圖片來源 @視覺中國
文 | 腦極體
這兩天 AI 圈最熱鬧的消息，應該就 OpenAI 高層内讧，标志性人物、原 CEO Sam Altman 被董事會解雇，數位科學家和高層離職。
關于 " 政變 " 的原因，坊間有很多傳言，比如商業化和非營利原則的矛盾。總之，事件相關者在輿論場拉扯，吃瓜群衆則瞪大了眼睛看戲。這場風波會給全球 AI 研發，尤其是大模型帶來什麽影響，還是未知數。
有人做了一個梗圖，大模型廠商亂成一鍋粥，隻有賣卡的英偉達穩坐釣魚台。
任它天邊雲卷雲舒，可以肯定的是，中國的 AI 大模型在取得廣泛成就的基礎上，會繼續向前發展，釋放産業價值，并且不會一味照搬海外，尤其是 OpenAI 的模式。
帶着這份淡定，我們将目光聚焦在國産大模型，會發現 " 百模大戰 " 熱潮中，還缺乏對各類大模型全面、分層、真實的能力評估。
通用大模型、行業大模型，都在比拼參數規模，但訓練數據質量不确定，僅憑參數，行業客戶和用戶也難以選對适合的大模型。
那麽看榜單呢？基準測試 benchmark 和标準化數據集，可以針對性調優，榜單無法反映實際應用效果差距。
而且大模型在不同任務場景下，表現的區分度很大。一位開發者說，" 現在就是告訴你都有哪些大模型，實際效果還是得靠自己測測看 "。
據中國信通院的數據顯示，目前的大模型測試方法和數據集已有 200 多個。想要一個個測過來，會給用戶帶來非常繁重的工作量。
" 百模大戰 " 亂花漸欲迷人眼，那麽，除了 " 跑分 " 打榜和參數 " 碾壓 "，還有什麽辦法來真實且有效地評判一個大模型的水平呢？
有必要來聊聊，" 百模大戰 "，不同賽道都在戰什麽？
大模型，不看高分看高能
所謂 " 百模大戰 "，并不是每個大模型都在做着同樣的事。其中，既有想做基座模型 basemodle 的通用大模型，如百度的文心、阿裏的通義、騰訊的混元、華爲的盤古、訊飛的星火、智譜的 ChatGLM 等，也有面向行業、場景的垂直大模型，目前在金融、教育、工業、傳媒、政務等多個領域都大量湧現。
不同賽道的大模型，其核心競争力也不一樣。比如一味拼算法的打榜，對于行業大模型來說，可以作爲一種宣傳手段和 " 炫技 "，但實際效果才是用戶最關注的。
目前不少開發者反映，各類大模型都存在各自的問題。
1. 基座模型，本身能力有限制。
提到通用大模型，大家可能第一時間想到的就是推理能力，這也是大模型基準測試的主要指标。但在實際應用中，尤其是文科類型任務，大家不會沒事出 " 腦筋急轉彎 " 來測試通用大模型的邏輯推理能力，而是更希望大模型在複雜任務和上下文長度上，有更可靠的表現。
比如寫一篇演講文稿，篇幅一長就開始胡說八道或泛泛而談，文本的采用率下降；爲 AIGC 配字幕，不能整篇生成，還需要人工将文案切割成片；編寫一個程序，半路開始 network error ……這些都是實際應用中，大家比較關注的通用大模型的能力。
2. 行業大模型，領域壁壘難翻越。
" 百模大戰 " 進行到當下，很多行業開發者和企業都意識到，獨有的數據和場景，才是自己的護城河，開始打造定制化的大模型，而領域知識不夠，難以形成滿足某一領域需求的行業向産品。
比如大模型與行業知識不匹配、許多行業 know-how 還沒有知識化、傳統的知識圖譜與大模型的協同設計等，知識計算的能力不夠強，就無法真正撼動領域壁壘，讓大模型解決實際的業務問題。
3. 有用性，ROI 是個謎。
大模型的實際應用效果難以評估，其中一個主要原因，就是模型生成結果的有用性（采用率、可用率等指标），涉及大量多模态數據。
金融、醫藥、交通、城市等産業中，存在着大量多模态信息，比如客服電話的語音、醫學影像圖片、傳感器數據等，大語言模型必須具備多模态理解能力，将多模态信息與語言進行綜合分析處理，才能保證較高質量的輸出。
在實際任務中，上述三種問題可能會同時存在，要同時解決。
一位醫藥專家告訴我，在研發醫學影像的算法時，就需要基座大模型在預訓練階段就具備多模态理解能力、醫學影像知識，可以執行通用任務。同時，行業側還需要根據知識設計目标函數，在特征抽取、相似性度量、叠代優化算法等，都要貢獻好各自的知識，才可能訓練出一個對醫務工作者友好的領域大模型，不需要專業知識，也不需要建模，就能上手使用。
就像工業革命的開始，是因爲瓦特改良了蒸汽機。在此之前，蒸汽機早已被發明出來了，但一直沒有解決大規模高可用的問題，大模型也是如此。
大模型産業化，必須從基準測試的 " 跑高分 "，向可信賴的 " 高能力 " 進化。
百模大戰究竟在戰哪些能力？
