资产经济网
adtop
adqu_z
adqu_y
adqu2

AI应用落地提速:大模型开花,小模型破局

发布时间:2024-07-12 21:34  文章来源:证券之星  发布者:许一诺   阅读量:10956   

大模型的热度依然不减。

日前,百度董事长兼CEO李彦宏2024世界人工智能大会产业发展主论坛演讲称,2023年国内出现百模大战,这造成社会资源的巨大浪费尤其是算力浪费,但也使得中国追赶世界上最先进的技术模型能力得到建立。

毫无疑问,大模型已经成为当今的生产力明星,而竞争也趋于白热化。就在不久前,国内模型厂商掀起了一轮的大模型降价潮,厂商们试图通过降低成本抢占市场,背后是基于基座大模型的应用在各行各业落地开花。降价无疑会加速这个趋势。

“虽然只有短短一年时间,但变化还是非常大,大家已经从去年关注大模型本身,转变为思考或讨论大模型本身怎么来创造价值,怎么来赋能产业,怎么来落地应用。”智谱AI公司CEO张鹏向21世纪经济报道记者表示。

华金证券研报称,中国10亿参数规模以上的大模型数量已超100个,行业大模型深度赋能电子信息、医疗、交通等领域,形成上百种应用模式,赋能千行百业。

不过眼下,业内期待的是大模型与行业更深度的融合。容联云产业数字云VP兼诸葛智能创始人孔淼向记者表示,行业知识和业务理解在大模型应用中至关重要,它们是有效解决方案的基础,需要深入了解特定行业的独特需求、流程,以及对企业如何运作和实现业务目标有更加全面的认识。

细分、个性化的需求逐渐增多,大模型也难以兼顾全部,应用场景有限、效果参差不齐、高质量训练数据缺乏等问题阻碍着大模型的落地,相当一部分企业陷入了对该技术的焦虑当中。

如何用、怎么用,一度困扰着想要跟上这波技术浪潮的企业,这背后的根源或许并不在于大模型本身,而是回归企业自身需求。

落地广泛

近期的大模型降价潮让应用端焕发生机。张鹏认为,大幅度降价的出现主要源于技术驱动,“技术不断提升,生产成本逐渐降低,从而导致价格持续下降。”不过他表示,过度的降价并不是合理的商业模式,降价不会持续很久。

但对于开发者来说,降价是一个利好消息,有助于创新和应用的开发。在大模型时代,拥有强大的应用能力可以成为企业的核心竞争力。

在百度创始人、董事长兼首席执行官李彦宏看来,大模型的重点还是“卷应用”,“没有应用,光有基础模型,不管是开源还是闭源都一文不值。”

他在WAIC上发言表示,要跳出移动时代的思维逻辑,避免掉入“超级应用陷阱”,不是只有10亿DAU的应用才叫成功。

目前,大模型应用已在办公、企业服务等场景实现商业化前期的落地;文生图、文生视频等工具型AI应用已集中于消费者端,尤其是专业用户的覆盖比较广泛;与智能硬件结合的应用也是新的行业中新的趋势亮点,AI赋能智能手机、智能汽车、机器人等智能终端,目前这部分的融合仍处在相对初级的阶段,但未来空间广阔。

另一个明显的趋势是,市场需求正在发生演变,对通用大模型的关注度有所下降,垂直领域大模型逐渐兴起。

在业内人士看来,垂直领域大模型通常针对特定行业的数据和问题进行训练和优化,因此能够提供更高质量的结果。这种专业化是通用模型难以实现的。

目前,垂直大模型在多个领域有所应用。例如,润达医疗与华为云合作,开发了专注于医疗健康的“良医小慧”医疗AI垂直大模型,利用先进的自然语言处理技术提供专业的医疗建议和信息;蚂蚁集团推出百灵大模型,支撑起金融AI助理“支小宝”,能够提供个性化的金融咨询和投资建议。

而对于众多企业来说,他们寻求的是高度定制化的解决方案,建立企业私有大模型来完成企业内部业务的降本增效。

尤其对于那些拥有敏感数据的企业,如金融、医疗等行业,私有化部署可以确保数据在本地处理,避免数据传输过程中的泄露风险,同时也帮助企业遵守严格的数据保护法规。

无论是应用还是垂直模型,都是将关注点转移到了如何将大模型更好地实现落地、创造价值。这也要求技术提供者深入理解行业需求,创新解决方案,并与各方合作。

企业“头痛”

从落地的角度来看,业内对大模型逐渐祛魅,不再赋予其“无所不能”的想象。孔淼向记者表示,随着时间的推移,客户对大模型的需求正在逐步明确和收敛,这意味着客户对于他们需要什么样的产品或服务有了更清晰的认识。

不过,整体来看,大模型在各行业的应用场景和范式还相对有限,一方面,大模型目前主要应用于一些常见的场景,如文本分类、情感分析、机器翻译等,而在一些特定的业务场景或新兴领域中的应用还不够广泛。

