热门标签 | HotTags
当前位置:  开发笔记 > 后端 > 正文

走向|下游_AI大模型的白垩纪

篇首语:本文由编程笔记#小编为大家整理,主要介绍了AI大模型的白垩纪相关的知识,希望对你有一定的参考价值。

篇首语:本文由编程笔记#小编为大家整理,主要介绍了AI大模型的白垩纪相关的知识,希望对你有一定的参考价值。



美好的长假即将过去,我们又该忙起来了。在AI领域,这两年最忙的一项基础技术应该非大模型莫属。


随着最近AI绘画、AI生成视频等能力不断刷新大众对AI技术边界的认知,站在AI创作家们背后的大模型的地位也跟着水涨船高。轰轰烈烈的“炼大模型”运动似乎来到了丰收时节。


但在大模型愈发火爆的同时,我们不难看到一个问题:预训练大模型虽然在众多领域都表现出了良好的应用效果,但这些效果所产生的商业价值,却很难与大模型的训练成本、基础设施投入成本画上等号。



事实上,表面光鲜的大模型正在经历一个有些艰难的转型阶段:大模型不断表现出的“神奇”效果,引发了资本、产业、学术界的巨大关注。随着一个又一个大模型被训练完成,推向市场,却会发现大模型的应用场景与商业价值虽然有,但并不充沛。如何从“炼大模型”,走向“用大模型”,正在成为关键考验。尤其值得注意的是,中国AI行业对大模型的投资、建设更加激进,那么大模型的应用转型考验也将更加显著、先觉地浮现于中国市场。


AI预训练大模型在目前阶段的境况,让我想到一个词:白垩纪。


白垩纪是地质年代中,中生代的最后一个纪元。这时候全球开始变暖,大陆架结构开始定型。恐龙依旧统治着世界,但哺乳动物已经开始活跃。


大模型似乎也处在这样一个阶段里。被BERT、GPT-3夯定的大模型思路依旧笼罩在AI产业头顶。但如何让大模型走向新的应用纪元,已经成为一个非常热切,同时略带迷茫的必答题。



新物种开始出现,


老物种依旧占据主流


在讨论大模型的转型之前,我们还是需要用一点篇幅回溯一下大模型的发展思路与应用逻辑。


所谓的预训练大模型,是指在大规模宽泛数据上进行训练的基础模型。它抓住了深度学习算法数据越多模型鲁棒性越强的基础特点,对模型进行暴力地“数据投喂”。经过大规模数据的预训练后,模型可以适应更多种类、更为复杂的下游任务,从而最终获得更好的智能体验。


大规模预训练模型,其实并不是一种技术路径上的创新,而是更接近把握技术特征之后的工程创新。大模型之路被广泛认可,开始于谷歌在2018年10跃发布BERT。它利用BooksCorpus和维基百科的大规模数据进行模型训练,在11个下游任务上刷新了当时的业界纪录。


我们可以将大规模预训练模型理解为一种“预制菜”。既然用户自己烹饪的难度太高,费工费火,那就不妨由商家先行预制。用户将菜买回后加热一下,加入自己喜欢的调料就能上桌食用。大模型的思路也是如此,它通过上游进行模型预训练,下游进行任务微调的方式来使更多产业能给应用到效果好、质量高的AI模型。



而经过几年的发展,大模型如今已经来到了一个新旧交替的临界点。这里的新旧交替可以分为两个层面进行理解。首先大模型本身不断进行技术层面的革新。我们知道,业界最具典型性,也最为出圈的大模型OpenAI在2020年5月发布的GPT-3。这一大模型具有1750亿参数,在非常多文本生成类任务上有着出众表现。而无论是BERT还是GPT-3,都是自然语言处理领域的大模型。而在GPT-3之后,大模型一方面在模型参数上不断提升,同时也在技术上进行迭代。比如机器视觉大模型已经成为行业的新主流,同时多模态大模型与行业知识紧密结合的大模型开始出现。推动大模型的能力覆盖从语言走向视觉,继而走向更复杂的综合任务。


另一个层面的大模型新旧交替,体现在产业侧对大模型应用的呼唤上。随着几年时间过去,“我们必须赶快有一个大模型”的热情开始消退;转而产生了“我们确实有大模型,然后呢?”这样的应用焦虑。尤其对于中国市场来说更是如此。在美国AI界,大模型一直都是少数科技巨头、学术组织在做,其中很多大模型的基础定位就是AI技术投资的一部分。但在中国则不同,怀揣着对技术竞争的重视,大量互联网、云计算企业都加入了大模型的构建竞赛,这些大模型必须找到有效的商业出口才能收回投资。同时,也有大量科研机构、院校加入其中。于是我们可以在中国看到雨后春笋般发布的大模型,这样做的优势是中国AI在大模型数量上遥遥领先,同时,也带来了如此多的大模型项目应该要如何消化和使用的问题。


