大模型分化趋势：更垂直、更专业

文/侯煜

编辑/罗卿

从今年年初以来，大模型的市场百花齐放，对于大模型未来的发展方向和分化趋势，商界和学界众说纷纭。6月26日，在世界互联网大会数字文明尼山对话主论坛上，百度公司创始人李彦宏、阿里云智能集团董事长兼CEO张勇再次发表对大模型发展方向的表态。

而在前几日，腾讯大模型也姗姗来迟，在发布会上，腾讯集团云与智慧产业事业群CEO汤道生也表达了产业观点。

对于大模型的发展方向，大boss们目前达成了一些基本的产业共识：

• 与实体经济相结合是大模型未来的发展路径，云厂商正在尝试将大模型落地到垂直领域，打造出金融、医疗、电力等领域的专业大模型。

• 大模型都绝不是昙花一现的风口，而是影响人类发展的重大技术变革，是拉动全球经济增长的引擎，是绝对不能错过的重大战略机遇。

• 大模型是当下全球科技创新的焦点、全球人工智能竞赛的主战场，同时也带来了诸多治理挑战。

图：互联网大佬尼山聚首

以下是互联网大佬近期的部分演讲实录：

李彦宏：大模型将渗透进更多的领域，并以“周”迭代

大模型如何重塑数字世界？我想从技术和应用两个层面来谈谈。

技术层面，人工智能时代，IT技术栈发生了根本性改变，从原来的芯片、操作系统和应用三层架构，变成了芯片、框架、模型、应用四层架构：

底层是芯片层，主流芯片从CPU变成了GPU。芯片之上是框架层，主流框架包括百度飞桨，Meta的PyTorch，谷歌的TensorFlow。框架上面是模型层，ChatGPT和文心大模型就在模型层。大模型成为了人工智能时代的操作系统，所有应用都将基于大模型开发。模型之上是应用层，包括各种各样的AI原生应用。

可以预见，大模型将渗透到越来越多的领域，以大模型为关键驱动的数字经济，与实体经济深度融合，将做强做优做大实体经济，创造可观的增量价值,带来经济社会发展和产业的深刻变革。

图：百度公司创始人李彦宏

周鸿祎：公有大模型缺乏行业深度

“人工智能的发展要‘以人为本’，大模型不能引发大规模裁员，而是要帮助企业员工提升能力和效率，成为易用的工具。”360集团创始人周鸿祎首次提到现有公有大模型存在四方面不足之处：

第一，公有大模型虽然是通才，但它缺乏行业深度。“我们之前认为GPT什么都会，但如果你是一个行业专家，你会发现GPT在安全、金融这些垂直领域，知识深度是不够的。很多公司自己训练大模型都发现了这个特点，想让它能力很均衡，就会牺牲深度。”周鸿祎表示。

他认为，未来垂直大模型是重要的发展方向，通用模型和各领域专有的知识数据结合，让大模型从“万事通”变成政府通、行业通和企业通，这才是真正的价值，“最新资料表明，GPT4也是由8个垂直模型组成的，从侧面印证了这个观点。”

第二，公有大模型容易造成企业内部数据泄露。一方面，公有大模型不是本地部署，它与外部进行信息交流时必然存在数据泄露的风险；另一方面，公有大模型也无法实现组织内部权限的分级管理。因此，政府、企业使用公有大模型必然存在安全风险。

第三，对企业来讲，公有大模型无法保障内容真正可信。周鸿祎表示，大模型存在“幻觉”，也就是常说的“一本正经地胡说八道”，经常出现张冠李戴的问题，需要通过企业的内部搜索、内部知识库进行矫正。

第四，公有大模型无法实现成本可控。他举例称，许多企业其实只需要大模型写代码的能力，百亿级垂直大模型就能满足需求，如果使用千亿级大模型就是成本的浪费。在控制成本方面，垂直大模型将会有很大优势。在用公开数据训练的“通识”大模型基础上，训练专有大模型，就能做到“事半功倍”，为企业降本增效。

图： 360集团创始人周鸿祎

张勇：未来将打造更多企业专属模型

中国人工智能发展具备基础扎实、场景丰富、数实融合这三方面的优势，随着社会各界的高度重视和创新生态的发展壮大，这些优势正在不断巩固和加强。从数字化走向智能化，计算成为基础设施不可或缺的组成部分。2009年阿里云写下中国自研云计算操作系统的第一行代码，开启中国的云计算时代，经过14年的努力，中国已经形成全球第二的算力规模，算力产业年增长率近30%。阿里云的目标，是提供高质量、高性能的算力，“让算力更普惠，让AI更普及”。

今年4月，阿里云“通义千问”大模型开放对外测试，目前已有超过20万企业用户申请接入，几乎覆盖所有新兴和传统行业。与此同时，阿里云启动了“千问伙伴计划”，与行业伙伴携手共建创新生态，已经覆盖油气、电力、交通、金融、酒旅、企服、通信等行业，未来将打造更多企业专属模型，推动各行各业更快更好地分享智能化红利。

图：阿里云智能集团董事长兼CEO张勇

汤道生：大模型行业针对性与精准度不够，数据噪音过大

大家对通用大模型期待很高，但它不一定是满足行业场景需求的最优解。

目前，通用大模型一般都是基于广泛的公开文献与网络信息来训练的，网上的信息可能有错误、有谣言、有偏见，许多专业知识与行业数据积累不足，导致模型的行业针对性与精准度不够，数据“噪音”过大。但是，在很多产业场景中，用户对企业提供的专业服务要求高，容错性低。企业一旦提供了错误信息，可能引起巨大的法律责任或公关危机。因此，企业使用的大模型必须可控、可追溯、可修正，而且必须经过反复与充分测试才能上线。

我们认为，客户更需要有行业针对性的行业大模型，再加上企业自己的数据做训练或精调，才能打造出实用性高的智能服务。企业所需要的是在实际场景中真正解决了某个问题，而不是在100个场景中解决了70%-80%的问题。

另外，训练数据越多，模型越大，训练与推理的成本也越高。实际上，大部分的企业场景，可能也不需要万能的通用AI来满足需要。因此，如何在合理成本下，选择合适的模型，是企业客户所需要思考与决策的。

接下来谈谈数据。数据是大模型的原材料，针对具体场景，相关数据的覆盖与质量都至关重要，标注数据的管理也是模型迭代中的重要工作。

模型最终要在真实场景落地，要达到理想的服务效果，往往需要把企业自身的数据也用起来。在模型研发过程中，既要关注敏感数据的保护与安全合规，也需要管理好大量的数据与标签，不断测试与迭代模型。

接着讲讲应用。腾讯自身的企业级应用，已经率先应用了行业大模型，针对不同应用场景提供更智能的服务，为用户提高工作效率。

图：腾讯集团云与智慧产业事业群CEO汤道生

最后讲讲算力。算力是模型持续运转的基础，高性能、高弹性和高稳定的算力需要借助专业的云服务。

在大模型的训练和使用过程中，需要大量异构算力的支持，对网络速度与稳定性要求也很高，加上GPU服务器比一般服务器稳定性更低一些，服务器的运维、问题的排查更频繁，整体运维的难度与工作量会高很多。

回顾过去，人工智能的发展是结合开放数据的积累、算法的创新与算力的突破共同推动的；也是全球科技企业、高校与研究机构共同努力，通过代码的开源与研究成果的分享，开放共建的成果。