今天小編分享的科技經驗：ChatGPT和宋丹丹，誰陪你聊天更貴？給人工智能當保姆，都要操哪些心？，歡迎閲讀。
給人工智能"大模型"當保姆
都要操哪些心？
文 |史中
（一）ChatGPT和宋丹丹，誰陪你聊天更貴？
"有人花錢吃喝，有人花錢點歌，有人花錢美容，有人花錢按摩，今兒我雇個好活，有人花錢，雇我陪人兒唠嗑兒。"
2000年，作為一個小屁孩在電視前看春晚時，我決計想不到，有生之年世界上真能出現一個陪人唠嗑的機器人，還能唠得和小品《鍾點工》裏宋丹丹演的"大妹子"一樣好。。。
二十三年以後，我等到了 ChatGPT。
先問你個問題：ChatGPT 和宋丹丹，你覺得誰陪你聊天會更貴一些？
看上去有點兒無厘頭，其實這是個嚴肅的問題。你先在心裏盲猜一個答案，然後我給你求解：
先來看鍾點工的價格。
小品裏宋丹丹説了，唠一小時40塊。
再來看 ChatGPT。
它唠嗑的價格，一般人不知道，但中哥我知道。
這是浚源告訴我的。
給你介紹一下，浚源有三個身份：
一、人工智能老師傅；二、字節跳動火山引擎旗下"方舟平台"的研發負責人；三、不僅關心AI馬兒跑，更關心馬兒吃多少草的"現實主義者"。
話説，2022年底，ChatGPT 剛橫空出世那陣兒，作為人工智能界的"老炮兒"，浚源簡單跟它對話了幾句，就得出了兩個了不得的結論：
一、這種大模型加持的AI，掌握了理解上下文的能力，可以像人一樣你一言我一語地"連續對話"。
就憑這一樣，已經華麗麗地實現了幾代人工智能科學家半個多世紀的夢想。
二、能做到這一點，是因為他們掌握了 AI 大模型的"湧現機制"。
從專業角度看，這個進步不是"騙炮"，它很可能讓人工智能擺脱如中世紀般漫長的"人工智障階段"，得以在各行各業迅速普及！
一想到"普及"兩個字，他不困了，按捺不住想要算算這大模型運轉的成本是多少。
話説，ChatGPT 的"工資"也是明碼标價的——它是按照 Token 來計算的。
啥是 Token？咱們人類理解語言的基本部門是字詞，但是大模型理解語言的方法稍有不同，它的基本部門就是 Token。
一個 Token 有時候對應半個詞，有時候對應多個詞，大部分時候對應一個詞。
為了方便，咱們就簡單理解為一個 Token 對應一個詞吧。
這張圖直觀展示了啥是"Token"。
ChatGPT 跟你聊天，分為兩步：
1）先理解你説的話；
2）再生成它説的話。
這"一聽"+"一説"，裏頭總共有多少Token，它就收你多少錢。
現在 ChatGPT 有兩個版本，普通版的 ChatGPT 3.5，還有史詩級的 ChatGPT 4.0。調用 ChatGPT 3.5 的價格是"每1000個 Token 0.002美金"；調用 ChatGPT 4.0 的成本大概是"每1000個 Token 0.06美金"。
咱們就按一問一答500個Token算：ChatGPT 3.5 回答一個問題大概是不到1分錢人民币，ChatGPT 4.0 回答一個問題大概是不到5毛錢人民币。
也就是説，如果你打字飛快，把 ChatGPT 4.0 壁咚到牆角一頓唠，一小時能問出去幾十個問題，極限狀态也能耗費掉30-40塊錢。
説到這兒，我們的問題大概就有答案了：
目前人類最先進的 AI 大模型——ChatGPT 4.0——竟然和宋丹丹老師陪聊的價格差不多。。。
它聊一小時也相當于黃宏老師的1小錘，0.5大錘。。。
相當于趙麗蓉老師的0.22杯宮廷玉液酒。。。
好，不開玩笑了。其實剛才這些計算都是非常粗略的，不足作為商業參考，我講這些只是為了讓你能直觀地感受到：
人工智能不是省油的燈——"大模型"幹起活來，其實成本并不低。
而我們今天要講的所有故事，皆與此相關。
話説，大模型幹活的成本高低，本來和浚源也沒太大關系。因為他當時還在忙另一個項目，測試大模型只是滿足一下自己該死的求知欲。
可是，2023年3月底的一天，他的命運軌迹突然如秋名山的賽道，來了一個急轉彎。
當時火山引擎智能算法負責人吳迪找到他，開門見山：眼看大模型的浪頭已經開始翻湧，火山引擎準備跳進這個歷史大潮裏，你要不要來？
