2023 年的 AI 大模型，已經從 Q1 火到了 Q2。
國内，從大廠到新創，紛紛下場試水，幾個月過去，已經有了不少大模型産品 " 交卷 " 受評，頗有 " 亂花漸欲迷人眼 " 的架勢。
看客隻識 AI 大模型百花齊放，但除了一場熱鬧以外，卻也開始有人問出了這個問題：
"AI 大模型這麽厲害，但它有啥用呢？"
誠然，市場上不少公布的大模型，還并未開發到完全程度——甚至距離 " 可用 "、" 好用 " 還差着一些距離。
在一些 AI 大模型産品，仍舊在 " 胡說八道 "、場景落地難、語義理解能力弱等問題中徘徊時，OpenAI 首先看到了落地的痛點，和微軟合作推出 Copilot，主打在辦公領域提升工作效率，打響了大模型向生産力進軍的發令槍。
在人們的想象中，AI 應該可以幫助處理機械、重複的日常工作，提供獨特的分析視點、創作靈感，在特定的領域——比如教育、醫療、法律——給出獨特的建議和幫助，讓工作和生活更輕松、便捷，讓每個人都能夠享受更貼心細緻的服務。
而什麽樣的 AI 大模型，才能真正地幫助使用者 " 幹活 "？讓日常辦公、生産的效率得到更大提升？什麽樣的大模型，才真正算得上生産力工具？要滿足生産力工具的要求，大模型需要有哪些秘密武器？
對于業界來說，這些問題如果得不到解答，那麽或早或晚，都會遇上市場的瓶頸；而越早能夠爲市場提供效率提升的大模型産品，也就能夠越早地占領先機。
一、理解 & 記憶：大模型生産力的分水嶺
記憶和理解能力，對于當下如同雨後春筍的大模型産品來說，說得上是最硬核的實力比拼。
模型的理解能力，根植于對自然語言的處理能力，能夠清晰地辨别語義，尤其是一些根植于本地語言語境中的俗語、幽默，對于理解用戶想要什麽，進而完成文本生成和創作，至關重要。
而模型的記憶能力——也就是多輪對話能力——越強，使用者就能更詳細地對需求進行描述，進而利用 AI 完成更加複雜的工作任務；
大模型比拼中最 " 硬 " 的兩個科目，也是大模型提供生産力的關鍵保證。不僅如此，不如說，要大模型能夠真正幫人 " 幹活 "，記憶和理解能力，都要滿足更高的要求。
但無論是 " 理解 " 還是 " 記憶 "，都是大模型在當下的能力提升的攻關難點。一方面是市場的巨大痛點，一方面是技術上難攻不落的 " 高牆 "，這對矛盾不解決，AI 的生産力就始終面臨着一個艱難的瓶頸。
首先，要解決 AI 語義理解能力差的問題，昆侖萬維和奇點智源的 AI 科學家們想到了一種另辟蹊徑的方法——蒙特卡洛樹搜索算法。
蒙特卡洛樹搜索算法，簡單來說一種基于随機模拟的強化學習算法。對 AI 不甚了解的人可能并不知道它的名字，但它卻是 AlphaGo 能打敗李世石、柯潔等一衆圍棋高手的秘密武器。而蒙特卡洛樹搜索的核心，就是通過一個樹狀結構，在每個節點進行随機搜索，并找到最優決策的方式。
在昆侖萬維和奇點智源聯合發布的 AI 大語言模型—— " 天工 " 中，蒙特卡洛樹搜索可以讓 AI" 三思而後行 " —— AI 會基于過去用戶的對話記錄以及當前用戶的輸入生成候選大量回複，并結合 NLP 技術，選取最佳的回複方案反饋給用戶。
通過把蒙特卡洛樹搜索算法，和自然語言處理相結合，讓 Decoder 的安全性和準确性獲得了極大的增強，也讓天工在相對複雜的任務和場景中，能夠快速且準确地響應指令，輸出高質量回答。
爲了測試天工的語義理解能力，雷峰網向天工提問：" 什麽是蒙特卡洛樹搜索算法？" 天工的回答還比較清楚，令人滿意：
把蒙特卡洛樹搜索應用到 AI 對話機器人中，另一個優勢，是 AI 能夠理解如何在對話中轉換話題，并提出問題，引導用戶完善自己的 Prompt，以得到更好的回複結果。