目前阶段,大模型产业的特征是那些直接对标GPT-3的大模型项目依旧占据主流,或者说并没有给出太多有说服力的超越价值。同时,新的大模型技术思路与产业转型思路也已经开始出现。这正是白垩纪的特点:恐龙和哺乳动物共处一地,而新生物种正期待着更多变化到来。


大模型的野蛮生长,


已经陷入某种枯竭



几年来,炼大模型成了AI领域最热门,同时也最能引起舆论、资本关注的一件事。伴随着大量大模型项目的快速上马,我们很难判断其中有哪些是抱着“竞争对手在做,所以我也要做”的互联网心态来推动,又有哪些项目是为了与新基建、科技举国体制等热门概念挂靠火速上线。


整体来看,跑马圈地式的大模型产业发展,为整个AI领域提供了一种积极昂扬的氛围。推动大模型与各个行业、各科研领域结合变得比较轻松。与此同时,我们也很容易将大模型与更多AI技术,甚至VR、元宇宙、区块链等同样被称为风口的技术进行类比,并且发现大模型的发展轨迹,也有着诸多“野蛮生长”的痕迹。


其实从应用角度看,大模型就像云计算一样,是一种将产业上游投入进行收紧的集约化操作。一般来说,企业应用AI有几种方案。最简单的一种是直接接入具有AI能力的标准化API,这种模式只能提供简单的AI能力,无法覆盖复杂的智能化需求;第二种是整体定制AI解决方案,这种方案需要产生高额的定制费用与专家成本,是最不经济划算的一种;第三种是自己进行AI开发,这种最为贴近企业真实需求,但会导致开发出的模型不够标准化,与业界领先水平具有差距,并且也要求企业具备AI开发经验与相关组织架构。



大模型的出现,可以说是在几种方案之间寻找平衡点。通过大规模预训练+微调的模式,若干企业与行业可以共享、重复应用大模型。这样企业既用到了高水准的AI能力,同时也避免了过重的开发成本与建设成本,也就是所谓的推动AI进入工业生产时代,抛弃作坊式的AI开发。


然而我们能够发现,这种逻辑下最终一定会导致大模型数量较少,而下游应用非常丰富的产业格局。在目前阶段,情况恰恰相反。下游的大模型应用处在方兴未艾的阶段,相关企业与解决方案并不断。反而上游的大模型项目层出不穷,并且展现出了一定程度上的同质化。这种野蛮生长,一般来说包含着几种潜在问题:


1.过分聚焦大模型参数和数据集测试结果。


1700亿参数的GPT-3,将大模型正式拉到了千亿参数规模。随后大模型的参数比拼不断升级,很快我们就见到了万亿参数规模的大模型。追求大模型的参数巨大化,曾经一度成为AI领域的主流,随后也引发了相当多的反思。一味追逐模型体积大、训练数据规模大,会导致模型很难在现实场景中进行部署,并且低质量的训练数据过多,很多时候会导致反向效果出现。


大模型领域另一个问题,是追逐在某项数据集测试中刷新纪录。以标准化数据集评判大模型能力当然无可厚非。但很多时候数据集测试是有诀窍的,可以进行针对性调优。一味关注测试结果,很可能导致大模型的实际应用效果不足。



2.技术创新过分“个性化”。


由于大模型领域的竞争激烈,并且工程路线其实比较单一,为了标明自己的大模型具有差异化,业界开始兴起了大模型的“微创新”热潮。一般做法是,提出自己是业界首个某某技术上的大模型。但这项技术是否具有说服力,是否有足够的实际应用价值,则可能要打上一些问号。而随着大家都是首个某某大模型,大模型的定义越来越复杂,评判标尺也越来越模糊。下游用户选择大模型的难度也随之加大。一定要强调自己是“首个”,导致大模型陷入了混乱的创新局面。


3.打着国产化的名号,进行大量重复投资。


业界另一项关于大模型的问题,是随着自主可控与国产化替代成为趋势,相关企业与科研机构开始大量进行重复的大模型投资。大模型国产化当然是合理且必要的。但不同企业、科研机构与不同项目、不同地区政策之间合作,容易造成大模型国产化项目处于较低水平且重复建设的发展模式中,反而降低了国产化的最终效果。


在种子问题之下,大模型的野蛮生长虽然并未结束,但已经显露出了某种枯竭。推动大模型从参数为中心向应用为中心转变,是目前阶段的核心问题。



大模型转型,


呈现出两个思路


无论是称作“炼大模型”,还是大模型的野蛮生长,可以看到中国AI大模型的第一阶段发展处于一种饱和态势中。虽然可能产生各种各样的浪费与重复投资,但确实为整个产业长期发展打下了坚实基础。


这一点最直接的体现,在于目前中国AI产业中与大模型发展相适配的基础设施已经非常完善。这一优势是此前很多技术,乃至深度学习技术刚刚兴起时都不具备的。IDC发布的《Market Glance:中国AI大模型市场概览,2022》报告提出,大模型作为人工智能融合产业级实践的必然形式,目前底层支撑服务基本完善,多类型芯片持续迭代,围绕训练能力、核心算子库、上层软件平台深入布局优化。


