今天小編分享的科技經驗：大模型做通用 Or 垂直？中小AI公司的「生死抉擇」，歡迎閱讀。
以 ChatGPT 為代表的大模型再一次帶火了人工智能。
基于目标人群、用途和适用場景的不同，大模型市場可分為通用大模型和垂直大模型兩大類。
通用大模型，聚焦基礎層，以技術突破瓶頸為目的。他們對标 ChatGPT 做通用大模型，百度的文心一言，阿裡的通義千問、科大訊飛的星火大模型等都歸屬這一類。
垂直大模型，聚焦解決垂直領網域問題，以產品開發為目的。他們在通用大模型基礎上訓練行業專用模型，應用到金融、醫療、教育、養老、交通等垂直行業。
通用大模型的長處聚焦于一個 " 廣 " 字，面向人群以及場景适用範圍十分廣泛。
但對于特定場景而言，企業并不需要通用大模型的 " 全能 " 能力，更多需要的是模型的精度和質量。
垂直大模型以此為切入點，選擇了另一條路徑。他們以具備的行業知識為基礎，通過與通用大模型企業合作的方式，訓練行業專用模型。
" 站在客戶角度，行業客戶最為看重的是定制化的需求，以及 AI 企業的工程化落地能力。" 眾數信科 CEO 吳炳坤對雷峰網說。
作為垂直大模型的一員，眾數信科成立于 2021 年初，由雲從科技、廈門火炬創投、民生電商發起成立。
眾數信科定位 AIGC 領網域的 " 知識智能化 "，即将數字城市領網域沉澱的行業數據、專家經驗，通過 AI 技術進行工程化。
簡單理解，眾數信科只做一件事，即将 AI 大模型微調為行業專用模型，幫助行業提升效率。
在吳炳坤看來，做行業的垂直大模型，同樣存在巨大的商業價值。
通用大模型門檻高企，初創公司在垂直大模型尋找機會
過去幾年，商業化一直是困擾整個人工智能行業的難題，大模型的出現讓 AI 商業化看到了新機會。
吳炳坤将 AI 比作工業時代的石油鑽機：" 沒有鑽井機，石油就無法成為工業時代的黑色血液；數據要素時代，沒有 AI，數據的價值也就得不到充分挖掘。現在大模型帶來了無限的想象和發展機會。"
兩年前，在數字城市領網域，AI 更多基于小模型，比如算法只做人臉識别，或只做車牌識别，產品受限很大，研發成本很高，可以擴展的空間不多。
現在，随着 AI 大模型這一關鍵技術的突破，數據和 AI 的結合度更加緊密，上述問題都得以突破。
大模型将對全行業都產生颠覆性地重構，已經是業界共識。百度李彥宏、阿裡張勇等不少業界大佬都在不同場合，不斷重復同樣一句話：AI 大模型時代，每個行業的應用都值得重新做一遍。
從目前國内扎堆發布的大模型來看，基礎大模型的技術創新，更多是大公司的角鬥場。
阿裡巴巴張勇曾指出，超萬億參數的大模型研發是一場 "AI+ 雲計算 " 的全方位競争，囊括了算法、底層龐大算力、網絡、大數據、機器學習等諸多領網域，是一項復雜的系統性工程。
一方面，通用大模型需要大量有效的數據與計算資源，這離不開超大規模的 AI 基礎設施的支撐；另一方面，長時間的訓練、推理背後，也往往意味着高昂的成本。
正因此，當下大模型市場的主角大都是來自于移動互聯網時代的大巨頭，如百度 " 文心一言 "、阿裡 " 通義千問 "、騰訊 " 混元 " 等。
大公司們瞄準廣泛适用的人群，齊齊布局 NLP、CV、跨模态等多種模型，動用同樣海量的數據參數進行預訓練，動作整齊劃一。
這種 " 你有，我也有 " 既是實力的展現，同時也存在同質化問題，會逐漸消弭彼此之間的辨識度，難以在市場中發揮優勢。
并且，大模型 " 海納百川 " 的魅力縱然令人着迷，但其終歸是一項技術，技術只有與具體應用結合變成產品，帶來實際的使用體驗和轉化成效，才真正具有價值。
換句話說，通用大模型的 " 大 " 和 " 通用 " 看着誘人，但對于 B 端行業客戶來說，并不能滿足需求。
行業客戶使用大模型的最終目的，是讓業務發展走上新的台階。因而，他們需要的不是綜合技術上的碾壓，而是能在具體需求上追求極致，可以實現功能最大化的產品。
