大模型冷思考：企業(yè)“可控”價(jià)值創(chuàng)造空間還有多少？

　 域名預(yù)訂/競(jìng)價(jià)，好“米”不錯(cuò)過(guò)

文 | 智能相對(duì)論

作者 | 葉遠(yuǎn)風(fēng)

毫無(wú)疑問，大模型熱潮正一浪高過(guò)一浪。

在發(fā)展進(jìn)程上，從最開始的技術(shù)比拼到現(xiàn)在已開始全面強(qiáng)調(diào)商業(yè)價(jià)值變現(xiàn)，百度、科大訊飛等廠商都喊出類似“不能落地的大模型沒有意義”等口號(hào)。

在模型類型上，除了百度文心大模型、訊飛星火認(rèn)知大模型、阿里通義千問大模型等通用大模型，醫(yī)藥研發(fā)、金融等垂直大模型正積極涌現(xiàn)。幾個(gè)月前，新華三集團(tuán)在業(yè)內(nèi)首提“私域大模型”概念，并發(fā)布融合了行業(yè)屬性及地域?qū)傩缘乃接虼竽Ｐ?mdash;—“百業(yè)靈犀”LinSeer，為行業(yè)增添了企業(yè)落地大模型的創(chuàng)新類型。

而在更直接的數(shù)字上，截止到2023年10月初，國(guó)內(nèi)僅公開的大模型數(shù)量已達(dá)238個(gè)，百模大戰(zhàn)正在升級(jí)千模大戰(zhàn)。

……接近一年的熱潮后大模型沒有冷卻的跡象，行業(yè)普遍的共識(shí)形成，這不是風(fēng)口，而是技術(shù)革命。

然而，歷史一次次證明，賽道越是熱鬧，參賽者越需要冷靜的思考。

種種跡象顯示，雖然看起來(lái)百花齊放，但事實(shí)上AI三大要素（算力、數(shù)據(jù)、算法），以及大模型發(fā)展的行業(yè)規(guī)則中，當(dāng)下以及未來(lái)很多因素已經(jīng)既定，一頭熱扎進(jìn)去的企業(yè)們，更應(yīng)該尋找的是那些不由既成的客觀因素所限制、能夠進(jìn)行自我價(jià)值發(fā)揮的地方，才能盡可能獲得相對(duì)競(jìng)爭(zhēng)優(yōu)勢(shì)。

算力“積木化”，可控價(jià)值創(chuàng)造集中到“調(diào)度”環(huán)節(jié)

算力常常被視為大模型發(fā)展的瓶頸問題，但是，如果從是否“可控”的視角看，在業(yè)務(wù)層面企業(yè)能自己做出決定從而影響算力獲取的地方，其實(shí)越來(lái)越少。

IT時(shí)代Windows+Intel構(gòu)建起WinTel體，演變?yōu)橐苿?dòng)互聯(lián)網(wǎng)時(shí)代安卓+ARM（以高通為代表），到了大模型時(shí)代，又進(jìn)一步演化為AI大模型+GPU——在當(dāng)前，Nvidia已經(jīng)成為大模型趨同的算力來(lái)源。

2021的Ampere（對(duì)應(yīng)A100等）、2022年的Hopper（對(duì)應(yīng)H100等）、2023的Ada架構(gòu)……性價(jià)比高不高，要看Nvidia架構(gòu)發(fā)展有多快。

算力不再是瓶頸，或者說(shuō)，其“總體基本面”的提升并沒有什么操作空間——要多少算力就需要多少資本投入，反過(guò)來(lái)有多少資本投入基本也能買來(lái)多少算力。

當(dāng)算力“口子”被外部技術(shù)、內(nèi)部預(yù)算等限定，通過(guò)調(diào)度提升既有資源利用效率，就成為企業(yè)“可控”的價(jià)值創(chuàng)造過(guò)程。特別是私域大模型，對(duì)于企業(yè)來(lái)說(shuō)，AI大模型的大小需要平衡算力和能耗的開支，應(yīng)選擇適合行業(yè)特點(diǎn)和業(yè)務(wù)特點(diǎn)的大模型進(jìn)行私域部署。

