大模型能给AI产业带来什么？

大模型的出现能够在在提高模型的通用性、降低训练研发成本方面等方面 降低 AI 落地应用的门槛。

1. 大模型加速 AI 产业化进程，降低了 AI 应用的门槛

（1）大模型能够实现 AI 从“手工作坊“到”工厂模式”的转变

过去十年中，通过“深度学习+大算力”从而获得训练模型是实现人工智能的主流技术 途径。由于深度学习、数据和算力这三个要素都已具备，全世界掀起了“大炼模型” 的热潮，也催生了大批人工智能企业。但是，在深度学习技术兴起的近 10 年间，AI 模型基本上是针对特定应用场景需求进行训练的，即小模型，属于传统的定制化、 作坊式的模型开发方式。传统的 AI 模型从研发到投入应用需要完成包括确定需求、 数据收集、模型算法设计、训练调优、应用部署和运营维护等阶段组成的整套流 程。这意味着除了需要优秀的产品经理准确确定需求之外，还需要 AI 研发人员扎实 的专业知识和协同合作能力完成大量复杂的工作。

传统模式中，研发阶段，为了应对各式各样的场景需求，AI 研发人员需要设计专网 专用的个性定制化神经网络模型。模型设计过程要求研究人员具有充分的网络结构 和场景任务专业知识，且需承受人力设计网络结构的试错成本和时间成本。一种降 低专业人员设计门槛的思路是通过网络结构自动搜索的技术路线，但是这种方案对 算力要求很高，并且不同场景任务都要调用大量机器进行自动搜索以获取最优模 型，算力成本和时间成本仍然很高。一个项目往往需要专家团队实地驻场数月才能 完成，其中数据收集和模型训练评估是否能够达到指标要求往往需要多次循环迭 代，人力成本很高。 落地阶段，经“一个场景一个模型”式的作坊式模型开发得到的模型在许多垂直行业 场景任务不通用。譬如无人自动驾驶全景感知领域，常常需要多行人跟踪、场景语 义分割、视野内目标检测等多个模型协同作战才行；而同样是目标检测和分割应 用，在医学图像领域训练的皮肤癌检测和分割 AI 模型也无法直接应用到监控场景的 行人车辆检测和场景分割。模型无法复用和积累，同样导致了 AI 落地的高门槛、高 成本与低效率。

而大模型通过从海量的、多类型的场景数据中学习，并总结不同场景、不同业务下 的通用能力，学习出一种特征和规则，成为具有泛化能力的模型底座。基于大模型 进行应用开发或面对新的业务场景时，将大模型进行微调，例如在下游特定任务上 的小规模有标注数据进行二次训练，或不进行微调，就可以完成多个应用场景的任 务，实现通用的智能能力。由此利用大模型的通用能力可以有效的应对多样化、碎 片化的 AI 应用需求，为实现规模推广 AI 落地应用提供可能。

（2）大模型具有自监督学习能力，能够降低 AI 开发以及训练成本

传统的小模型训练过程中，涉及众多调参、调优的手动工作，需要大量的 AI 专业研 发人员来完成；同时，模型训练对数据要求高，需要大规模的标注数据。然而许多 行业数据获取困难、标注成本高，同时项目研发人员需要花费大量的时间收集原始 数据。譬如，人工智能在医疗行业病理学、皮肤病学和放射学等医学图像密集领域 的影响扩展增长，但是医学图像通常涉及到用户数据隐私，很难大规模获取到用于 训练 AI 模型。而在工业视觉瑕疵检测领域，以布匹瑕疵为例，市场上需要检测的布 匹种类包括白坯布、色坯布、成品布、有色布、纯棉、混纺等等，瑕疵种类繁多， 颜色、厚薄难以识别，需要在工厂里长时间地收集数据并不断优化算法才能做好瑕 疵检测。工业视觉应用场景千变万化，每个场景都具有专业知识的个性化的需求， 而不同行业的数据在另一个场景或任务可能并不适用，还需重新收集、标注数据和 训练模型，造成重复造车轮子现象，研发流程虽然相通，但研发的模型却难以复 用。此外，AI 模型也需要完整的、实时的支持机器自学习的数据闭环，从而能够不 断迭代优化。这一方面整体也导致了当前 AI 研发整体门槛、成本较高。 而大模型通过自监督学习功能将输入的原始数据直接进行自动学习区分，合理构造 适合模型学习的任务，不需要或很少需要通过人工标注的数据进行训练，很大程度 上解决了人工标注数据标签的高成本、长周期和精确度的问题，并降低了训练所需 要的数据规模。这在很大程度上减少了大模型训练数据获取、标注的成本，也更适 合于小样本学习，从而有利于将传统的、有限的 AI 扩展到更多的应用场景。