換言之，行業客戶願意為合理開發利用的功能買單，但不會為自己用不到的功能買單。
在此背景下，中小初創型企業們，看到了機會。
他們受限于資金和技術，難以走上通用大模型的角鬥場，但由于本身具備一定的行業領網域知識，反而在垂直大模型的探索上具備天然優勢。
在人工智能時代的浪潮中，聚焦少數細分賽道，在通用大模型的底座能力之上，圍繞 " 如何用好大模型 " 這一接地氣的主題，已經成為小公司們安身立命的根本。
專用大模型必經的三重淬煉：技術、場景、數據
當下，很多主流的 AI 大模型，并沒有對外開放模型的訓練和微調。較為普遍的做法是，将模型開發好以後，給用戶提供一個接口調用。
在吳炳坤看來 " 很多 AI 大廠現在不會将大模型微調為行業專用模型的能力開放出來。"
首先，AI 大模型的打造是一個從算力，到整個框架，到模型再到應用的遞進過程，當下 AI 大廠更多處在夯實基礎能力的階段。
其次，AI 產品進入行業，需要跟外部行業應用做适配協同，目前國内的 AI 大模型做得還不夠成熟，當下這個時間點，AI 大廠還不太具備工程化落地的能力。
這一現實背景下，垂直大模型玩家要想在通用大模型的基礎上微調和推理，定制行業專用模型，并非易事。
基于和雲從科技的關系，眾數信科不僅能夠參與進雲從大模型的開發過程，還可以在雲從大模型的基礎上訓練和微調自有的專業模型。
" 通過雲從，眾數信科可以獲得更加便捷的接口，更加開放的合作架構，定制化的銜接服務。現在市場上除了 AI 大廠，其他公司不具備這個能力，這是現階段眾數信科有别于其他創業公司的優勢。" 吳炳坤說。
在吳炳坤看來，大模型在業務落地過程中，需要不斷強化三個方面的要素：一是人工智能技術研發，二是可觸達用戶的行業場景，三是高質量的行業數據語料。
在技術和場景兩個要素上，眾數信科的三家股東優勢互補，形成了一個較為完整的閉環。
底層技術方面，有雲從科技的算法、算力做背書；在應用場景上，有廈門火炬創投提供的制造業產業數字化實踐基地；在落地過程中，則有民生電商提供金融和產品商業化落地的資源支持。
三個要素中，最難的是行業數據的獲取。因為行業數據會直接影響技術迭代速度和商業競争。
根據數據的變化性，行業數據可以分為靜态數據和動态數據。
靜态數據相對穩定，不會發生即時變化，獲取路徑較為清晰，比如廣泛存在于各級政府部門、國企、企業中的自有文檔，以及數據庫中的數據等。
動态數據指不同行業場景中每時每刻產生的數據，這部分數據不斷更新、變化，不容易獲得，是與其他競争者拉開距離的關鍵能力。
對動态數據的實時獲取是眾數信科的核心優勢之一。
過去兩年，眾數信科以 "i 城市生活服務平台 " 為媒介，觸及了國内 6 個省 16 個城市的 3000 萬個人用戶和數十萬企業用戶，積累了大量數據。
通過 i 城市服務平台，眾數信科積累了豐富的場景數據，G/B/C 端用戶需求和行業 know-how，依托主流大模型技術底層能力，為客戶提供專業領網域的知識智能工程化產品和 KAAS 服務。
此外，由于當下通用大語言模型在專業領網域裡可訓練的語料較為缺乏，因此語言模型落地細分領網域過程中，知識局限、認知偏見、記憶幻覺等問題時有發生。
其中，知識局限、認知偏見問題，可以随着數據的不斷積累、量變，得到解決，更大的難點來自于記憶幻覺。
本質原因在于，語言模型并非傳統理解中的一個數據庫，沒有真正的記憶能力，無法記住過去處理過的信息。而是通過訓練數據學習文本序列的數據分布，然後再根據學習到的數據分布生成文本序列，最終生成内容。
吳炳坤表示，" 大模型并非一蹴而就，而是一個不斷動态優化的過程。眾數信科會根據特定行業場景，以及對知識庫上下文的學習等特定方法，在較大程度上規避生成内容‘胡編亂造’的情況，同時不斷和客戶做基于人類反饋的強化學習。"
