澜舟科技周明：大模型正在催生新AI中台 | 中国AIGC产业峰会

鱼羊 发自 凹非寺
量子位 | 公众号 QbitAI

ChatGPT爆火，吹起了大模型、AIGC的风口，但伴随着兴奋而来的，还有普遍的焦虑：

大模型时代，我们究竟应该做些什么？

我想现在，一是要看到未来AGI的绝对趋势；二是要找到自己的长处，脚踏实地去做；三是要营造一个好的生态环境，大家多交流、互相成就。

这就是面对如此“焦虑”，世界顶级AI科学家、曾任ACL主席的周明，在首届中国AIGC产业峰会现场给出的最新观点。

2021年6月，周明成立澜舟科技，这是一家以NLP技术为基础的认知智能公司。同年，澜舟科技的“孟子”模型以10亿参数“四两拨千斤”，登顶中文语言理解权威评测基准CLUE。

当ChatGPT的大潮来袭，作为国内最先一批有准备的人，周明认为，与此前的大模型不同：

首先，ChatGPT对用户的意图理解非常清晰，也更加准确。

其次，多轮对话的建模非常好，还有若干解析能力。

但同时，站在工业界角度，很多需要解析能力的任务，用单独的引擎能达到比ChatGPT更好的效果。

所以，找到ChatGPT的应用场景非常关键。

基于这样的思考，周明博士站在To B角度，分享了对AI 2.0时代进行数智化转型的看法，从自身角度解答了“怎么用ChatGPT”、“我们应该做什么”的问题。

为了分享周明博士的更多精彩观点，量子位在不改变原意的基础上，对他的演讲内容进行了编辑整理，以飨读者。

演讲要点

• 大模型时代，新的AI中台正在出现。

• ChatGPT对用户的意图理解更加清晰准确，多轮对话的建模显现若干解析能力。

• 对于企业而言，并不是必须用AI 2.0、一定要抛弃AI 1.0。

• OpenAI和微软做对了什么？一是看到未来，二是发挥所长，三是互相成就。

（以下为周明演讲全文）

AI 2.0时代，不一定要抛弃AI 1.0

过去N多年，企业在完成信息化之后，期待的是智能化。但其实，这个智能化过去没有很好地发展起来。

很多企业做所谓AI中台，用AI中台支持各项业务，效果不是很理想。现在有了大模型，大家都在考虑我能不能搞一个新的AI中台来支持所有业务。

认知智能涵盖很多方面的因素：第一是语言理解，第二用推理、预测、决策去解决问题。这在很多方面都有用处，包括翻译、客服、知识图谱、推荐问答，都是企业智能引擎的一部分。

所以如何搞一个大模型，作为某种意义上的AI中台来支持企业各项业务，就是我们现在要考虑的一个问题。

回到大模型，支持下游任务无非有两种做法：GPT-3之前，是做模型的微调，去修改模型参数；而GPT-3之后，像ChatGPT，它就是用prompt（提示词），不需要对大模型进行修改，通过提示就能把大模型的很多能力牵引出来解决问题。

这样一来下游任务的开发就变得非常简单了，做prompt就可以了。

现在大家都去追ChatGPT，其实大模型是多种多样的，包括一开始BERT、T5到GPT-1、GPT-2等等。那么ChatGPT跟以前的大模型有什么区别？

我的理解是：第一，它对用户的意图理解更加清晰准确；第二，多轮对话的建模非常好，有若干解析能力。

不过，站在工业界角度，很多解析能力其实不用ChatGPT也能做得很好，比如翻译。用单独的引擎跟ChatGPT比，可能还比ChatGPT厉害。

在这种情况下，到底要用ChatGPT来干什么？

两种考虑：一个是在ToC层面上，AGI能力越多越好，用户在一个简单界面中，就可以想干什么干什么，不用来回来去翻。

另一个是在ToB环境下，把问题理解、多轮对话的能力，接上企业自己的核心引擎，好好结合起来。因为对于企业来说，很多AGI功能是基本不用的，甚至还有可能捣乱。

现在都在讨论AI 2.0，AI 2.0对应的是AI 1.0。

1.0是什么？一个模型一个引擎，一个模型一个任务。而AI 2.0，就是一个模型N个任务，甚至可以想象未来一个模型解决无穷个任务。现在当然达不到这个状态，但是有这样的趋势。