從高分到高能，讓大模型具有與行業結合的可行性，也讓 " 百模大戰 " 正在進入新的階段。
從産業實際需求來看，可用且有效的大模型，至少應該具備幾個核心能力：
1. 長文能力。
大語言模型的技術特點，被認爲是 " 鹦鹉學舌 "，将輸入信号拼湊成有一定語法結構的句子，也就是文本補全能力。而大模型都有 " 幻覺 "，上下文窗口的長度增加，邏輯幻覺就可能越嚴重，" 鹦鹉學舌 " 開始變得吃力。
在很多垂直行業應用中，如金融、法律、财務、營銷等，長文檔的分析處理和生成能力是剛需。
在長文中保持邏輯的連貫性、合理性，考驗着大模型的綜合能力，比如對複雜語句的理解及記憶能力，生成的可靠性，這也是大模型走向産業化的核心。
目前，無論開源、閉源大模型，都将長文能力作爲一個核心競争力。比如流行的開源大模型 Llama 2，就将上下文長度擴展至 128k，而基于 LLaMA 架構的零一萬物的 Yi 系列大模型，此前曾宣稱拿下了全球最長上下文窗口寶座，達到 200K，可直接處理 40 萬漢字超長文本輸入。閉源大模型中，GPT-4 Turbo 支持了比 ChatGPT 更長的上下文（128k tokens），百度的文心大模型通過對話增強，提升上下文理解能力。
2. 知識能力。
大模型 " 大力出奇迹 " 的模式，忽略了模型準确感知和理解注入知識的能力，目前已經凸顯了很多問題。比如不理解領域知識，在實際業務中表現不佳，無法滿足 ToB 用戶的需求。因此，當歐美科技公司依然在執着追求更大參數時，百度、華爲等國内大模型廠商，開始轉向了行業場景，将強業務知識引入文心、盤古的行業大模型之中，來提升大模型在行業任務中的應用效果。
具體是怎麽做的呢？以 " 行業知識增強 " 爲核心特色的文心，是在預訓練大模型的基礎上，進一步融合大規模知識圖譜，挖掘行業應用場景中大量存在的行業特色數據與知識，再結合行業專家的知識，從大規模知識和海量數據中融合學習，把知識内化至模型參數中。
當用戶輸入問題時，文心 4.0 會拆解回答問題所需的知識點，進而在搜索引擎、知識圖譜、數據庫中查找準确知識，再将知識組裝進 Prompt 送入大模型。另一方面，大模型還将對輸出結果進行反思，從生成結果總結知識點，進而通過以上方式進行确認驗證，對結果差錯進行修正。
目前來看，在同等參數規模下，知識增強的深度語意理解，效果大幅超越了純粹用深度學習的方法，推理效率更高，并且可解釋性更強，更符合産業對可信 AI 的需求。
目前，知識 + 大模型還有許多細節有待解決，比如知識體系的構建，知識的持續獲取，知識應用和推理等，這些問題的攻克都會給行業認知智能帶來重大機會。
3. 多模态能力。
2022 年我參加華爲雲 AI 院長峰會，一位科學家提到，大模型有一個問題，就是有很多符号領域，大模型根本就不理解。他認爲，大模型是數據與知識雙輪驅動的，雙輪驅動是未來人工智能發展的重要模式。
前面我們說了知識能力的重要性，那麽 " 數據 " 究竟拼的是什麽呢？就是多模态能力。
把大模型應用到領域的時候，會發現問題非常多，根本達不到預期的效果。一個主要原因，大語言模型完全是基于語言的，而真實世界的複雜任務，有大量的數值、圖表、語音、視頻等多模态數據，數據的多模态特性增加了模型處理、建模和推理的複雜性。
一位醫療模型的開發者告訴我，醫療任務分析非常繁雜，數量級很多，有不同模态、病種，每一種模态有不同的診療任務，要把文本、圖像等多模态包容過來，而醫療領域非常缺少多模态的預訓練模型。
大模型要在實際業務中達到與人更接近的能力，也需要跨模态建立統一認知。
舉個例子，AIGC 生成營銷活動物料，根據文字描述生成圖像、視頻，既要精确理解提示詞的語義，還要符合領域規範，不能出現不合規的素材，同時要控制生成内容的質量，保持跨模态的語義一緻性。
國産大模型在多模态領域也做了很多差異化探索，除了大家熟悉的以文生圖，在醫療影像、遙感、抗體藥物、交通等領域，跨模态技術融合也在快速開展，未來會是基座大模型和行業大模型的亮點。
從這些産業需要的能力來看，大模型的産業屬性和價值已經清晰展露了出來。
大模型，絕不是聊聊天、搞怪圖片那麽膚淺，技術覆蓋區域是很廣闊的，技術應用價值已經足夠具有說服力。
但也必須承認，目前，絕大多數産業所獲取的技術能力和技術深度，都還遠遠不夠。一方面受限于上遊的基座大模型能力，同時也缺乏深度定制化的中遊服務商，導緻用戶大多隻能調用簡單化、标準化的 API，而難以将領域知識、多模态數據與大模型深度結合。
未來，從高分到高能，國産大模型一定會依靠自身的差異化技術路線，以及中國豐富多樣的産業需求，從懵懂走向成熟，甚至先于歐美，走向千行百業