此時(shí)，如何榨取硬件資源提供的每一滴能力，加速模型的訓(xùn)練速度成為首要考慮的問題，而這方面術(shù)業(yè)有專攻，往往依賴基礎(chǔ)設(shè)施服務(wù)廠商——針對(duì)算力等底層基礎(chǔ)設(shè)施提供支撐成為考驗(yàn)各個(gè)服務(wù)廠商最基本的能力，其中尤以算力調(diào)度能力是其重點(diǎn)。

算力調(diào)度往往需要多維能力協(xié)同，所以，作為業(yè)內(nèi)首倡私域大模型的新華三給出了自己的回答：依托通過(guò)傲飛算力平臺(tái)實(shí)現(xiàn)算力調(diào)度的“最優(yōu)解”，讓算力可以最大化的按需調(diào)度。另一方面以綠洲平臺(tái)實(shí)現(xiàn)大模型所需的數(shù)據(jù)支撐，同時(shí)在分布式訓(xùn)練等需求下以智能無(wú)損網(wǎng)絡(luò)支持AI集群訓(xùn)練，配備高性能存儲(chǔ)帶來(lái)更好的底層存儲(chǔ)支撐，甚至還建設(shè)有液冷數(shù)據(jù)中心來(lái)維持算力輸出的穩(wěn)定性，以此構(gòu)成一套完整的智算解決方案。

而新華三算力調(diào)度的“主腦”傲飛算力平臺(tái)則具備異構(gòu)計(jì)算資源統(tǒng)一管理、多元算力資源智能調(diào)度的能力，提供包含智能標(biāo)注、智能訓(xùn)練、智能調(diào)優(yōu)、智能部署、智能推理的全流程算力智能調(diào)度能力。

按官方數(shù)據(jù)，該平臺(tái)能夠?qū)⑺懔寐侍岣咧?0%以上。同時(shí)，還支持8000節(jié)點(diǎn)的算力調(diào)度，并發(fā)訓(xùn)練時(shí)間縮短至50%，且斷點(diǎn)自動(dòng)接續(xù)無(wú)感知訓(xùn)練更穩(wěn)定，在既有GPU資源下能全方面提升大模型訓(xùn)練性能。

說(shuō)白了，就是通過(guò)一系列算力流程環(huán)節(jié)的銜接優(yōu)化（尤其是面對(duì)并行計(jì)算與分布式計(jì)算需求），在充分保障訓(xùn)練與應(yīng)用需求的同時(shí)降低GPU的空閑時(shí)間，讓巨大成本獲取來(lái)的算力資源工作盡可能飽和。

總體而言，這一整套高性能算力集群及調(diào)度讓客戶能夠?qū)崿F(xiàn)算力、存力、運(yùn)力協(xié)同感知，實(shí)現(xiàn)算力資源充分供給、靈活部署、異構(gòu)算力最優(yōu)調(diào)度——雖然有多少算力資源很難控制，但用好這些資源企業(yè)卻能夠做到完全可控。

當(dāng)然，除了提升算力利用效率，行業(yè)中一些做法還在試圖通過(guò)其他方式直接降低模型訓(xùn)練對(duì)GPU資源的要求，例如數(shù)據(jù)存儲(chǔ)層面進(jìn)行算子優(yōu)化等，未來(lái)或也存在較大的價(jià)值開發(fā)空間。

