，成本則可以完成2-4個數量級的降低。
模型精選商店+高性能算力集群+AI 原生向量數據庫，騰訊云的這套打法，給大模型廠商趟出了一條可能的路。
AI 的“功法”縱然重要，但大模型的“華山論劍”終究不是紙上談兵，真正能夠分出高下的，是在實際場景中實打實的“戰績”。
需要注意的一點是：目前看來，并非所有的場景都適合應用大模型技術。
對此，騰訊云副總裁、騰訊云智能與優圖實驗室負責人吳運聲感觸頗多。
“我們一直在思考和探索，大模型和各行業結合背后最本質的邏輯是什么？”在WAIC 2023會場，吳運聲曾提到騰訊對大模型與真實場景結合的思考?！捌鋵嵵挥袃牲c：一是技術的根本出發點是解決實際問題，二是如果不能深入行業探索，便不能真正解決行業面臨的問題?！?/p>
而據雷峰網(公眾號：雷峰網)此前調研，大模型在企業落地也存在兩個難以落地的盲區：一是數據安全，二是成本可控。
先前提到騰訊扎進行業場景，金融行業就是一個典型的例子。
以金融業務中常見的銀行單據處理場景為例，單據處理場景涉及到大量銀行回單、交易發票、跨境匯款申請書、業務往來郵件、傳真等非標數據，需要整理、錄入系統，是不少業者難以逃離的“噩夢”。
某國家首批股份制商業銀行與騰訊合作，騰訊TI-OCR大模型，可以在 Prompt 的調優的基礎上，不經過額外訓練直接支持常規下游任務，零樣本學習泛化召回率可以達到93%、小樣本學習泛化召回率則能達到95%。
從樣本收集、模型訓練到部署上線，實現全流程零人工參與，建模時間也從2周減少到僅需2天。
另一個傳統機器學習得以廣泛應用的場景金融風控，在實際業務中，很多時候受限于積累的樣本有限，或者是新品剛剛上線，面臨“零樣本”搭建風控體系，制定策略非常困難?；隍v訊云風控大模型豐富的場景樣本快速搭建能力，可以幫助客戶跳過“冷啟動”過程。
除了上述需要判別式AI能力的場景，大模型的生成能力還將為金融行業帶來更大的驚喜。
如上述銀行客戶提出，在他們此前智能客服場景的實踐存在幾個痛點：知識維護量大；冷啟動知識配置成本高，且需要持續投入運營；由于知識邊界受限，不在知識庫的問題無法回復或者答非所問，等等。
而通過行業大模型快速接入多個知識來源，同時直接對接銀行API進行任務式對話問答，騰訊幫助客戶打造了專屬AI助手，提供智能咨詢、輔助分析、決策等服務，助力客戶多個核心業務智能化、健康發展。
另一個案例中，騰訊云 TI 平臺通過訓練工坊和模型服務功能，幫助上海金融期貨信息技術有限公司（簡稱“中金所”）解決了算法服務運維成本高、資源分配不合理、算法框架重復構建、依賴版本沖突等問題，降低了算法框架搭建成本和人力投入。
通過提供 restful 服務，以服務化的方式將算法通過平臺提供給其他部門使用，騰訊云 TI 平臺已成功支持中金所及技術公司內部的智慧屏和三大平臺系統，每日調用峰值高達1億次，整體調用成功率超過了99%。
眼見眾生，心在天地。大模型不僅要面向客戶的需求，提供生產力的躍升，作為近10年最大的一波技術革命，AI 也給產業的自我更新帶來了新的可能和廣闊的想象空間。
在 WAIC 2023 上，騰訊展示了不少行業大模型落地的案例，從金融、文旅、政務、傳媒、教育等10大行業中，孵化出了超過50個針對性的解決方案，行業覆蓋力驚人。
“AI大模型技術發展和產業探索，離不開產業鏈協同和生態共建，這也是騰訊在AI發展方面一直堅持的態度。”在 WAIC 2023 上，吳運聲如此總結道，“我們愿與行業伙伴攜手，去探索無限的可能性?！?/p>
AGI 的夢想再絢爛，大模型的落地才是真功夫。
十年前的 AI 1.0 時代，雷峰網早已見識過 AI 賽道的炙手可熱。
“必須扎到行業，必須創造價值，一家 AI 服務的提供商才能活下去。”悟到這個道理，不少人工智能公司花了整整十年的時間。
頂層的設計往往充滿著不確定性，而市場的判斷卻是樸素而直接的：誰能給我帶來收益，誰就是于我有用的；誰能給我帶來更多的價值，我就用腳為他“投票”。
大模型競逐的第二個賽段，勢必圍繞市場和業界展開，對于技術和產品齊備的玩家來說，當下的“必爭之地”，就是在市場上獲得認可，并通過端到端的模式，形成一套能夠越轉越快的數據飛輪，積累更多的大模型 Know how，最終在萬事俱備的情況下，做更好的通用大模型。
誰先在行業站穩第一只腳，誰就能更早迎接 AI 的下一個飛速發展期。
（后續，雷峰網將持續關注這個足稱偉大的 AI “英雄時代”，歡迎添加作者微信：william_dong，交流認知，互通有無。）
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