我们认为，大模型相对于传统 AI 模型开发模式在研发时拥有更标准化的流程，在落 地时拥有更强的通用性，可以泛化到多种应用场景；并且大模型的自监督学习能力 相较于传统的需要人工标注的模型训练能够显著降低研发成本，共同使得大模型对 于 AI 产业具有重要意义，为解决 AI 落地难、促进 AI 产业化进程这一问题提供方 向。

2.大模型带来更强大的智能能力

除通用能力强、研发过程标准化程度高外，大模型最大的优势还是在于“效果好”， 其通过给模型“填喂”大数据提高其自学习能力，进而具有更强的智能程度。比如在 自然语言处理领域，百度、谷歌等巨头的探索表明，基于预训练大模型的 NLP 技术 的效果，已超过过去最好的机器学习能力。OpenAI 的研究表明，2012 至 2018 年 6 年间，在最大规模的人工智能模型训练中所使用的计算量呈指数级增长，其中有 3.5 个月的时间计算量翻了一倍，比摩尔定律每 18 个月翻一倍的速度快得多。下一代 AI 大模型，参数数量级将堪比人类大脑突触的水平，并且或将不仅能处理语言模型， 将更是一个能处理语言、视觉、声音等多任务的多模态 AI 模型。大模型为通往强人 工智能提供了一条可能的通道。

从大模型发展历程中能够看出，多模态大模型是发展趋势之一。由于具有在无监督 情况下自动学习不同任务、并快速迁移到不同领域数据的强大能力，多模态大模型 被广泛认为是从限定领域的弱人工智能迈向强人工智能的路径探索。OpenAI 联合创 始人、首席科学家 Ilya Sutskever 也曾表示，“人工智能的长期目标是构建多模态神经 网络，即 AI 能够学习不同模态之间的概念，从而更好地理解世界”。将文本、语 音、图像、视频等多模态内容联合起来进行学习，大模型由单模态向多模态方向发 展，能够对更广泛、更多样的下游任务提供模型基础支撑，从而实现更加通用的人 工智能模型。 更具体来看，大模型带来的更强大的智能能力，能够推动人工智能向更高级智能应 用领域迈进，例如 AIGC、更智能的对话客服等领域。GPT-3 等大模型在新闻文本生 成、商业文本分析、法律文本分析等领域具有较高的产业应用价值。2022 年 OpenAI 发布的基于 GPT-3.5 的 ChatGPT 则能够以对话方式进行交互；除问答以外，ChatGPT 能够完成编程、写稿等众多超出人们想象的任务。甚至有研究人员表示未来 ChatGPT 这样的新兴人工智能技术很可能会影响白领的工作。在一项由医疗初创公 司 Ansible Health 领导的研究中，ChatGPT 参加美国医生执照的三项考试，考试成绩 可以达到或接近达到及格；ChatGPT 在法律领域的表现甚至更加优秀，研究人员发 现，ChatGPT 可以取得美国多州律师考试的及格分数；ChatGPT 的能力也已经获得了 大型科技企业的认可，谷歌公司指出，如果 ChatGPT 参加谷歌的面试，理论上会得 到入门级程序员的聘任。

2022 年，大模型正在成为 AIGC 领域发展的算法引擎。在大模型的能力加持下，包 括以文生图以及虚拟数字人等 AIGC 类应用将快速进入到商业化阶段，并为元宇宙内 容生产带来巨大的变革。大模型正在让人工智能技术从五年前的“能听会看”，走到 今天的“能思考、会创作”，未来有望实现“会推理、能决策”的重大进步。 我们认为，随着大模型不断地进步、迭代、向多模态方向发展，大模型能够达到更 强的通用性以及智能程度，从而使得 AI 能够更广泛地赋能各行业应用，尤其是更高 级智能应用领域，这是大模型能够给 AI 产业带来的突破之一，也是大模型构成人工 智能发展趋势和未来的原因之一。