比如，雷峰網故意問出了一個十分寬泛、難以回答的問題。天工則并沒有落入這個 " 陷阱 "，通過主動提問，縮小問題的範圍：
而爲了測試天工的中文語義理解能力，雷峰網向天工詢問了一句古詩的情感色彩，不得不說，天工把握得相當不錯：
在不錯的語義理解能力之上，天工的 " 文采 "，也出人意料。它給出的結果稍作修飾，就能變成一篇不錯的短文：
在文本的翻譯中，也能看出天工對中英雙語的娴熟運用，在用英文描繪詩詞時，甚至也能品到中文的 " 原汁原味 "：
而提到記憶能力，天工更是出人意表，能勝任超過 20 輪以上的對話，支持萬字以上的超長文本。單就這一點，足以讓不少同類産品望塵莫及。
比如下面的對話，天工就在連續對話上小試牛刀，還能夠理解 " 沙特球王 " 的足球梗，
在超強連續對話能力的背後，是天工的 " 财大氣粗 "。背靠中國最大的 GPU 集群之一，天工有超級豐厚的資源，保證運行和相應的速度，同時也讓用戶資料安全與使用體驗更加穩定、可靠。
理解能力和記憶能力，足稱得上是大模型産品在生産力上的分水嶺——在深度理解用戶需求的基礎上，能夠實時地完成連續對話，能越過這道坎，AI 才能開始爲用戶提供生産力的保證。
二、場景優化 & 模型魯棒性：好用 = 可用 + 可靠
嘗試過用 AI 寫稿的記者，尤其是某些垂直領域的記者，也大多心中都有過隐隐的擔憂——如果 AI 在某些關鍵信息點 " 一本正經地胡說八道 "，而自己沒有發現，最後就會造成嚴重的事故。
誠然，大模型的 " 幻覺 " 問題，可以通過知識圖譜，以及上文提到的蒙特卡洛樹搜索算法，進行一定程度上的抑制；而到了專業領域，場景優化做不好、訓練數據質量低，AI 再巧，面對的也是無米之炊。
用 AI 用得不放心，還不如自己親自上陣——不少人都是因此，對 AI 敬而遠之。而沒有人用，就無法獲得足量數據來繼續訓練、修正模型，進而形成了一種惡性循環。
盡管幻覺問題的解決并非一朝一夕，但當下的 AI 大模型要做到 " 好用 "，首先得 " 可用 " 和 " 可靠 "。在工作、教育等垂直場景落地，大模型得有一些 " 絕活 "。
首先是數據需要 " 保質保量 "，一方面數據要足量，支撐模型訓練的要求；另一方面，數據的質量也必須夠高，否則訓練出來的模型，反而容易被不良數據 " 帶跑偏 "，甚至讓訓練起到反效果。
其次，是模型的魯棒性——即，模型在發生異常情況，或面對不良數據時，自身的 " 抵抗力 "。魯棒性越強的模型，自身的穩定性和有效性就越不容易受到内外的不良影響，也就自然更加 " 可靠 "，進而能在更廣泛的場景中，爲使用者提供生産力提升。
而爲了能夠真正幫上用戶 " 幹活 "，天工在這兩點上也下足了功夫。
首先，昆侖萬維和奇點智源，從數十萬億的數據中，通過層層清洗和篩選，得到了三萬億的高質量單詞數據，供給天工完成訓練。
其次，昆侖萬維在 2020 年開始，就在 AI 領域開始布局，以 " 天工巧繪 "、" 天工樂府 "、" 天工妙筆 "、" 天工智碼 " 四個開源 AIGC 模型爲旗幟，在自家的開源社區彙集了百位開源社區 AI 科學家，積累了深厚的開源社區力量。
同時，天工在大規模與訓練的基礎上，針對不同的情況，進行了場景化的微調，讓天工能夠應對更多的場景，并且提供高效、個性化的幫助。
無論從事法律工作，還是醫健、财務等，天工都能在專業角度提供幫助：
不僅如此，面對教育場景，天工也能輕松應對，無論是數學、物理，還是曆史、政治，天工的輔導也堪稱專業，幫助家長省區了不少時間：
除此之外，AI 大模型産品常常落後于時代，數據庫無法和當下的最新信息接軌，也是常常被外界诟病的原因之一：不能提供最新的知識，AI 又該怎麽爲使用者解決日新月異出現的問題呢？
由此，AI 對話的實時性，也自然而然地成爲了評判大模型能否提供生産力的重要标準。