行業專用模型的商業化落地，一場從 B 到 C 的競速
對比通用大模型，行業大模型需要更快的商業化來兜底。
"AI 大模型在行業落地的賽馬，誰跑得越快，誰越有機會。" 吳炳坤如此總結。
眾數信科的商業化思路是：G 端搭平台，B 端積累經驗，C 端快速復制。
通過 G 端切入，能夠快速覆蓋市場，同時批量聚攏 B 端和 C 端資源，最終将 B 端行業客戶經驗，快速復制到 C 端。
" 只有 C 端才能形成快速復制的病毒效應，C 端是現在以及下一個階段重點布局的領網域。"
城市生活服務領網域，教育、養老和文旅，是眾數信科找到的三大落地場景。
以教育行業為例，眾數信科依托雲從的從容大模型，首先打造出了适用于學校、培訓機構的教育行業專用模型，并已在廈門部分地區試點使用。
具體落地過程，主要分三步進行：
第一步，積累和标注。基于多年在數字平台建設和運營中積累的教師行業專業語料數據，同時依托行業專家經驗對數據進行标注，形成專有領網域的訓練數據。
第二步，訓練和微調。在前者的基礎上，依托雲從的從容大模型，采用知識蒸餾、權值量化、剪枝等工程化手段，将通用、龐大的教師網絡，訓練成一個特定行業的學生網絡。
第三步，落地和反饋。進入具體場景，并在此後運營過程中，不斷積累用戶的正負反饋，通過基于人類反饋的強化學習，反向打磨教育行業模型。
上述三個步驟中，專家的數據标注，以及基于人類反饋的強化學習，是兩個必經的難點。解決這兩個難點，需要通過推廣行業應用，加強知識積累，不斷自我迭代逐步解決。
與模型專業性的逐步進步相對應，眾數信科選擇了從教師的 " 數字助理 " 到 " 數字分身 " 的漸進路線。
現階段，眾數信科的行業專用模型還處在教師的 " 數字助理 " 階段。" 數字助理 " 具備課件自動生成、靈活生成考題、對學生進行個性化評價等服務，教師在生成内容的基礎上做最後的審核把關即可。
一方面，" 數字助理 " 通過輔助教學的方式，可以大大解放教師的精力，不斷提升教學效率；另一方面，在與教師共同工作過程中也可以不斷學習，最終成長為優秀教師的 " 數字分身 "，達到接近一位優秀教師的程度。
目前，我國教育資源供給側明顯不足，先進地區和落後地區的教育資源差距較大。打造教育行業模型的意義在于，可以借助 AI，将先進地區的先進學校的先進教師經驗傳承下來，帶到部分教育資源供給不足的地區。
眾數信科采取了兩條腿走路的辦法，即分别在教育先進地區和教育落後地區推廣 " 數字助理 " 和 " 數字分身 "。
" 将先進地區教師知識的沉澱，放在同樣先進的地區，可能不能滿足需求，但在一些教育落後地區，基本上能夠符合當地的使用需求。"
換言之，發達地區沉澱的 " 數字助理 "，在部分教育資源稀缺地區，已經相當于教師的 " 數字分身 "。
吳炳坤向雷峰網透露，今年下半年，眾數信科将在黑龍江教育資源比較欠缺的地區，進行 " 數字分身 " 的布局。
未來，随着教育行業的模型沉澱和知識積累，因人施教也是教育模型功能演化的重要方向。" 數字分身 " 可以進一步走入家庭，根據不同學生提供差異化教育方案，做到因人施教，為家庭教育減負。
結語
當下，無論通用大模型玩家，還是垂直大模型玩家，都在全力奔跑，尚未形成獨大格局。
但據吳炳坤判斷，" 對于 AI 大模型，如果推出爆款產品，大概率會形成通吃的局面。"
對眾數信科等中小初創企業來說，兩個明顯的壓力擺在眼前：
一方面，行業的快速發展，催促着企業要迅速產生爆款產品，同時形成快速迭代的能力。這對企業的人才儲備、產品和技術路線、戰略決斷能力、資金儲備等都提出了更高的要求。
另一方面，随着來自不同背景的玩家相繼入局，競争格局也将随之變化，比如教育領網域，科大訊飛、猿輔導等都已悉數入場。
AI 大模型在行業落地的賽馬，勢必是一場争分奪秒的競争。