數(shù)據(jù)“斷面化”，以數(shù)據(jù)質(zhì)量建設(shè)帶來(lái)“護(hù)城河”成為企業(yè)的必然選擇

目前，企業(yè)能夠獲得的數(shù)據(jù)量來(lái)源主要包括公開的數(shù)據(jù)集與自身沉淀。

在當(dāng)下時(shí)間斷面，這兩種都只能被動(dòng)等待或由時(shí)間積累，數(shù)據(jù)“量”其實(shí)很難有突破，優(yōu)勢(shì)有就是有，沒有就是沒有，并不可控。

當(dāng)然，也有一些企業(yè)試圖主動(dòng)出擊，例如國(guó)外公司Inflection AI以大規(guī)模提問的方式來(lái)主動(dòng)提升數(shù)據(jù)沉淀速度，但這顯然這并不會(huì)是主流。

“量”上不可控，則可控的價(jià)值創(chuàng)造空間必須更聚焦于“質(zhì)”上。

中信智庫(kù)《人工智能十大發(fā)展趨勢(shì)》認(rèn)為，“未來(lái)一個(gè)模型的好壞，80%由數(shù)據(jù)質(zhì)量決定。”

從長(zhǎng)遠(yuǎn)視角看，大模型的競(jìng)爭(zhēng)并不是要比誰(shuí)跑得更快，而是比誰(shuí)走得更遠(yuǎn)，這就需要大模型真實(shí)的應(yīng)用效果，也就需要通過(guò)各種方式提升數(shù)據(jù)質(zhì)量，來(lái)鍛造大模型發(fā)展的“內(nèi)功”。

在數(shù)據(jù)的計(jì)劃、獲取、存儲(chǔ)、共享、維護(hù)、應(yīng)用等環(huán)節(jié)，都需要針對(duì)性的數(shù)據(jù)管理、治理，最終提升數(shù)據(jù)質(zhì)量。這是一個(gè)系統(tǒng)性工程，也為市面上的基礎(chǔ)設(shè)施服務(wù)商們帶來(lái)了機(jī)會(huì)。

例如新華三的綠洲平臺(tái)就以場(chǎng)景需求為導(dǎo)向，打造了一個(gè)圍繞數(shù)據(jù)采集、存儲(chǔ)、管理和應(yīng)用的全棧數(shù)據(jù)平臺(tái)。

通過(guò)內(nèi)置AI算法，綠洲平臺(tái)大大提升了數(shù)據(jù)標(biāo)記能力，讓數(shù)據(jù)治理、數(shù)據(jù)開發(fā)等過(guò)去很繁雜的流程工作變得極為簡(jiǎn)單，而知識(shí)圖譜構(gòu)建能力則幫助數(shù)據(jù)躍升為知識(shí)，從而能夠更好地被業(yè)務(wù)場(chǎng)景所使用。

事實(shí)上，數(shù)據(jù)深加工帶來(lái)高質(zhì)量數(shù)據(jù)訓(xùn)練一直是前沿大模型的核心競(jìng)爭(zhēng)力所在，OpenAI一貫公開其訓(xùn)練過(guò)程及算法，但對(duì)數(shù)據(jù)如何處理緘口不言。

回過(guò)頭來(lái)看，數(shù)據(jù)的“要素化”與“資產(chǎn)化”正在讓百行百業(yè)再次審視數(shù)據(jù)的價(jià)值，在數(shù)據(jù)越來(lái)越作為一種新型生產(chǎn)力要素的時(shí)代，大模型的本質(zhì)可以視作一種挖掘數(shù)據(jù)要素價(jià)值的工具，而工具不決定價(jià)值，只決定效率。

大模型終將走入底層成為一種普遍的后端能力，技術(shù)本身越來(lái)越無(wú)法成為護(hù)城河，而數(shù)據(jù)則代表了企業(yè)在前端與客戶/用戶的連接程度，數(shù)據(jù)要素的價(jià)值釋放將成為企業(yè)真正的“護(hù)城河”。

所有的數(shù)據(jù)類平臺(tái)提升數(shù)據(jù)質(zhì)量的過(guò)程，就是在幫助企業(yè)進(jìn)一步挖掘數(shù)據(jù)要素價(jià)值、沉淀數(shù)據(jù)資產(chǎn)，真正打造企業(yè)的“護(hù)城河”。