另一方面,大模型在企业中赋能的实际情况参差不齐,这往往与企业和行业自身有着直接关系。“实践下来,大部分的客户很难拿通用大模型直接上手。”有大模型企业人士向记者表示,“企业的需求是很细致且个性化的,他们也很焦虑,生怕错过这波机遇。”

张鹏在WAIC的演讲中表示,企业在开发AI驱动的应用时,需要有一套能够支持这种开发需求的技术架构。这包括底层资源、技术组件以及开发人员的能力。如果现有的技术栈不能满足大模型落地的需求,企业可能需要构建新的基础能力,这将是一个耗时的过程。

高质量的训练数据也是一大问题,缺乏足够丰富和高质量的垂直行业训练数据,限制了大模型的训练效果和应用性能。

“垂类模型更多关注细分行业专有数据,既包括与个人相关的用户数据,还包括企业资产行业数据。”中科曙光集团智能计算产品事业部副总经理胡晓东表示。

但这些数据并不容易获得。在一些细分行业中,例如工业领域,获取数据相对困难,不仅数据量较少,而且往往不适合或不愿意在企业之间共享。

而中小企业更是一片数据洼地。达观数据董事长兼CEO陈运文向记者表示,许多中小型企业在过去缺乏统一的资料管理系统,通常分散在员工的个人电脑中,难以进行大模型的赋能。

“首要目标是建立一个集中的文档管理库,将所有员工的文档资料集中存储。在此基础上,可以构建大型模型和上层的智能化应用系统。”陈运文向记者表示,“这是一个逐步的过程,首先需要打好基础。”

下一步则是知识的深度挖掘。陈运文向记者表示,如果大模型与专业知识的结合仅限于表面层次,这是不充分的。只有当这种结合达到深层次时,垂直模型才具有真正的价值。行业知识的深度挖掘能够带来更深远的意义和应用潜力。

这时候仍需要人的力量实现对模型的微调。“要人类专家来传授经验,大模型要做定向的修改去吸收这些经验,最后开发出针对性的产品。”陈运文表示。

小模型破局

如果上述的问题在短期内得不到解决,行业与企业又该怎么办?是否意味着错过这波AI的浪潮呢?

张鹏在接受记者采访时提到一个有趣的点,当客户提出需求时,要深入了解客户需求背后的逻辑和根源,而不仅仅是“想用大模型”的表面现象,从而提供更有效的解决方案。

“要考虑业务是否适配,是需要一个类人的智能去解决这个问题,还是说只需要一个简单的计算器,”张鹏表示,“要做相应的分析,大模型并不是包治百病。”

也是在这个背景下,小模型作为大模型的有力补充,成为了众多企业更加切实的解决方案。“有时我们可能不需要或不适合使用大模型,而是需要相对较小的模型。特别是需要将领域知识、专家经验和逻辑推理引入到模型中。”华院计算创始人、董事长宣晓华在接受记者采访时表示。

小模型参数数量通常远少于大模型,针对特定的任务或领域进行优化,它们在这些特定任务上可能表现出与大模型相近或甚至更好的性能。尽管大模型在技术上具有领先优势,但小模型以其成本效益、灵活性和专业化特点,在大模型时代下发挥着不可或缺的作用。

例如,在工业领域的表面检测中,由于缺陷样本稀缺,传统的大数据方法在解决此类问题时面临挑战,而人类却能通过少量样本迅速识别出相似缺陷。宣晓华认为,通过将特定行业的知识和专家经验整合到AI算法中,不仅可以降低对大量数据的依赖,还能提升识别的准确性。这种方法使得人工智能在处理特定行业问题时更加高效和精确。

“我认为最重要的是找到合适的应用场景,追求规模本身并不是目标。如果能够使用较小的模型和数据有效地解决问题并提供良好的服务,就没有必要追求规模。”宣晓华表示,在解决特定行业或领域的问题时,需要重新考虑如何更有效地解决问题。

从投入产出比的角度来说,小模型的优势也十分明显,尤其是对于预算有限的中小企业。小模型可以在计算能力有限的设备上使用,降低了使用AI技术的门槛和成本,在资源受限的环境中适应不同的应用场景和需求。

孔淼也向记者表示,企业客户关注的是业务价值和成本效益,他们更倾向于购买能够带来明确经济效益的解决方案,而不仅仅是技术上先进但实际应用效果不明显的产品。

对于国家而言,这一点也很重要。宣晓华表示,当大家都追求大模型时,可能会造成很多浪费,包括算力资源。“人们可能会不加选择地购买大量算力,而算力本身也有很高的成本。因此,从应用场景的角度出发,思考需要什么样的模型,是解决问题的关键。”

面对AI浪潮,企业和行业更应该保持清醒的头脑,回归真实的需求。无论是大模型还是小模型,关键在于如何将这些技术与行业需求相结合,创造出真正的价值。

郑重声明:此文内容为本网站转载企业宣传资讯,目的在于传播更多信息,与本站立场无关。仅供读者参考,并请自行核实相关内容。