大模型冷思考：企業(yè)“可控”價值創(chuàng)造空間還有多少？

文 | 智能相對論

作者 | 葉遠風

毫無疑問，大模型熱潮正一浪高過一浪。

在發(fā)展進程上，從最開始的技術(shù)比拼到現(xiàn)在已開始全面強調(diào)商業(yè)價值變現(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。

在模型類型上，除了百度文心大模型、訊飛星火認知大模型、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)。幾個月前，新華三集團在業(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汀鞍贅I(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，國內(nèi)僅公開的大模型數(shù)量已達238個，百模大戰(zhàn)正在升級千模大戰(zhàn)。

……接近一年的熱潮后大模型沒有冷卻的跡象，行業(yè)普遍的共識形成，這不是風口，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，雖然看起來百花齊放，但事實上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，當下以及未來很多因素已經(jīng)既定，一頭熱扎進去的企業(yè)們，更應該尋找的是那些不由既成的客觀因素所限制、能夠進行自我價值發(fā)揮的地方，才能盡可能獲得相對競爭優(yōu)勢。

算力“積木化”，可控價值創(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，其實越來越少。

IT時代Windows+Intel構(gòu)建起WinTel體，演變?yōu)橐苿踊ヂ?lián)網(wǎng)時代安卓+ARM（以高通為代表），到了大模型時代，又進一步演化為AI大模型+GPU——在當前，Nvidia已經(jīng)成為大模型趨同的算力來源。

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

算力不再是瓶頸，或者說，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，反過來有多少資本投入基本也能買來多少算力。

當算力“口子”被外部技術(shù)、內(nèi)部預算等限定，通過調(diào)度提升既有資源利用效率，就成為企業(yè)“可控”的價值創(chuàng)造過程。特別是私域大模型，對于企業(yè)來說，AI大模型的大小需要平衡算力和能耗的開支，應選擇適合行業(yè)特點和業(yè)務(wù)特點的大模型進行私域部署。

此時，如何榨取硬件資源提供的每一滴能力，加速模型的訓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——針對算力等底層基礎(chǔ)設(shè)施提供支撐成為考驗各個服務(wù)廠商最基本的能力，其中尤以算力調(diào)度能力是其重點。

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：依托通過傲飛算力平臺實現(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實現(xiàn)大模型所需的數(shù)據(jù)支撐，同時在分布式訓練等需求下以智能無損網(wǎng)絡(luò)支持AI集群訓練，配備高性能存儲帶來更好的底層存儲支撐，甚至還建設(shè)有液冷數(shù)據(jù)中心來維持算力輸出的穩(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”傲飛算力平臺則具備異構(gòu)計算資源統(tǒng)一管理、多元算力資源智能調(diào)度的能力，提供包含智能標注、智能訓練、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)，該平臺能夠?qū)⑺懔寐侍岣咧?0%以上。同時，還支持8000節(jié)點的算力調(diào)度，并發(fā)訓練時間縮短至50%，且斷點自動接續(xù)無感知訓練更穩(wěn)定，在既有GPU資源下能全方面提升大模型訓練性能。

說白了，就是通過一系列算力流程環(huán)節(jié)的銜接優(yōu)化（尤其是面對并行計算與分布式計算需求），在充分保障訓練與應用需求的同時降低GPU的空閑時間，讓巨大成本獲取來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、運力協(xié)同感知，實現(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其他方式直接降低模型訓練對GPU資源的要求，例如數(shù)據(jù)存儲層面進行算子優(yōu)化等，未來或也存在較大的價值開發(fā)空間。

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

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

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

當然，也有一些企業(yè)試圖主動出擊，例如國外公司Inflection AI以大規(guī)模提問的方式來主動提升數(shù)據(jù)沉淀速度，但這顯然這并不會是主流。

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

中信智庫《人工智能十大發(fā)展趨勢》認為，“未來一個模型的好壞，80%由數(shù)據(jù)質(zhì)量決定?！?/p>

從長遠視角看，大模型的競爭并不是要比誰跑得更快，而是比誰走得更遠，這就需要大模型真實的應用效果，也就需要通過各種方式提升數(shù)據(jù)質(zhì)量，來鍛造大模型發(fā)展的“內(nèi)功”。

