今天小編分享的互聯網經驗：大模型競賽，賽點在哪？，歡迎閱讀。
AI 浪潮的席卷速度，超過了以往任何一場技術革命。
OpenAI 剛剛成立的時候，AGI（通用人工智能）仍是一個不切實際的理想。不少學者認為，與其花精力去研究一個如人類般通用的人工智能，不如去琢磨琢磨永動機，後者可能更現實點。
當時，連 OpenAI 的首席科學家伊利亞，都不敢和人聊這個話題，因為會在圈子裡低人一等 [ 1 ] 。
僅僅過去了不到 10 年，AGI 已經成為了一種共識。前些天，奧特曼與黃仁勳都不約而同地表達了同一個觀點：AGI 很有可能在 5 年内成為現實。
而在眼下的 2024 年，AI 将進一步加快重塑社會的腳步。
最後一道障礙
在中國的科技叙事中，AI 并不是一個新詞。
2016 年，谷歌 AlphaGO 戰勝李世石，登上了全球新聞媒體的頭條，國内的創業者開始蠢蠢欲動。第二年，谷歌又跑來烏鎮與柯潔下了場棋。
在這短短一年時間内，國内湧現了 528 家 AI 企業、371 起 AI 投融資、9000 多項 AI 專利 [ 2 ] 。
當年的互聯網大會上，官方發表了一份題為 " 烏鎮指數 " 的報告，方方面面介紹了人工智能創業的盛況。然而，人工智能熱潮只持續了三四年，便偃旗息鼓。
因為在當時，AI 多為參數量較小的小模型，只能處理定制化任務。
面對某個具體任務，科技公司需要先收集并标注對應的數據，再用這些數據去訓練，從而讓 AI 獲得特定的能力。
舉個例子，許多中式快餐店，都有自動識别菜品并計算金額的 AI。為了打造這一系統，科技公司需要先收集小炒肉、番茄炒蛋等菜品的影像，并給每張圖示注好菜名與價格，再用這些數據去訓練 AI。
盡管小模型的技術含量不低，落地方式卻和施工隊無異，這讓 AI 失去了光環。
而打破這一瓶頸的，正是誕生于 2017 年的 Transformer 算法。
它最大的變革，是解決了過往的 RNN 等算法，難以處理大規模參數的問題，從而打造出具備通用能力的 AI。至此，大模型一詞開始登上歷史舞台。
随着底層技術取得突破，科技公司的大模型迭代，呈現出了一條非常陡峭的曲線。
外界對于大模型的認知，多始于 2022 年底發布的 ChatGPT。但在水面之下，相關研究早已如火如荼。
例如 2019 年，一批清華知識工程實驗室的技術人員，走出象牙塔創辦了智譜 AI。
從第二年開始，智譜 AI 開始專注于研究國產全自研、自主可控基座大模型，是國内第一批研究大模型算法的公司。
2021 年，智譜 AI 的 7 位研究員，共同發表了論文《GLM: General Language Model Pretraining with Autoregressive Blank Infilling》，提出了一種不同于谷歌 BERT、OpenAI 的 GPT 的預訓練架構 GLM。
在自然語言理解、無條件生成、條件生成這三個主要任務上，GLM 表現優異。
以 GLM 架構為基礎，智譜 AI 于 2021 年發布了第一款模型 GLM-10B。此後三年間，GLM 又歷經多次技術迭代。
2024 年 1 月，智譜 AI 推出了新一代基座大模型 GLM-4，在基礎能力、指令跟随能力、中文對齊能力等方面全面看齊 GPT-4，模型能力實現質的飛躍。
不僅如此，GLM-4 還擁有強大的上下文能力，可以在 128k 文本長度内做到百分之百精準召回，并具備多模态的能力。
當然，智譜 AI 只是國内大模型研究的一個切面。