"來！"浚源回答很幹脆。
（二）一幫人工智能老師傅，發現了啥驚天大幂幂？
老規矩，在講"老師傅搞事情"之前，為了讓淺友們都能上車，咱們還是先把時間暫停，強勢科普一點兒基本姿勢。
問：到底啥是大模型？
答：就像飛機是用鋼鐵模仿鳥兒翅膀一樣，大模型是用計算機模仿人類的大腦。
咱們的大腦之所以能做決策，是因為它把學過的知識、見過的人、想過的事情都做成了"縮略圖"存在了腦細胞裏——遇到啥問題，去"縮略圖"上查一下，就能得出答案。
你老板之所以給你發工資，不就是因為你有這個技能點麼？
大模型也是一樣——你只要把全世界的知識都拿來，然後像虎媽一樣督促它"好好學習"，也能在它"大腦"裏生成縮略圖。
和你一樣，大模型也能用這個能力打工賺錢！
問：那一個大模型從"啥也不是"到能"打工賺錢"，中間攏共分幾步？
答：分五步。
1、找一座"貴族學校"。
眾所周知，訓練"AI 模型"需要用 GPU 卡。訓練 AI 大模型，更是得用成千上萬個 GPU 卡。
GPU 卡堪比黃金，每張都得一萬美元起步，堆在一起妥妥就是蓋了一座貴族學校嘛！這也沒辦法，大模型的本質就是氪金魔法，沒有金剛鑽，别練大模型。
2、找來一堆"課本"。
所謂課本，就是數據，成噸的數據。（訓練一個靠譜的大模型，怎麼也得幾千億 Token 吧。。。）
課本裏的知識越多、越純、越高級，最終學出來的大模型就越厲害。
3、找一群"老師"來上課。
所謂老師，就是"機器學習平台"。把一個小孩紙丢進學校裏，他是沒辦法自學成才的，得有老師來講課。
同樣，AI 也需要"靈魂的工程師"。
機器學習平台負責"安排課表"，然後對照"課本"上的知識一堂一堂地給大模型"上課"。所有知識都學完，大模型就畢業了。
4、找一群"師傅"來帶徒弟。
你懂的，很多畢業生雖然滿腦袋都是知識，但啥也幹不好，因為沒有專業領網域的實踐經驗嘛！
大模型也一樣，得根據它将要承擔的具體工作，找個"師傅"來繼續做"職業培訓"。這個過程就叫對模型的"精調"。至此，大模型的"訓練"階段終于結束，可以出徒了。
5、大模型開始"搬磚"。
大模型搬磚的姿勢，學名叫做"推理"。比如，我給大模型提一個請求，它在"大腦"裏過一下，輸出一個結果，就完成了一次推理。
當然，每次推理都會耗費一些計算力。
注意，有趣的事情來了：
推理的計算力成本和"模型大小"有關系。
説到一個模型的大小，其實就在説它包含多少個參數。就拿 ChatGPT 3.5 來説，它的模型大概有幾千億個參數（具體數量沒有公布），而 ChatGPT 4.0 大概有上萬億個參數（具體數量也沒公布）。
你可以把參數類比為人的"腦細胞"。
思考同樣的問題，腦細胞多的"大腦袋"比腦細胞少"小腦袋"更耗費能源。當然，"大腦袋"能解決的問題也更復雜。很公平，對吧？
诶，就在這裏，老師傅們發現了一個驚天大幂幂。
啥秘密呢？
AI大模型的復雜度并不是随着任務復雜度"同步增加"。任務復雜，模型必須指數級增大。這也意味着推理成本會随之提升。
人腦則不同：随着思考問題難度的增加，推理成本幾乎不會上升。（當然人腦存在一個思考極限。）
大幂幂來了：假如要處理的問題難到一定程度，"AI 大模型解題的成本"就會超過"人腦解題的成本"。
那 AI 大模型大到啥程度，就會比（同等聰明的）人更貴了呢？
拿2023年的科技水平來説，至少在 ChatGPT 4.0 能處理的任務復雜度這個級别，人和 AI 的成本已經大致相當了。（這下你明白為啥我在文章開頭要算那個賬了吧？）
當然，浚源強調這樣簡單比較并不準确。但一個總體趨勢是：特别難的任務推理成本還太高，目前不太實用。
了解了這些，我們再回到吳迪和浚源他們身邊，你就能跟上這群"AI 老炮兒"當時的思考邏輯了：
像 GPT 4.0 那樣超大的模型，更靠近通才——靠一個模型就能勝任多種工作。雖然研發一勞永逸，适配各行各業相對簡單，但是它的推理成本會很高，甚至超過真人！
明顯用人來幹更便宜的情況下，誰會用 AI 去幹呢？
