北京2023年12月12日 /美通社/ -- 2023年，全球科技領(lǐng)域最重要的事，就是新一輪人工智能大模型競賽。隨著OpenAI公司發(fā)布ChatGPT一鳴驚人，國產(chǎn)大模型如雨后春筍般噴涌而出，"百模大戰(zhàn)"盛況吸引全球關(guān)注，大模型的發(fā)展速度日新月異。然而，大模型早已從單一技術(shù)比拼，升級為整個體系生態(tài)的競爭，決勝關(guān)鍵點在于誰能夯實基礎(chǔ)、系統(tǒng)布局，更好迎接AI驅(qū)動的"算力時代"。

近日，在AICC 2023人工智能計算大會上，新智元創(chuàng)始人&CEO楊靜在大模型創(chuàng)新主題圓桌論壇，與循環(huán)智能AI負責人陳虞君、中國科學院自動化研究所研究員張家俊、浪潮信息人工智能軟件研發(fā)總監(jiān)吳韶華圍繞大模型時代的智算機遇、痛點與破局之道展開思想碰撞。

與會嘉賓指出，中國大模型發(fā)展與應用落地仍處于探索時期，需要在算法、數(shù)據(jù)、算力三方面進行創(chuàng)新，通過用戶反饋和實踐創(chuàng)新反哺大模型，進一步夯實基礎(chǔ)大模型技術(shù)，推動大模型的場景化落地。

以下是圓桌問答實錄整理：

楊靜：百模大戰(zhàn)各顯神通，頭部的玩家結(jié)合自己的優(yōu)勢布局大模型，也想請各位分享一下各自的大模型業(yè)務布局。

陳虞君："提升大模型長文本能力，降低幻覺問題"

循環(huán)智能基于ToB的服務經(jīng)驗，我們希望能夠讓大模型的長文本能力盡可能在各種企業(yè)應用上產(chǎn)生價值，同時降低大模型幻覺問題。我們的業(yè)務也是基于如何提升改善大模型這兩個能力展開的，希望利用這兩個特性產(chǎn)生一些針對企業(yè)的更好用的大模型應用。

張家俊："打造多模態(tài)大模型，解決實際問題"

我們暫時還沒有成立工程實體，業(yè)務布局更多的是ToB和ToG。除此之外，我們在做多模態(tài)大模型，可以更容易地落地行業(yè)場景。我們不強調(diào)是大語言模型或者多模通用，而是在實際場景當中解決實際問題，通過我們的探索，確實比以前降本增效了，之前解決不了的問題能夠解決了。

吳韶華："筑基基礎(chǔ)大模型，助力行業(yè)落地"

浪潮信息始終把精力投入在基礎(chǔ)模型創(chuàng)新層面，全面的賦能應用層的開發(fā)者、元腦生態(tài)伙伴去觸達最終的用戶。我們認為當前在大模型領(lǐng)域，只有先把基礎(chǔ)模型能力真正提上去了，大模型在行業(yè)應用層面才能真正解決碎片化的問題，才能更好的支撐行業(yè)場景的落地。

楊靜：基礎(chǔ)大模型發(fā)展的技術(shù)突破口是什么？我們應該如何破局，才能創(chuàng)造出高性能的大模型，盡快追趕上GPT4？

吳韶華："算法數(shù)據(jù)雙創(chuàng)新，打造內(nèi)部飛輪"

如果想接近甚至超越GPT4的能力，一定要同時考慮算法和數(shù)據(jù)。首先是算法，不能一味的使用LIama結(jié)構(gòu)或者Transformer結(jié)構(gòu)，而不做任何創(chuàng)新。其次是數(shù)據(jù)，OpenAI的數(shù)據(jù)飛輪效應是非常顯著的，他們可以通過各種途徑收集非常多的實際用戶的真實反饋。在這種情況下，想要接近甚至超過GPT4的核心是創(chuàng)新，尤其是算法和數(shù)據(jù)兩方面的創(chuàng)新。

基于源2.0的實踐，為了獲取高質(zhì)量的中文數(shù)學數(shù)據(jù)，我們清洗了從2018年至今約12PB的數(shù)據(jù)，最后僅得到10GB的中文數(shù)學數(shù)據(jù)。而這不到10GB數(shù)據(jù)還有很大的質(zhì)量提升的空間。對此，我們選擇用大模型合成數(shù)據(jù)，構(gòu)建了內(nèi)部的數(shù)據(jù)清洗工具和平臺，利用工具快速實現(xiàn)了內(nèi)部獲取非常緊缺的數(shù)據(jù)、高質(zhì)量的數(shù)據(jù)。

張家俊："跟隨無法超越，大膽創(chuàng)新、大膽嘗試，利用專長能力解決實際問題"

在追趕和超越GPT4的過程中，我們面臨著不知道它的算法，不知道用了哪些數(shù)據(jù)的問題，這使得我們無法跟隨和全面驗證GPT4，只能在某些數(shù)據(jù)集上，在某些能力上超越了GPT4，沒有一個全面的、公認的度量標準。所以跟隨它永遠超越不了，我覺得應該是創(chuàng)新。一方面要從數(shù)據(jù)配比層面創(chuàng)新，另外從模型算法創(chuàng)新，在模型結(jié)構(gòu)上大膽嘗試、大膽變化，跟隨是解決不了根本問題的。