算法“收斂化”，殊途同歸下企業(yè)需聚焦訓(xùn)練效率提升

算法是大模型的能力核心，但長(zhǎng)期來(lái)看，算法能力卻終將“收斂”。

目前的大模型算法基本上都基于Transformer架構(gòu)，該架構(gòu)解決了過(guò)去RNN架構(gòu)難以并行化等核心缺陷，是基因“優(yōu)勝劣汰”的結(jié)果，BERT、GPT、T5、GLM等都其“衍生品”。

所以，算法生來(lái)都幾乎有著相同的“基因”。

而在開發(fā)框架層面，伴隨著開源生態(tài)建設(shè)，國(guó)外的TensorFlow、Pytorch，國(guó)內(nèi)的MindSpore等幾個(gè)主流框架逐步成為共同的選擇。

這意味著，算法的后天的“成長(zhǎng)環(huán)境”也逐步趨同。

先天+后天，算法創(chuàng)新當(dāng)下看起來(lái)百花齊放，但在未來(lái)其價(jià)值創(chuàng)新的空間將逐步收窄，企業(yè)能夠通過(guò)努力獲得的相對(duì)優(yōu)勢(shì)將越來(lái)越少。

甚至，在Llama 2掀起的開源浪潮下，算法創(chuàng)新的價(jià)值被進(jìn)一步壓縮。

因此，從長(zhǎng)期來(lái)看，企業(yè)最“可控”的價(jià)值創(chuàng)造將側(cè)重到訓(xùn)練效率而非算法創(chuàng)新上——同樣的能力與潛力，PK更快速地訓(xùn)練迭代。

很多廠商提供的開發(fā)工具鏈都在直接推進(jìn)訓(xùn)練效率，而一些原本旨在提供算力服務(wù)的平臺(tái)也實(shí)現(xiàn)了等價(jià)的功能。

例如，傲飛算力平臺(tái)支持?jǐn)帱c(diǎn)自動(dòng)接續(xù)無(wú)感知訓(xùn)練，其原本目的在于降低參數(shù)迭代期間的GPU資源等待、提升資源利用效率，但客觀上也直接帶來(lái)訓(xùn)練效率的提升，讓算法加速迭代，先把潛力跑出來(lái)。

畢竟，加速算法訓(xùn)練，就是在提升算力資源利用效率。

行業(yè)規(guī)則“沉淀化”：長(zhǎng)期主義仍需回歸到正確的價(jià)值觀

大模型熱潮中，人人都會(huì)不自覺追求技術(shù)與商業(yè)價(jià)值“上限”，但大模型“下限”問題也日益突出，例如數(shù)據(jù)隱私、數(shù)據(jù)安全、知識(shí)產(chǎn)權(quán)、技術(shù)濫用等。

從企業(yè)的視角看，行業(yè)規(guī)則建立迫在眉睫，但其形成過(guò)程同樣存在著不由企業(yè)決定的“客觀因素”。

關(guān)于行業(yè)發(fā)展的一些法律法規(guī)，監(jiān)管部門在逐步沉淀，例如國(guó)家網(wǎng)信辦聯(lián)合多部門公布的《生成式人工智能服務(wù)管理暫行辦法》，企業(yè)要做的是等待并盡力配合與落實(shí)。

關(guān)于行業(yè)統(tǒng)一共識(shí)，也需要一個(gè)個(gè)沉淀，例如，目前已經(jīng)有從業(yè)者提議行業(yè)協(xié)作開發(fā)統(tǒng)一、可信的框架，在隱私保護(hù)、模型效用和訓(xùn)練效率之間取得平衡，企業(yè)要做的是積極響應(yīng)、積極參與。