像 GPT 3.5 那樣或者更小一點的大模型，更靠近專才——必須針對各個工作單獨調整模型，才能完美勝任。（或者説它也是通才，但比真正的通才更專一些。）
雖然适配工作很麻煩，但是，它的推理成本低啊！大家用得起，才有商業化的動力。
話説，就在我們故事開始的2023年3月，眼看中國大大小小的企業都已經開始研發大模型，堪稱"百模大戰"。
當時很多看客覺得，中國大模型要想追上 ChatGPT 3.5 的水平，起碼得2-3年。但浚源掐指一算，不用那麼久——預計到2023年底，大家就能追上 ChatGPT 3.5 的水平。
這也意味着，"小而專"的大模型在中國的商用已經箭在弦上。
有了這些共識，老師傅們再盤腿坐在一起，商量火山引擎要搞點兒啥事情。
他們得出結論：既然這麼多小而專的大模型想進入各行各業，必然需要根據具體的工作種類進行定向精調、各種适配。
那作為雲計算服務商，能不能把各家大模型都放在一起，火山引擎提供統一的平台和工具，幫這些大模型在各行各業落地呢？
這不就是那個經典邏輯麼？在美國西部淘金熱的時候，賺大錢的不是那些親自淘金的，而是在一旁賣鏟子的。。。
但我轉念一想：不對啊！幫大模型在各行各業落地，這是你説幫就幫的麼？這些大模型願意麼？各行各業的客户願意麼？
其實，2023年春天吳迪忽悠浚源"入夥"時，浚源就提出了這個疑問："咱們家裏到底有啥礦，讓人家非得和我們火山引擎合作不可嘞？？"
吳迪呵呵一笑：你有所不知，就在此時此刻，智譜、MiniMax、出門問問、瀾舟科技、百川智能這些明星公司的大模型已經跑在咱們火山引擎上了！
（三）火山引擎的"朋友圈"來之不易
實話實説，第一次聽到吳迪説"中國很多明星大模型都跑在火山引擎上"，我也覺得他在吹牛。
怎麼可能有這麼多嘛？！
但是仔細了解了"火山簡史"之後我發現，如果我是大模型創業公司，可能也會把大模型放在火山引擎上來訓練。
聽我來講講這段故事。
火山引擎跟人工智能的關系，怎麼説呢。。。就主打一個"家傳"。
就拿抖音舉例，它有一個熊熊燃燒的人工智能推薦引擎，可以對平台上發生的一切細節進行實時計算，然後針對每個正在刷抖音的用户，找到此時此刻你最有可能喜歡的短視頻，随着你手指輕輕一劃，這條短視頻就傳輸到了你的螢幕上。
想想看，能給幾億人"量體裁衣"推薦視頻的人工智能，訓練起來得有多艱難、運轉起來得有多壯觀。
有關這個推薦引擎，篇幅有限今天就不展開了，淺友們可以參考。
我要説的是，它就運轉在火山引擎上。
你注意過抖音登錄螢幕這行小字麼？
其實，火山引擎這些年一直在給自家業務提供服務，2020年才正式挂牌對外提供基礎計算力，算是雲計算的後後後來者了，在市場份額上自然照阿裏雲、騰訊雲有不少距離。
但這裏要注意，我所説的距離是指以"CPU"為基礎算力的傳統雲；在以"GPU"為基礎算力的人工智能雲上，火山引擎可是并不遜色。
剛才咱們説，訓練大模型很像"送 AI 去上學"，不僅是指學的過程像，連"卷"的樣子也像。
咱們人類教育已經卷到了極致，卷完學區房卷學校，卷完學校卷老師，卷完老師卷輔導。
送 AI 上學也一樣，家家不都得找"師資力量"最強的學校麼？！
火山引擎"師資力量"咋樣呢？我説兩個事兒你感受一下：
第一，火山引擎上有"名校"。
剛才説過，GPU 是大模型的學校。
無論是前幾年互聯網的蓬勃時代，還是疫情的低迷時期，火山引擎對于 GPU 卡可是從不吝啬，一直在買買買。
然鵝，這客觀上導致火山引擎成為了中國 GPU 的大户。
雖然官方沒有披露數據，但是火山引擎手裏掌握的 AI 計算力，絕對是全中國數一數二的，數三都不太可能。。。
現在全世界都掀起大模型浪潮，所有人都在争搶 AI 計算力，在這種"飢荒"狀态下，看到火山引擎手裏充沛的 AI 計算力，那不就是餓了三天看到肉包子的效果麼？
第二，火山引擎上有"名師"。
剛才也説過，"機器學習平台"就是大模型的老師。
可這老師具體是咋工作的嘞？我簡單給你擺一擺。
1）你可以把大模型看成是一個有千億個腦細胞的大腦，老師教授知識的過程，從細節上看就是在"調整每一個腦細胞的參數"。
