|
今天你ChatGPT了吗？随着ChatGPT的大火，全球范围内关于AI的讨论喧嚣尘上。从全球范围来说，通用人工智能（AGI）还处于市场探索阶段，要达到稳定输出、成熟商业化的境界，还有很长的路要走。面对人工智能技术发展的“高热度”和“不确定性”，AI老兵云知声却显得很从容，走得有条不紊。
 ChatGPT是通用人工智能（AGI）的开端 ChatGPT走红之后，外界惊叹ChatGPT的表现，而对于人工智能业界而言，这意味着技术范式的转变，更意味着通向AGI的大门可能正在开启。 实际上，此前10年，深度学习带来了一波人工智能的增长，但并未改变AI的范式。在2012年9月的ImageNet视觉识别挑战赛上，AlexNet异军突起，碾压了所有对手。它的创造者之一Hinton教授，2006年在Science发起“深度学习”革命后，在重大技术评测上首次获得突破性进展，展示了深度学习的威力。深度学习虽然比传统的统计学习展现出了更大威力，但并未跳出旧的AI范式——预先定义任务目标，采集该任务的大量数据并进行人工标注，通过模型训练达到最优效果，切换不同任务目标时，往往需要重新采集数据和训练，无法实现不同任务间的高效迁移——被称为“窄AI”或“弱AI”，本质上是某种“高级自动化”。 真正推动AI进入2.0时代的，还是2022年11月，ChatGPT的推出。它作为一个人工智能语言大模型，拥有自然语言理解、上下文学习、常识推理和高质量应答等特点，效果惊艳四座。对此，云知声认为“这是一个从专用AI转向通用AI（AGI）的突破口。” 云知声投身变革浪潮，先质后量，打通大模型新范式 入行25年的AI老兵和资深团队创立公司11年后发现，自己正置身当下最火热的跑道上，而这群AI老兵要投身新一轮变革浪潮的热情依然澎湃。云知声给这场大模型的角力划定了时间表，“今年之内肯定要有一个行业内认可的千亿级大模型成果出来”。 在ChatGPT推出后，云知声已开始训练模型，但数智前线获悉，在云知声看来，本轮技术升级并非只是简单的“大力出奇迹”，而是开启了新的“数据动力学范式”，需要从数据规模、质量和模型调教下手，才能真正解决问题，“大力”只是“必要不充分条件”。 云知声表示：“首先把它的端到端打通，再针对性地去解决问题，有些可能是从算法角度去优化，有些可能要通过数据层面去优化，包括并入医疗数据后，哪些跟现有的知识不能很好的融合，都要针对性做研究。”云知声以前基于BERT模型，现在需要切换到以GPT为模式的框架。两者本质上都基于Transformer模型，有不同的优缺点和特性。此次变革，云知声并不需要从底层开始干，而是进行模型架构的切换，这会比从头做的变量要少很多，而且有行业应用场景、客户和数据的积累。  十年磨剑，云知声为大模型为基础的MaaS平台做好准备 正如一句名言：“过去每一步都算数。” 作为一支深度思考行业趋势，密切关注行业前沿技术发展的团队，同时也在行业里有了多年积累，已形成全栈能力，给新一轮技术升级奠定了扎实的基础，也为打造以大模型为基础的MaaS平台做好准备。 在算力平台之上是数据中心模型优化(DCML)层。云知声在2016年开始进入医疗行业后，发现根据不同应用场景数据，需要对模型进行高效的针对性优化，本质上是如何根据应用数据对模型进行快速调优，GPT模型的强化学习也是在这层完成的。这一层的构建目标就在于此，其作用是能够提高产品的标准化程度，通过模型而非代码来解决应用场景差异，大幅提升人效比。  再之上是模型层。这也是目前正在改变的地方。在此前的AI范式下，无论是人机交互，还是各种行业应用，实际上要先做好各单元模型，再把各种单元模型整合起来实现业务目标，现在则要转变为以GPT为核心的大模型来做。而过去各种部件级模型，像语音降噪、语音识别、语音合成等标准模块仍会持续优化，但也会借鉴大模型的思路，比如加大无监督预训练数据规模，实现多语种联合建模、轻量级定制和个性化等，可以显著降低成本，同时提升效果和效率。 球已经到了脚下，接下来要做的事情变得确定。面对ChatGPT带来的机遇，云知声已经做好准备，一季度就扩充了30%算力，去做大模型的转轨，年底算力预计将翻几倍，“升级下一代以GPT为核心的架构”。在以大模型实现智慧物联（广度）和智慧医疗（深度）两个行业技术升级后，MaaS模式也将完成验证，再结合各行业应用需求，逐步扩充行业大模型，最终将MaaS平台做到万亿级以上参数，实现从专用走向通用！ |
|
|
|