值得注意的是，我們并不一定需要達到GPT4的能力才能將技術(shù)應用于實際場景中，比如我們解決了模態(tài)方面的理解問題，解決了可控性，安全性的問題，很多領(lǐng)域都可以用，沒有必須達到GPT4的能力。

陳虞君："以終為始，加強用戶共創(chuàng)，發(fā)現(xiàn)模型局限性問題，實現(xiàn)創(chuàng)新突破" 

對于大模型來說不存在真正意義上的突破點，比如沒有大模型技術(shù)之前，谷歌的機器翻譯做的就很好了。不同的問題會有不同的臨界點，我們需要具體分析，有些問題可能大模型可以直接解決，而有些問題則可能需要長時間的迭代。其次，我們不應只追求如何追趕或者超越GPT4，從構(gòu)建、訓練一個大模型的角度來說，我們更應該去思考怎么樣讓大模型理解人類的意圖，讓大模型真正幫助我們完成任務。

我們以終為始去看這個問題，發(fā)現(xiàn)當前的模型存在很多局限性，比如不能支持長文本、存在幻覺、語義理解輸出不穩(wěn)定，包括GPT4也存在一些局限。這塊我們做了兩方面努力，一方面，所以我們孵化了一家ToC的公司，與所有使用模型的用戶進行共創(chuàng)。另一方面，我們也廣泛的和我們B端的合作伙伴進行共創(chuàng)，讓模型在合作伙伴身上產(chǎn)生價值。我們相信，只有盡可能多的使用模型，才能知道模型的局限點在哪里，才能夠有所創(chuàng)新突破。

楊靜：目前堆算力一直被認為是驅(qū)動大模型進化的有效手段，但是算力荒已經(jīng)成為業(yè)界共有的問題，從貴公司的發(fā)展狀況來看，對于創(chuàng)新基礎(chǔ)設(shè)施，提升大模型訓練效率層面有哪些可以分享的經(jīng)驗？

陳虞君："用盡可能少的真實的數(shù)據(jù)實現(xiàn)盡可能好的訓練效果"

算力荒現(xiàn)在是普遍存在的問題，OpenAI也會存在算力荒。我們能夠做的就是在盡可能少的資源的情況下，能夠通過算法、數(shù)據(jù)上的創(chuàng)新，來應對這一問題。我們可以利用盡可能少的真實的數(shù)據(jù)實現(xiàn)盡可能好的效果，我們節(jié)省了很多算力的情況下達到了相近或者更好的效果這種形式。從算法上來說我們借助非常好的訓練方法，讓模型盡可能需要少的算力的情況下達到盡可能好的效果。

張家俊："算力是重要因素，但算力荒不會阻礙創(chuàng)新"

算力在訓練大模型時確實是一個重要因素，OpenAI使用大算力訓練出的模型表現(xiàn)確實優(yōu)于小算力訓練出來的小模型，這是公認的事實。然而，這并不意味著我們必須擁有與OpenAI相當?shù)乃懔Σ拍苓M行創(chuàng)新，算力不會阻礙我們的創(chuàng)新。盡管我們可能需要訓練更長的時間，比如OpenAI訓練兩個月的時間我們需要訓練半年，但只要我們擁有適當?shù)乃惴ê蛿?shù)據(jù)，我們?nèi)匀豢梢詫崿F(xiàn)創(chuàng)新。

吳韶華："大模型結(jié)構(gòu)、分布式訓練算法、數(shù)據(jù)協(xié)同優(yōu)化，降低算力需求"

這個問題的本質(zhì)在于大模型訓練時，大家普遍認為算力越大模型性能越高，但實際上這個觀念主要來自于早期的研究，當模型參數(shù)量和數(shù)據(jù)量增大時，模型的精度會有所提升。但這種提升會被折算到算力上，導致形成了算力越大模型性能越高的觀念。但現(xiàn)在的大模型訓練范式已經(jīng)發(fā)生了變化，引入了指令微調(diào)，幾千條高質(zhì)量的數(shù)據(jù)就可以提升模型能力，所以是否需要在預訓練階段投入大量算力成為了一個問題。

根據(jù)開發(fā)源2.0的經(jīng)驗來看，我們清洗了互聯(lián)網(wǎng)上12PB的數(shù)據(jù)，只得到了10GB的中文數(shù)學數(shù)據(jù)。在這種情況下追求數(shù)據(jù)的體量沒有意義，如果能夠找到有效的手段把數(shù)據(jù)量降下來，算力需求就會降下來。在源2.0的開發(fā)過程中，我們整體數(shù)據(jù)體量并不大，但是內(nèi)部評估質(zhì)量非常高，這是提升算力效率的一個非常有效的手段。同時在設(shè)計模型結(jié)構(gòu)的時候，在相同的架構(gòu)下盡可能降低參數(shù)量，這樣能提升參數(shù)效率，也能節(jié)省算力，相當于從算法層面考慮算力的開銷。除此之外，目前成型的分布式訓練算法，實現(xiàn)的前提是芯片之間的P2P帶寬要足夠高，要滿足張量并行對于通信巨大的需求。對于這種情況，我們針對算力大規(guī)模分布訓練做了額外的工作，可以降低大模型訓練過程中對于通信帶寬的需求，可以用更多樣化的設(shè)備訓練大模型。