2）每一本"書"進入大腦，都會刷新一遍所有腦細胞的參數。老師孜孜不倦地一本一本往腦袋裏裝書，腦細胞參數就一遍一遍被"刷新"。
3）但這裏的問題是，由于操作太精密，每一波腦細胞參數完全刷新之後才能存檔（CheckPoint），進行過程中是不能"存檔"的。
一旦中斷，至少得"一本書"從頭再來。
4）訓練一個大模型，需要幾千張 GPU 卡連續工作幾個禮拜，你中間卡碟，心若在夢就在，只不過是重頭再來，那前面白算的一段成本誰給報銷？！
5）所以，訓練必須一！遍！過！
仔細想想：這種大模型訓練過程，跟雜技"頂碗"是一樣一樣的，所有的碗必須全部到位，一個碗碎了，整個雜技就都廢了。
這還不夠，GPU 是人類最精密最兇殘的造物——每張 GPU 卡700w，一個機箱裏插8張——光是發熱已經秒殺了一般的電暖氣。。。
你想想看，這大夏天的，人腦子都容易熱傻了，何況電腦。一堆"電暖氣"在一起絞盡腦汁兒算數，一個不小心就會導致故障。
還沒完，在保證不出故障的情況下，你還得盡量提高 GPU 的使用效率，确保整個"教學任務"用最短的時間完成。
所以，火山引擎這群"老師"（機器學習平台），必須同時做到三點：
1、制定最有效率的教學大綱（保證訓練總時長最短）；
2、嚴謹地教書育人（保證訓練過程不出錯）；
3、維持課堂秩序（保證底層硬體之間的協作順暢）。
這難度就不是頂碗了，這是頂碗的時候踩着平衡木，手裏還得扔着五個球。。。
怎麼樣，這活兒不是誰都能幹的吧？
話説這些技能，火山引擎的老師傅也不是一開始就會的。但是。。。這幾年為了支撐抖音用户從1億到2億，從3億到6億，老師傅不會也得會。
比如他們搞出了"0碎片"技術，保證每一絲 GPU 都被用到極限；比如他們研發了一套AI專用的通信框架，讓原來25天才能訓完的模型用15天就能搞定。
大模型，那可是各家公司的寶貝疙瘩，很多創業公司幾十号人就開發這麼一個模型，自然要找最好的"學校"來培養。
看了一圈，火山引擎又有名校又有名師，妥妥的重點學校，來這兒也是順理成章了。
就這樣，從2022年開始，火山引擎和這些大模型公司陸續交上了朋友。
老師傅很清楚，這豪華"朋友圈"可不是誤打誤撞得來的，而是人家從心底相信火山引擎過去十年苦練的真功夫才會慕名而至——每一個朋友都來之不易，絕不能辜負，得幫人幫到底，送佛送到西啊！
怎麼才算幫人幫到底呢？
吳迪掏出老司機的經驗，開始盤算：
從2023年初到2023年底，這個階段大家應該都在"卷"大模型本身，AI 計算力主要會用于"模型訓練"；
但從這個時間節點往後，大家的模型都訓練得差不多了，目标是進入各行各業，那就得有"師傅"來進行各種"職業培訓"，也就是"模型精調"。
顯然從那時起，"精調"所占用的 AI 計算力肯定會慢慢攀升——2-3年後，"精調消耗的算力"就可能超越"訓練消耗的算力"。
就像下圖所示：
如此説來，火山引擎要想讓手裏的 AI 算力和 AI 底層技術在歷史長河裏奔騰不息，就得不斷根據水流調整開船的姿勢：
1）先把大模型請上船，幫它們用最低成本和最高效率做訓練；
2）再把千行百業務的客户也請上船，幫他們做精調和适配，讓大模型這種新技術順暢地融入他們的血液！
這，就是"火山方舟"大模型服務平台的由來。
怎麼樣，目标很清晰吧？吳迪拍拍浚源的肩頭，去幹吧！
不過突然被推入大海，從零開始造船，浚源還有點兒蒙——既然要做"平台"，火山方舟就得一手托兩家，左手是大模型公司，右手是用大模型的各行各業——得同時滿足兩方的需求才行。
那。。。怎麼才能讓兩方都滿意嘞？
浚源首先想到的就是：得給大模型配個"腦殼"！
（四）大模型最怕"裸奔"
細心的朋友想必已經觀察到了，人的大腦一般是不裸露在外面的。。。
這當然是因為大腦很柔軟，也很精密，需要被格外地保護起來。
大模型也是如此。
簡單來説，大模型有"兩怕"。
第一怕：大模型開發者怕使用者探測到它的模型結構。這樣一來，花費上千萬美元成本訓練的模型，就可能被人白嫖了呀。。。
第二怕：大模型使用者怕模型開發者看到它的數據。如果"用于精調的數據"和用户使用模型時的"請求數據"被拿走，那相當于企業機密就走光了呀。。。