好处是，一个模型N个任务，可以提高开发效率。另外大模型到一定程度有涌现能力，让人产生了一些对未来人工智能深深的遐想，这是以前单模型、单任务永远出不来的。

但对于企业而言，并不是必须用AI 2.0、一定要抛弃AI 1.0。

企业应该把AI 1.0功能引擎和AI 2.0的部分能力（如问题理解和多轮对话的能力）无缝对接起来，形成一纵一横的合力。

大模型来了，能有效改进企业的智能化研发环境。过去任务太碎片化，一个任务一个模型，研发人员准备各种feature的代价太大，维护成本也比较高。现在有了大模型，代价就减少了很多，通过本地部署或者云，整体开发效率提高了很多，维护也容易了。

我们就在想，有这样的开发新范式，在企业经营场景中会有哪些新发现？

举一个例子，金融行业用大模型，你得拿金融数据做continue training才会更准。再拿金融领域常见的任务、长期积累的一些标注数据做监督学习，才能让模型适用于真实场景。这时候再拿模型去完成一些已有任务或新任务，效率才会提高。

类似于ChatGPT，具体怎么用呢？一个是用ChatGPT做底座，做foundation model训练金融大模型，另一个是用ChatGPT，在人机交互环境下对企业的各个引擎进行调度。这样一来，就能让原来的智能客服具有多轮对话、意图理解能力，推动新一代智能客服的出现。

澜舟在做大模型的时候，尤其考虑了企业落地的问题。

第一，是大模型企业数智化应用的边界。是把大模型当作一种分发机制，还是当成基础模型支持下游训练？

第二，是大模型结果的可控性和安全性，不能一会儿对，一会儿错。

还有，企业以前的功能引擎如何无缝地接入大模型。

最后，企业数据要如何巧妙地用起来，如何把模型做得更轻。

为此，我们训练了孟子的一系列模型，并进行了开源。结合用户的需求，我们不追求非得是千亿模型，十亿、百亿、千亿我们都可以提供，然后基于用户的数据快速做continue training。

基于互联网中文数据，以及来自企业、客户的中文数据，孟子模型很懂中文。

另外，我们也做了很多AIGC的工作，包括小说的续写，关键词生成，实体渲染等等。

基于这些工作，我们跟中文在线合作了一个网文版类ChatGPT引擎。

澜舟在做企业落地的时候，以孟子大模型为底座，拿用户行业数据和用户任务数据做continue training的例子，还包括和同花顺一起做的金融大模型，和传神合作的翻译大模型，和华夏金融合作的舆情分析大模型，以及跟数说故事公司一起做的AIGC大模型，这些大模型都已经落地了。

多说一句，行业搜索引擎也会被重新定义。第一是从关键词匹配到语言理解，第二是从数据到深度理解，第三是从简单信息获取到内容生产。

OpenAI和微软做对了什么？

最后说一点感想。这张图这两天很火，是黄仁勋当时把DGX-1的第一台机器赠送给了OpenAI。

现在，OpenAI已经是AI领域的翘楚，英伟达是全球科技领域市值第五的公司，还有微软，也坚持投入AI，跟OpenAI长期合作，三家公司现在发展非常好。

他们做对了什么？

第一，是拥抱未来。他们看到AI的主旋律是一定要抓住的，并且持续为之努力。

第二，是脚踏实地。每个企业都有自己的特点，OpenAI、微软和英伟达，都是在把自己的长处发挥出来。

第三，是互相成就，而不是互相拆台。比如说微软突然把OpenAI做的事都给做了，或者OpenAI往下游走，去跟英伟达形成竞争关系。

我想说这句话的意思是，现在咱们中国AIGC开始火了，大家蜂拥而上，大厂、小厂、研究机构、学生、老师都有小小的焦虑。

这时候，一是要看到未来AGI的绝对趋势；二是要找到自己的长处，脚踏实地去做；三是要营造一个好的生态环境，大家多交流、互相成就，才能促进整个AIGC的发展。

谢谢大家！