底层基础支柱与配套设施的完善,让大模型走向应用更加顺遂。在今天我们可以看到,大模型转型应用为中心,主要呈现出两个发展思路。



1.拥抱AIGC,与欧美对齐的大模型发展思路。


从GPT-3出圈的自动协作,到近来火爆的AI作画,再到谷歌与Meta最近纷纷押注的AI生成视频,这项能力都可以归纳为AIGC(AI-Generated Content),即AI生成内容。


AIGC能够产生优质、复杂,甚至以假乱真的内容,背后的“脑力”普遍来自大模型的支撑。因此在大模型亟待与商用价值接驳的时间段,AIGC也就构成了最直接,最清晰的商业化路径。但在目前阶段,AIGC的商业化潜力还有待深耕。应用范围最广的AIGC能力应该就是AI作画,但其本身面向的常态化用户更多是插画师、设计师、自媒体,大量C端用户都是本着尝鲜的心态试试看,其最终能够激活多大的商业价值尚不明确。一般来说,AIGC中大模型扮演着双重角色,一种是直接为大模型所属企业的软件提供支撑,最终按需求次数或积分完成商业转化;另一种是赋能其他软件开发者,通过模型使用或者带动云计算、云存储用量来完成商业价值。无论哪种形式,将AIGC从小众需求变成大众需求,同时进一步提升AIGC的商业空间都是当务之急。


另一个角度看,AIGC也是谷歌、Meta等欧美科技巨头大规模投入的领域,因此国内互联网与AI企业是有发展参照物的。这一点当然带来了很多竞争,但也将确保发展路线处在中国科技企业比较熟悉的发展节奏当中。



2.拓展大模型与行业智能化、科学计算的结合空间,中国大模型的自主探索。


就像AI技术本身一样,中国产学政各界对大模型的深层期待是激活行业智能化价值,与中国经济整体应用空间结合,甚至在中国激活第四次工业革命。而这条路则是完全新颖、缺乏参照物的大模型发展可能性。其最大的问题在于,经过多年的发展,产业应用AI依旧难以解决成本过高、难以规模化复杂的问题,大模型的成本更加高昂,能否逃出AI的成本效益陷阱也变得更加复杂。而且将大模型与具体行业、具体科研领域结合,虽然在欧美也有尝试探索,但中国已经依靠丰富的产业需求与全社会的数字化热情走到了前列。如何在无人区激活大模型的长期价值,既是中国AI的机遇,也是严苛挑战。


在目前阶段,我们能看到一些AI厂商已经推出了行业大模型,比如金融大模型、能源大模型等等。也有多个领域与大模型进行了跨界合作,比如中国商飞联合科技厂商,发布了应用于大飞机测试的流体仿真大模型、西安交大相关团队应用大模型在超级抗药菌领域取得突破等等。


中国AI大模型,已经在跨模态搜索、自动驾驶、数字人、生物医疗、材料化学、数学能领域进行了广泛探索。但这些探索普遍处在跨领域合作与案例打造的阶段,举例坚实的商业化价值还有不短的路要走。尤其在如何摊薄大模型成本,推动规模化应用方面还有非常多的挑战。


不管怎么样,大模型走向产业,走向商业化,已经从“等等再说”变成了“时不我待”。不适应新的变化,很可能无法走向更远。


在清醒与未知中走向新生代



6500万年前,白垩纪正式结束,地球迎来了最新的地质时代:新生代。随着恐龙灭绝,灵长类觉醒,整个地球的故事开始呈现出新的样貌。


在今天,我们或许也会疑惑。如今大模型的发展成果、基础设施建设、技术路线探索,究竟有多少能留到下一个阶段呢?肯定是会有的,但大概率并不多。



我们必须清醒地认识到,大量大模型终归会丧失产业空间。就像其他计算、存储、AI基础设施一样,大模型到最后也只能留下被频繁使用,形成基础设施的极少数。转型必然带来新的投资与建设热潮兴起,以及传统热潮的消退。当产学各界不需要如火如荼般炮制大模型的时候,那些为此打造的算力、网络、开发平台基础设施应该何去何从?似乎也是一个需要提前思考的变量。


此外,我们还需要意识到大模型的前路不是一帆风顺的。大模型与行业融合,是一条根植中国经济与社会特性,并且蕴藏着极大价值可能性的新路。但经过多年发展,我们会发现所有AI问题到最后都是成本问题。大模型能否掏出AI“有用,但过贵”的成本怪圈,能不能为IT、云计算、互联网厂商带来足够的价值定位?这些问题依旧缺乏清晰的答案。


所以,大模型的白垩纪依旧没有结束。但我们也知道拼参数、大量重复建设的大模型发展阶段终会过去,而考验在那时或许才刚刚开始。


很多人认为,大模型是深度学习2.0,是AI避免陷入第三次寒冬的诺亚方舟。它被寄托了太多期待。


在新的AI火苗被点燃前,大模型还将在很长时间里难以替代。



推荐阅读
author-avatar
紫逸石
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有