這麻杆打狼兩頭害怕，還怎麼合作呀？！
诶，有辦法——像人腦那樣，給大模型加個"腦殼"呗！
浚源告訴我，這個"腦殼"的學名叫做"安全沙箱"。
簡單來説，它的原理是醬的：
1）安全沙箱綁在火山引擎上，既不屬于大模型生產方，也不屬于大模型使用方，與世隔絕。（沙子都漏不出去嘛！）
2）大模型生產方把模型 Copy 一份放在沙箱裏，大模型的使用方把一條條"請求"加密之後送進沙箱，再把用于解密的鑰匙放在沙箱裏。
這樣，全世界就只有這個沙箱裏的大模型可以看到請求的明文。
3）同樣，一條條回答從沙箱裏送出來時，也是加密的，只有大模型用户有解密鑰匙，這樣，就做到模型使用全程只有"天知地知你知我知"。
4）如果需要對模型進行"精調"，也是同樣的操作。大模型的使用方把自己用于精調的數據加密之後送進沙箱。
精調後的模型參數就留在沙箱裏，大模型的開發者也拿不出來。
總之，沙箱就像一個完美的特工：該説的説；不該説的打死也不説。
對于字節這群頂級老師傅來説，做出這個安全沙箱簡直是灑灑水，真正難的，是如何"一次成型"地把它快速做好。
确切地説，留給浚源的時間只有兩個月。
為啥要的這麼急呢？
很簡單的道理：火山引擎上的各個大模型正在緊鑼密鼓，都快訓練得八九不離十了！
腦子都快好了，腦殼還沒好，這哪行？！
可是，一個大模型的運轉過程中，數據會像水流一樣在雲上的計算、存儲、網絡這三個基礎設施裏來回"流竄"。
要想造出一個滴水不漏的沙箱，就必須像大壩截流一樣，把這三個峽口都堵嚴實，但凡有一樣隔離不徹底，都有可能造成數據泄露。
更難的是，這三樣基礎設施是由火山引擎底層技術部門維護的，不是浚源團隊自己説幹就幹的，得靠兄弟團隊配合。。。
幸好浚源平時靠譜。這張臉，此時不刷，更待何時？！
這不，整個四月份，他派出了好幾支"方舟遠征軍"，駐扎在各個產品團隊裏，上午説需求、中午聊架構，下午跟他們一起撸代碼，晚上一起撸串。。。
老師傅們就這樣一起撸了兩個月代碼，感情越撸越好，配合越來越默契，終于做出了一個緊致無比沙箱。
然後，他們馬不停蹄把幾大合作夥伴的頂尖大模型都塞進沙箱裏。
至此，賽博世界華燈璀璨，老師傅們在街邊列隊整齊，伸出温熱的小手，向千行百業的客户招呼——來呀，感受中國大模型的洶湧澎湃呀！
這個畫面太美，不妨讓它暫停一會兒。我先問你個問題：説了半天"千行百業"，你知道大模型到底能用在什麼行業麼？
我就不逞能了，直接讓吳迪回答吧。
他把目前大模型的應用場景抽成三類：
第一類是"生成"。比如大模型看了一堆A產品的資料後，就能變身"AI 客服"，顧客買了A產品，不用看説明書，遇到不會用的地方盡管提問，它都能對答如流。
第二類是"控制"。比如把大模型塞進汽車，它就能變成"AI 管家"。你説一句"我想在車裏打個盹兒"，它就能幫你把座椅放倒，把空調打到不吹人的舒适温度，車内燈光調暗，沒準還給你來個搖籃曲。
第三類是"輔助創作"。比如讓大模型看一堆遊戲設定和美術稿，他就能變身"AI 設計師"，遊戲開發者可以讓它自動生成符合遊戲畫風的道具、場景、NPC，還能創作符合 NPC 人設的對白。人類設計師只要在它的基礎上修改就行，大大節省了創作成本。
你發現沒，這些工作的共性就是：需要一些創造力，但不多。
或者你可以簡單理解：目前大模型能勝任的工作難度，大致相當于大專院校畢業3年以内人類社畜的水平吧。
之前説過，由于推理成本的限制，做這些工作只能使用比較小的大模型。
比較小的大模型，只有适配後才能更好地完成任務。模型越小，這個适配工作就越多。
如此説來，既然火山引擎鐵了心要幫助大模型在千行百業落地，那就必須有一個貼身團隊來服務客户——就像"保姆"一樣，幫他們配對合适的大模型，并且幫助他們降低使用成本。
那，這個"保姆"要誰來幹呢？
吳迪想來想去，在火山引擎内部，還真有一個"服務型人才"，那就是老科。
你還記得字節跳動有一張技術王牌麼？
沒錯，就是那個熊熊燃燒的可以同時幫幾億人推薦内容的"推薦引擎"。