在這個維度，天工依靠大模型強大的智能湧現能力，與實時知識庫打通後，達到了能夠實時叠代知識的效果，讓用戶能夠實時通過 AI 獲得最新的信息，不再 " 落後于時代 "：
三、千億模型：隻有 " 一個 " 或許不不夠
談到大模型的能力，繞不開的一個概念，就是 " 湧現 "。
簡單來說，" 湧現 "，指的是預訓練 AI 在訓練參數達到一定量級時， 表現将突然呈現指數級的上升，甚至獲得沒有被專門訓練過的能力。
在業界的普遍認識中，500-600 億規模的訓練參數，是預訓練大模型産生湧現現象的門檻。而參數規模越大，一般認爲，模型的能力也就越強。
于是，千億參數，目前已經成了大模型的 " 标配 "，時下不少大模型産品，都把自己叫做 " 千億模型 "，以參數量見模型實力。
但在當下，卻也有人問出了一個問題：
要讓大模型提供生産力，千億模型，一個就夠了？
對于昆侖萬維和奇點智源來說，他們理想中 AI 大模型的底層架構，是由 " 千億預訓練基座模型 "，和 " 千億 RLHF 模型 " ——兩個千億模型搭起來的。
前者，千億預訓練基座模型，主要負責各種自然語言處理任務，可以實現語言生成、文本分類、機器翻譯等功能。
後者，千億 RLHF（人類反饋深度學習）模型，則會通過人類對 AI 輸出結果的反饋，來改善強化學習的性能。
如果把預訓練基座模型，比作一個讀書破萬卷、天資聰穎的 " 學神 "；那麽 RLHF 模型，則像是一個在刷題中不斷試錯、進步的 " 學霸 "。
在今天，看到了 ChatGPT 在 AI 領域的突飛猛進，RLHF 也正逐漸成爲了不少大模型的标配。而天工使用了預訓練基座模型 +RLHF 的模型體系，讓兩個模型相互映照配合，也有深意。
一邊，是雙千億模型的結構，能讓最終的模型性能獲得更大的提升，也能讓模型的可解釋性與學習能力、任務支持大大增強。
一邊，是訓練時間和資源消耗的降低——預訓練模型所學習的通用特征，可以作爲 RLHF 模型的初始參數，讓訓練這個最 " 燒錢 " 的項目，能夠多快好省地完成。
在上文中提到的，模型對于異常情況和不良數據的魯棒性，很大程度上，也是通過兩個千億模型 " 雙劍合璧 "，進而實現的。
再高的大廈，功夫最重也是在基礎。雙千億模型，是天工能夠成爲生産力工具，最重要的頂層設計之一。昆侖萬維和奇點智源，在規劃技術路徑之初，就已經看到了當下大模型産品的設計局限，與雙千億模型可行的技術路徑，并以此爲基礎，将整個天工搭建于其上。
如同一棵樹木，擁有了健康、堅固的根系，才能長成粗壯的樹幹、茂密的枝桠，豐饒的果實才能生長出來，最終成爲人們的收獲。
結語：
過去的幾年裏，科技圈已經見過了太多的風口，來了又去，最終雁過無痕。
歸根結底，在風口正盛的時候，這些人們對未來的想象，并沒有能夠化爲實際的生産力，推動業界乃至整個社會向前進步，最終當熱潮湧過，大概避免不了沉寂的命運。
于是，在這一波生成式 AI 的風口，也有人問：這次會不會和之前一樣，潮起潮退，沙灘上隻留下一批一批的 " 裸泳者 "？
如果 2023 年的 AI 創業者們，不甘于止步于空談，那他們就應該知道：大模型不應該隻是一個美好卻空洞的花瓶。AI 應該成爲下一個十年的内燃機和交流電，推動下一次産業革命。
在這個過程中，天工想要做的，一直是一個生産力工具，一個 " 真正能幫你幹活的 AI"。
也正是基于此，天工從中國最大 GPU 集群支撐的超強算力出發，打造了雙千億模型體系，并在 AI 開源社區的共同助力下，開創性地把蒙特卡洛樹搜索算法，與 NLP 技術相結合，保證了 AI 可以爲使用者提供實打實的生産力賦能。
什麽樣的大模型，才能成爲生産力？天工的模式，可以說爲大模型賽道的其他競逐者——無論是先發的，還是後來的——打了一個樣。