楊靜：大型預訓練模型已經(jīng)展現(xiàn)出了強大的性能，但在行業(yè)中的應用仍然面臨一些挑戰(zhàn)，如部署、定制化、數(shù)據(jù)隱私和安全性等問題。那么，大家認為大型預訓練模型應如何走向行業(yè)并發(fā)揮其潛力呢？

陳虞君："攜手合作伙伴、行業(yè)專家教授大模型行業(yè)知識"

循環(huán)智能從2019年開始做商業(yè)化落地，一直在思考如何實現(xiàn)AI模型落地行業(yè)，所以在推出相關(guān)產(chǎn)品的時候，也關(guān)注了一些包括銀行、保險、汽車、房產(chǎn)等在內(nèi)的十個左右的行業(yè)需求。今年在使用大模型去解決各個行業(yè)問題的時候，我們發(fā)現(xiàn)大模型落地一個比較有挑戰(zhàn)的點是每個行業(yè)都有不一樣的專業(yè)知識和knowhow，比如法律公司對模型的輸出準確性要求非常高，需要模型讀懂整篇的法律法規(guī)，并且必須一字不差地輸出法規(guī)內(nèi)容，同時需要模型記住法律法規(guī)對應的章節(jié)號；而在房地產(chǎn)營銷的場景，通過對銷售與客戶溝通場景的抽取，我們發(fā)現(xiàn)類似于"200的500"這種的行業(yè)"黑話"，代表了房子面積是200平米，對應的是500萬的價格；而對于金融行業(yè)需要理解財報表格信息，這些都是大模型落地行業(yè)過程中我們遇到的問題。所以實現(xiàn)大模型落地行業(yè)的最重要的一個步驟，就是和合作伙伴、行業(yè)專家一起去教授大模型行業(yè)知識。同時，我們也在構(gòu)建一個合作的形式，能夠讓盡可能多的合作伙伴加入一起打造大模型，通過大量的客戶反饋，發(fā)現(xiàn)模型當前存在的問題，找到下階段的進化方向。

張家俊："放低姿態(tài)，用戶預期管理，多接觸，多耐心"

第一，放低姿態(tài)。我們的大模型是讓大家拿去直接用的，很多場景下我們要放低自己的姿態(tài)。第二，用戶預期管理。我們需要給出一個解決問題所需時間的預期，因為不同行業(yè)會有各種不同的問題需要解決，我們要避免給客戶過高的預期，實事求是地解決問題。第三，多接觸。讓大家多使用，發(fā)現(xiàn)問題、解決問題，從用戶反饋的角度會越來越好。第四，多耐心。不管做大模型，還是作為用戶，培養(yǎng)大家多耐心，未來肯定越來越好。

吳韶華："大模型共訓，賦能開發(fā)者觸達應用場景"

對于源2.0模型來說，我們推出大模型共訓計劃，這個計劃的核心出發(fā)點希望能夠讓我們的研發(fā)團隊，能夠接觸到所有的開發(fā)者。開發(fā)者提出自己的應用或場景的需求，提供1~2條示例，由我們來準備訓練數(shù)據(jù)并對源大模型進行增強訓練，訓練后的模型依然在社區(qū)開源。同時，我們還有另外一種形式，浪潮信息會賦能合作伙伴，把我們在模型能力上的經(jīng)驗提供給他們，助力伙伴們把這些應用到行業(yè)當中。

楊靜：現(xiàn)如今大家都面臨著算力緊缺的問題，大模型訓練也離不開充足算力的支持。所以請問各位嘉賓，目前看到或者正在做哪些工作來適應算力多元化的時代趨勢的？

陳虞君："避免算力重復和浪費，集中行業(yè)知識合作共訓"

大家的訓練應該是合作共訓的邏輯，不同的行業(yè)會有不同的知識，我們應該盡可能地匯聚這些知識，利用有限的算力資源共訓，這樣就能夠達到節(jié)省算力的地步，避免大量算力的重復和浪費。

張家俊："不會把雞蛋放在一個籃子里，走國產(chǎn)化大模型之路"

我們的做法是不會把雞蛋放在一個籃子里，我們也會用到國內(nèi)外的各種算力。我們從2020年開始走國產(chǎn)化的大模型道路，一直堅持這條路，幾乎國內(nèi)所有的芯片算力都適配過，這樣可以保證我們有能力保留訓練大模型的方案。

吳韶華："從系統(tǒng)層面應對算力多元化趨勢"

浪潮信息開發(fā)了一套框架，利用這套框架里面的一層，可以專門管理各類算力，我們從系統(tǒng)的角度為業(yè)界面向多元算力提供一個方案。