好東西自然不能獨享。早在火山引擎還沒正式成立的2017年，"推薦引擎"就對外服務了——大大小小的企業都能用到"抖音同款"推薦引擎。而負責把這個推薦引擎接入千家萬户的服務團隊，正是老科的團隊。
讓他們來帶領大模型面向企業的服務（AI to B）團隊，有兩個肉眼可見的好處：
第一、火山的推薦引擎已經接入了千行百業，很多公司都已經成為了好朋友，老科團隊可以從裏面挑選最好最好的朋友"送福利"，讓他們優先試用"火山方舟"。
第二、畢竟大模型是人類科技的風口浪尖，客户試用之後難免會遇到些小問題。鑑于老科團隊跟客户們都有交情，客户們要是有啥不滿意，想打人的時候。。。下手不會太重。。。
2023年5月，火山引擎的幾位老師傅去桂林團建，在大自然鬼斧神工的美景裏，吳迪看着遠方，問老科："要不要來？"
老科説："來！"
（五）大模型的"保姆"和"紅娘"
話説，要想保姆出場，得先讓紅娘出場。
因為在我看來，老師傅面臨的困難，首先是"唐伯虎點秋香問題"。
舉個例子吧：
我是A公司的老板，我們公司生產一種"奪命3000"的格鬥神器，想用大模型做一個"AI 客服"。
此時我的角色就是唐伯虎。
我面前有一群"AI大模型"，我知道，裏面一定有一個模型最适合做"AI 客服"——成本最低，效果也最好。它就是我的"秋香"。
唯一的問題是：這群大模型都蓋着蓋頭，我不知道誰是"秋香"。。。
大模型是封閉在沙箱裏的，開發者不可能打開腦殼給我看；就算開發者願意給我看，面對一堆代碼，我哪知道它到底适不适合我？
這裏就要輪到"大模型紅娘"出場了！
老師傅鍵盤敲得飛起，開發了一套"大模型評測工具"，專門在"不掀開蓋頭（頭蓋）"的情況下，通過對話來評測這個大模型是不是你的"秋香"。
簡單來説，這個評測工具有兩個功能。
第一個功能："自動化評測"。
還拿A公司舉例吧。我不是想做"AI 客服"麼，那我可以自己寫一些符合我要求的"問題和答案"，打包成一個數據集，放在這個評測工具裏。
它會自動把火山引擎上所有的模型都跑一遍，然後給出分值。
分值越高，就説明這個模型給出的答案最接近我的數據集，那它就八九不離十是我的秋香了！
第二個功能："人工評測"。
我覺得我家的"AI 客服"不僅要能回答問題，説話還要有文采。
但"文采"這個事兒非常主觀，蘿卜青菜各有所愛，自動評測就不太好用了。
這時我就需要"自主命題"，比如讓所有的大模型都圍繞"蘿卜"給我寫首詩，我最喜歡誰的風格就選誰！
注意，我一直在説"我的秋香"，而不是"秋香"。
意思就是，這些頂尖大模型之間的"優劣"差異本沒那麼大，反而是看誰更适合你的任務需求。
換句話説，你的"秋香"不一定是别人的秋香，有可能是别人的"如花"。
這就引出了一個新問題：
假如我的A公司想用 AI 大模型完成不同的任務，不僅要做客服系統，還要做内部培訓系統，還要做宣傳文案輔助設計系統——對于不同任務，最适合的大模型很可能是不同的。
這相當于我不僅有唐伯虎，還有祝枝山、文徵明、徐祯卿。。。他們日後分别要和秋香、冬香、春香、夏香配對協作。
但每個大模型開發者都不同，可想而知操作它們的姿勢也不盡相同，這就很麻煩。
不用説，又到了"大模型紅娘"出場的時候了。
當時意識到各個模型操作不統一的問題，老師傅火速開發了一個"統一工作流平台"。
簡單來説就是，在每一個大模型的基礎上，都安裝一套"火山牌"轉接插頭。
這樣一來，七國八制的大模型就被歸攏為同一套操作流程，我只要學會跟"秋香"合作，那冬香、春香、夏香就都用同樣的姿勢就OK了！
掃清了這些障礙，我的A公司終于能"迎娶"秋香過門了！
這時，終于到了大夥兒一直期待的重要步驟——對秋香進行調教，也就是所謂的"模型精調"。
從這開始，也是老科的"保姆"團隊重點要做的事情了。
話説之前咱們一直沒來得及解釋，到底啥是精調。
沿用我們的比喻，就是唐伯虎迎娶秋香之前，要把唐家府上的各種規矩拿出來，給她進行一套"職業培訓"。讓她在學習了社會的一般規範（在模型訓練階段就完成了）的基礎上，繼續學習唐府的個性規範（需要精調來做）。