這些年，幾乎全世界的科技公司都撸起了袖子大搞創新，OpenAI 的研究員甚至自發高強度内卷，每天研究到凌晨到 1 點多。
2024 年初，北京市人工智能產業投資基金參與智譜 AI 的新一輪融資，進一步加速大模型發展。
AGI 改變社會，不再是将來時，而是進行時。
造鐵路更重要
縱觀歷史可以發現，波瀾壯闊的技術革命，往往有這樣一條規律：
技術革命的最大受益者，通常不是率先做出突破的開拓者，而是那些率先将技術擴散出去的一方。
當年的工業革命尤為明顯：
許多創新都始于歐洲，然而美國卻一躍成為工業強國；最重要的原因，莫過于美國率先建立起了龐大的鐵路網絡，将工業成果落地。
在 1870 年到 1900 年的短短三十年間，美國新造了 17 萬英裡的鐵路，将原本的鐵路系統延長了近 3 倍。
這一規律，在 AGI 時代同樣适用。
去年，著名計算機科學家吳恩達曾在斯坦福做過一場題演講。他同樣認為，AI 其實和電力、互聯網一樣，是一項通用技術；更多的機會，在于大規模應用落地 [ 4 ] 。
然而，當下整個行業對于 " 造鐵路 " 的探索，其實仍處于較淺層的階段。
主流的聊天機器人產品，更多只是簡單給通用大模型套了個殼兒，并沒有與市場需求深度貼合。
這就導致大模型已經火了近一年半，但對普通人生活的影響，并沒有想象中那麼翻天覆地。
因此，以智譜為代表的 AI 公司，開始在商業化落地上做出更多嘗試。
過去一年時間，智譜 AI 的 GLM 大模型，已經在智能汽車、金融、咨詢等領網域取得了一定成果。目前，智譜對于大模型落地的探索，大致可以拆抽成三個方向：
一是革新傳統的互動方式。
在消費電子、汽車等行業，對話互動并不是一個新物種，被廣泛應用于智能音響、新能源汽車等產品上。
然而，傳統的對話互動并不好用，其回復内容多根據給定的模板生成，較為生硬，且對于語音指令的理解率也較低。
因此，智己汽車嘗試在車機系統中，部署了智譜 AI 的 GLM 大模型。
新版的對話互動功能，不僅大大提升了指令識别的能力，同時還能實現更多趣味性對話，例如切換聊天人設等等。
二是降低知識流動的邊際成本。
眾所周知，營養師、律師等專業人才的培養，需要耗費非常多時間成本，導致知識流動的邊際成本較高。
相比之下，擁有大量知識儲備的通用大模型，可以加速知識的流動。
例如蒙牛與智譜 AI 合作，打造了一個 AI 營養師助手，實現了健康測評、營養計劃制定、運動計劃制定等功能，仿佛一個貼身營養師。
三是減少重復性腦力勞作。
事實上，腦力勞動中有大量重復性勞作，例如整理會議紀要、PPT 排版等。
因此，WPS 與智譜 AI 合作，推出了智能辦公助⼿產 WPS AI。
針對文字編輯、PPT 演示文檔等場景，提供一系列輔助功能，例如生成會議紀要、公文等等，從而讓更多人專注于創造性工作中。
智譜 AI 在 " 造鐵路 " 上的探索，給業界提供了一個可供參考的模板。
過去幾個月，不論是中國還是美國的 AI 公司，都加快了 " 造鐵路 " 的腳步。
目前，業界已取得了一些階段性成果。然而，商業落地只是技術革命的 A 面；水面之下，創新生态的建設同樣重要。
誰來造鐵路？
2016 年，谷歌大腦團隊率先将深度學習技術應用于翻譯軟體中，在中英文翻譯上取得了巨大突破。
彼時，谷歌能夠在 " 造鐵路 " 上先行一步，背後其實是一整套創新生态在發揮作用。
當時谷歌翻譯的理論基礎，來自于人工智能泰鬥辛頓的學生、現 OpenAI 首席科學家伊利亞的研究成果。