但在一些規(guī)則上，企業(yè)能夠、也必須充分發(fā)揮“可控”的價(jià)值創(chuàng)造能力。

例如，大模型數(shù)據(jù)安全“容錯(cuò)率低”，企業(yè)必須加大投入。

很多基礎(chǔ)設(shè)施廠商都提供了相關(guān)的服務(wù)，例如新華三的私域大模型百業(yè)靈犀以內(nèi)置安全限制提示詞和出入內(nèi)容過(guò)濾攔截對(duì)所有場(chǎng)景下大模型生成內(nèi)容進(jìn)行安全性限制，針對(duì)所有出入流量和內(nèi)容進(jìn)行安全審計(jì)和敏感信息攔截。

當(dāng)然，最直觀反應(yīng)大模型倫理、體現(xiàn)“下限”的是場(chǎng)景應(yīng)用的選擇問題。

科研、制造、醫(yī)藥、法律……大模型已經(jīng)走向諸多能帶來(lái)社會(huì)正向價(jià)值的場(chǎng)景。但是，諸如偽造視頻進(jìn)行詐騙等“場(chǎng)景應(yīng)用”也已經(jīng)出現(xiàn)，基于強(qiáng)力的大模型技術(shù)有著更強(qiáng)的欺騙性。

技術(shù)是刀，大模型是一把更鋒利的刀，它的作用和價(jià)值由使用的人決定。

說(shuō)到底，企業(yè)需要構(gòu)建正確的價(jià)值觀，將大模型能力導(dǎo)向數(shù)字經(jīng)濟(jì)的正向價(jià)值上，才能守住“下限”、實(shí)現(xiàn)大模型的長(zhǎng)期健康發(fā)展。

結(jié)語(yǔ)

大模型賽道上，企業(yè)必須在“可控”的價(jià)值創(chuàng)造空間上發(fā)力，才能不斷在各個(gè)維度獲得更多相對(duì)競(jìng)爭(zhēng)優(yōu)勢(shì)與發(fā)展可能性。

企業(yè)也必須以此為標(biāo)準(zhǔn)選擇基礎(chǔ)設(shè)施服務(wù)、大模型服務(wù)的廠商，尤其是在多個(gè)維度都能滿足需要的廠商。

可以說(shuō)，大模型給了這個(gè)時(shí)代全新的增量?jī)r(jià)值方向，只有幫助企業(yè)實(shí)現(xiàn)對(duì)“可控”價(jià)值創(chuàng)造的把握，才能讓企業(yè)在這個(gè)全新方向更有著力點(diǎn)。

*本文圖片均來(lái)源于網(wǎng)絡(luò)

#智能相對(duì)論 Focusing on智能新產(chǎn)業(yè)新服務(wù)，這是智能的服務(wù)NO.245 深度解讀

此內(nèi)容為【智能相對(duì)論】原創(chuàng)，

僅代表個(gè)人觀點(diǎn)，未經(jīng)授權(quán)，任何人不得以任何方式使用，包括轉(zhuǎn)載、摘編、復(fù)制或建立鏡像。

部分圖片來(lái)自網(wǎng)絡(luò)，且未核實(shí)版權(quán)歸屬，不作為商業(yè)用途，如有侵犯，請(qǐng)作者與我們聯(lián)系。

•AI產(chǎn)業(yè)新媒體;

•澎湃新聞科技榜單月度top5;

•文章長(zhǎng)期“霸占”鈦媒體熱門文章排行榜TOP10;

•著有《人工智能 十萬(wàn)個(gè)為什么》

•【重點(diǎn)關(guān)注領(lǐng)域】智能家電（含白電、黑電、智能手機(jī)、無(wú)人機(jī)等AIoT設(shè)備）、智能駕駛、AI+醫(yī)療、機(jī)器人、物聯(lián)網(wǎng)、AI+金融、AI+教育、AR/VR、云計(jì)算、開發(fā)者以及背后的芯片、算法等。

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！