具體的做法和訓練模型時類似，也要拿來一些教科書（如果讓它做"AI 客服"，這裏就需要"產品説明書"的數據），然後請老師（機器學習平台）來上課，把大腦裏的所有模型再刷幾遍。
精調之後，秋香就不再是純粹的秋香，而是"唐家夫人"了。
到這兒，保姆可以撤了吧？！不行，還有重要任務沒完成。
那就是——玩兒命降低模型推理成本。
别忘了，在大模型訓練的時候，"秋香"可是看了全世界的知識，這些知識她都學雜了，既會三國殺，又會C++。從摩托車維修技術到母豬產後護理，沒它不懂的。
但講真，做為一個"AI 客服"。。。并不需要懂母豬的產後護理。
所以，這裏就要對模型進行剪枝，也就是忘掉一些一輩子都用不到的知識。
忘記之後大腦就"瘦身"了，每次思考時"過電"的腦細胞少了，耗費的能源自然就少了，推理成本也就大幅下降了！
剪枝做完了，保姆的任務完成了嗎？還沒有。
老師傅還可以通過算子優化，繼續降低推理成本。
簡單來説就是：既然知道這個"AI 客服"日後會經常思考哪些内容，不如現在就把這部分"腦回路"加固一下，做成一些思考的"快捷方式"。讓它每次推理這些固定問題時能夠更快速、更省流。
畢竟模型日後要進行億萬次推理，每次哪怕省出幾個電子，那累積起來都是巨大的成本節省。
看到沒，老科帶着老師傅"逮住蛤蟆攥出團粉"——把能想的辦法都想絕了。。。
有的模型經過他們一番調整，推理成本甚至能下降到最初的十分之一！
話説，大模型在整個人類歷史中也才出現了半年，雖然老科是人工智能老司機，但很多地方也得摸着石頭過河。
為了盡快積累經驗，他們經常是組團去給客户精調模型——客户那邊出一個工程師，老科這邊能派出去好幾個，這陣仗可給客户吓得不輕。。。
"這麼幹，成本能受得了麼？"我表示震精。
"我們當然不會一直這樣做。每次回來，我們都會把适配的經驗盡快沉澱成工具，以後再做同樣的事情，就會用工具輔助人來做。慢慢地工具的比重越來越大，人的比重越來越小，最終的目的就是讓客户自己用工具輕松完成精調和适配！"
他笑。
聊到這兒時，我突然想到了字節跳動創始人張一鳴的一句話："大部分事情你做第二遍的時候，要麼做得更快，要麼做得更好。"
這恐怕是"人類"和"人工智能"所共享的進步哲學，也是根植在字節跳動這群老師傅心裏的技術信仰。
總之，整個2023年的6月，火山方舟上老師傅和用户面前仿佛擺了一桌"螃蟹"，兩邊一起吃，邊聊邊吃，把酒臨詩，一場人類技術的艱難求索，就此變成了江心縱舟，登極遠目。
2023年6月28日，老師傅向左跟幾個大模型供應商挑了挑眉毛，向右跟幾十家内測客户确認了眼神，決定正式對外發布"火山方舟"平台。
從春天艱難的從零起步，到夏天方舟氣象初成，只經歷了三個月時間。
（六）"人類之子"
在我和火山這群老師傅聊天的時候，方舟平台剛剛發布。
無數具體的大模型應用都在緊鑼密鼓的精調訓練中，老科得幫客户保守秘密，不能給我講得太詳細。
他告訴我，不用着急，醜媳婦肯定會見公婆——從現在開始到年底之前，大家會看到各行各業的大模型應用"井噴"。
大模型對我們的生活到底有啥改變，每個人都都能用今後的每一天慢慢體會。
但是，對于火山方舟的老師傅來説，他們沒工夫坐在山頭抽着旱煙欣賞自己的"造物"，打怪更新的道路才剛剛開始。
大模型就像一個"人類之子"，他可以不只有"腦子"，還可以有"手腳"。
啥是手腳呢？
比如，大模型可以寫代碼，但是寫好的代碼只能展示給人類，人類再粘貼到運行環境裏運行。如果給大模型插上一個運行環境，它不就可以直接寫好代碼運行了嗎？如果遇到代碼錯誤，它就可以根據運行結果繼續調試，直至開發成功。
再比如，大模型可以給你生成菜譜，但需要你照着菜譜自己炒菜啊！如果把一個機械臂連在大模型上，它就可以按照菜譜給你直接把菜做出來了！
這些連在大模型上的系統，統稱"插件"。有了插件，大模型就相當于有了手腳。
怎麼樣，你有什麼感覺？
沒錯，這不就是科幻電影裏的"機器人"麼？
你看，一旦有了插件，大模型就從一個"缸中之腦"變成了開放世界的真實玩家。
腳下的地圖拓展成無窮，伴随的可能性也變成了無窮。在人間遊走，它對倫理、文化、技術邊界、哲學的衝擊，可能将會次第展開。