彼時，他在論文中介紹了改良版的 RNN 算法，并展示出了它在翻譯等 NLP 任務上的潛力。
而這篇論文，發布于 2014 年的 NIPS 大會——它是全球最頂級的 AI 學術會議，許多創新都誕生于此。
在美國，高校、頂級學術會議、產業等環節，彼此高度相關，構成了一個活躍的創新生态。而在工業革命期間，美國能夠更快建設起鐵路，也是因為當時的創新氛圍，培養了大批活躍的工程師。
事實證明，想要把 " 鐵路 " 造好，光靠個人努力顯然不夠，需要發動更多人一起參與創新。
當下，智譜等科技公司也深知不能閉門造車，在大模型產業生态圈建設上付出了不少努力。從 2022 年開始，智譜開始着手于開源生态的建設。
這一年，智譜首次開源了具有 1300 億參數的雙語雙向稠密模型 GLM-130B，深受開源社區歡迎。
自 8 月發布以來，GLM-130B 模型已經收到了來自 70 餘個國家、1000 餘個研究機構的使用需求。
開源的意義，在于 " 眾人拾柴火焰高 "，是推動技術創新的一種重要方式。
因此，智譜繼續延續了這一做法，開源了單卡版模型 ChatGLM-6B，對學術研究完全開放，企業在登記獲得授權後，也可免費商業使用。
在這基礎上，智譜 AI 也在努力構建學術生态，不僅贊助了包括 NIPS 在内的全球頂級學術會議，并且與 CCF（中國計算機學會），以及國内各大高校展開了合作，設立首屆 CCF- 智譜大模型基金等贊助計劃。
除此之外，智譜 AI 也鼓勵更多創業者加入到大模型浪潮之中。
智譜 AI 推出了 ChatGLM 金融大模型挑戰賽、大模型開源基金等扶持項目，共同建設繁榮的國產大模型生态圈。
建設創新生态，是一個打地基的過程，其實相當重要——畢竟，這直接關乎了 " 造鐵路 " 的速度。
尾聲
" 造鐵路 " 這件事，其實并沒有看上去那麼簡單。
去年 9 月，紅杉資本曾發表過一篇文章，認為 AI 浪潮正轉向 " 第二幕 "，即利用新技術端到端地解決現實社會中的問題。
但當時的紅杉認為，進展效果并不理想，大模型仍需要證明價值 [ 5 ] 。
智譜 AI 在商業化落地的初期中，還遇到了不少現實問題。例如，國内的 SaaS 產業本就沒有海外發達、不同公司對模型部署以及數據合規有不同的要求等等。
幸運的是，智譜 AI 很早就開始了商業化的探索，并找到了一條行之有效的解法。
3 月 14 日的智譜 AI 發布會上，公司 CEO 張鵬介紹了過去一年的商業化成果：2000+ 生态合作夥伴、1000+ 大模型規模化應用、與 200 多家企業深度共創。
智譜 AI CEO 張鵬
真正意義上的 "AI 第二幕 "，如今正以超乎預期的速度鋪開。
某種意義上，眼下的盛況，其實與 19 世紀末的美國其實頗為相似，越來越多地人都開始投身于 " 造鐵路 " 的事業當中。
如何将 " 鐵路 " 造得又快又好，已是當下 AI 行業最重要的議題。因為将關系到未來中國的科技公司，能夠在人工智能的產業分工中，掌握多少話語權。
參考資料
[ 1 ] 深度學習革命，凱德 · 梅茨
[ 2 ] 烏鎮指數：全球人工智能發展報告（2017）
[ 3 ] The Key To Winning The Global AI Race，NOEMA
[ 4 ] Andrew Ng: Opportunities in AI - 2023，Stanford Online
[ 5 ] Generative AI ’ s Act Two，Sequoia
作者：陳彬
>