可以這樣説：
站在天空俯瞰，人類對大模型的應用歷史就像一座迷宮。
但此時此刻，我們不僅不知道出口，而且，連迷宮的形狀和特點還沒完全探索清楚。
但除了接受挑戰，我們别無選擇。
不過對于火山方舟的老師傅來説，仍舊有三件事兒是絕對正确的，那就是：降低成本、降低成本、還是降低成本！！
浚源告訴我，除了老師傅十年來磨煉的人工智能"訓練加速"和"推理優化"技術之外，還有一些更大的變量在影響大模型的成本。
比如，有沒有可能繼續把大模型做得更"精專"？
現在各行各業正在使用的大模型一般都有1000多億個參數。但是，如果大幅降低大模型的參數，例如降到60-70億個，會怎麼樣呢？
這種大模型，在普通人眼裏顯然不夠"聰明"，但它用來完成極其特定的任務，卻是非常省錢的！
就拿微軟來説，他們就做了一個極小的 GPT，塞進 Excel 裏，做成了 ExcelGPT。
這個 ExcelGPT 只會做一件事兒——按照常識幫你把表格補齊。
你看，這個大模型既不用懂摩托車修理，也不用懂母豬的產後護理，它只需要理解簡單的常識。用一個極小的大模型就能完成任務！
看到這你也許有點懵，那到底多大的模型最合适呢？
這個問題，火山引擎的負責人譚待在方舟發布會上，用一個有趣的比喻做了回答：
就拿我們公司來説，我們有一些博士，攻堅最難的任務；但我們公司不都是博士，也有很多研究生、有更多大學生，他們每個人都負責相應的任務，讓成本和產出達成最優的平衡。
相信大模型也是這樣，未來一個公司可能同時使用很多大模型，有超大的模型負責最需要創造力的任務，也有小模型和專業模型負責更普遍的任務。
這些模型結合起來，各安其位，才是大模型的完整生态。
除了模型大小以外，底層的 GPU 的算力當然也會影響大模型的成本。
那。。。GPU 未來的算力會怎樣發展呢？
浚源非常樂觀："在 AI 算力上，摩爾定律并沒有失效，這些年都是非常平穩地"兩年翻一倍"。"
英偉達創始人黃仁勳曾經預言，GPU 計算力仍将以超越摩爾定律的速度增長。
"那，大模型豈不是會越來越聰明？"我驚訝。
"我個人預計，大概20年後，人工智能的算力會達到現在的幾百倍至一千倍。到那時，我們就能做出和人腦復雜度差不多的大模型。"他説。
"你的意思是，那時我們就能做出和人腦一樣聰明的人工智能？"我問。
"希望如此。畢竟越來越多的證據表明，人腦本身沒什麼秘密，算力到了，數據量到了，自然就會達到這樣的能力。而且，復制一個人要20年，它的遺傳還不穩定；而復制一個大模型，我們只需要20分鍾。"
如此科幻的結論，他卻説得很冷靜。
告别浚源和這群老師傅之後，這些話在我腦袋裏反復回蕩。
我感覺自己仿佛站在一扇大門前，雪白的光浪從外面拍打着大門，我站在一個廣袤的新世界跟前，只是尚且不能目睹它的真容。
火山方舟試圖降低"智能的成本"。
而從"智能的成本"這個角度出發去思考，本身就充滿了野心——它在讓腦力勞動标準化。
自古以來，有無數哲學家、經濟學家、社會學家都試圖為人類的思考定價。
然而，人有不同的價值觀，有不同的經歷和過往，有復雜的情感訴求——你我的付出和回報，并非用簡單的成本和收益就能計算。從這個角度來講，并不存在一個普遍意義上的"平均的人"。
以至于，精巧的經濟學理論可能在一個歷史時期做出精确預測，但終究會随着人類精神的進步而走向失效。
大模型這個"人類之子"恰恰解決了這個問題。
當無數個"人類之子"崛起，AI在全社會腦力勞動中占比越來越高時，"智能"就會成為一種新的石油——如汽油按照純度進行标号，人類也将制造出不同标号的"大腦"，從而清晰地為"智力勞動"定價。
在這個錨點之上，技術就會成為一個跷跷板：
在它的一邊，AI 的成本不斷下降，去做過去不得不由人類完成的"平均智力勞動"；
在另一邊，寶貴的、無法定價的人類思考會從泥濘中解放出來，去思考更加寶貴的、無法被定價的命題。
未來的某一天，我們也許會坐在漫天星光之下，琢磨自己存在的意義。
那時，不知有沒有人會突然回想起幾十年前，曾有這樣一群人為了創造一個完美世界而拼盡全力。