在數(shù)據(jù)的計劃、獲取、存儲、共享、維護、應用等環(huán)節(jié)，都需要針對性的數(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)商們帶來了機會。

例如新華三的綠洲平臺就以場景需求為導向，打造了一個圍繞數(shù)據(jù)采集、存儲、管理和應用的全棧數(shù)據(jù)平臺。

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

事實上，數(shù)據(jù)深加工帶來高質(zhì)量數(shù)據(jù)訓練一直是前沿大模型的核心競爭力所在，OpenAI一貫公開其訓練過程及算法，但對數(shù)據(jù)如何處理緘口不言。

回過頭來看，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)的價值，在數(shù)據(jù)越來越作為一種新型生產(chǎn)力要素的時代，大模型的本質(zhì)可以視作一種挖掘數(shù)據(jù)要素價值的工具，而工具不決定價值，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)本身越來越無法成為護城河，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)要素的價值釋放將成為企業(yè)真正的“護城河”。

所有的數(shù)據(jù)類平臺提升數(shù)據(jù)質(zhì)量的過程，就是在幫助企業(yè)進一步挖掘數(shù)據(jù)要素價值、沉淀數(shù)據(jù)資產(chǎn)，真正打造企業(yè)的“護城河”。

算法“收斂化”，殊途同歸下企業(yè)需聚焦訓練效率提升

算法是大模型的能力核心，但長期來看，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)，國外的TensorFlow、Pytorch，國內(nèi)的MindSpore等幾個主流框架逐步成為共同的選擇。

這意味著，算法的后天的“成長環(huán)境”也逐步趨同。

先天+后天，算法創(chuàng)新當下看起來百花齊放，但在未來其價值創(chuàng)新的空間將逐步收窄，企業(yè)能夠通過努力獲得的相對優(yōu)勢將越來越少。

甚至，在Llama 2掀起的開源浪潮下，算法創(chuàng)新的價值被進一步壓縮。

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

很多廠商提供的開發(fā)工具鏈都在直接推進訓練效率，而一些原本旨在提供算力服務(wù)的平臺也實現(xiàn)了等價的功能。

例如，傲飛算力平臺支持斷點自動接續(xù)無感知訓練，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訓練效率的提升，讓算法加速迭代，先把潛力跑出來。

畢竟，加速算法訓練，就是在提升算力資源利用效率。

行業(yè)規(guī)則“沉淀化”：長期主義仍需回歸到正確的價值觀

大模型熱潮中，人人都會不自覺追求技術(shù)與商業(yè)價值“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。

關(guān)于行業(yè)統(tǒng)一共識，也需要一個個沉淀，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、模型效用和訓練效率之間取得平衡，企業(yè)要做的是積極響應、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”的價值創(chuàng)造能力。

例如，大模型數(shù)據(jù)安全“容錯率低”，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)容過濾攔截對所有場景下大模型生成內(nèi)容進行安全性限制，針對所有出入流量和內(nèi)容進行安全審計和敏感信息攔截。

當然，最直觀反應大模型倫理、體現(xiàn)“下限”的是場景應用的選擇問題。

科研、制造、醫(yī)藥、法律……大模型已經(jīng)走向諸多能帶來社會正向價值的場景。但是，諸如偽造視頻進行詐騙等“場景應用”也已經(jīng)出現(xiàn)，基于強力的大模型技術(shù)有著更強的欺騙性。

技術(shù)是刀，大模型是一把更鋒利的刀，它的作用和價值由使用的人決定。

說到底，企業(yè)需要構(gòu)建正確的價值觀，將大模型能力導向數(shù)字經(jīng)濟的正向價值上，才能守住“下限”、實現(xiàn)大模型的長期健康發(fā)展。

結(jié)語

大模型賽道上，企業(yè)必須在“可控”的價值創(chuàng)造空間上發(fā)力，才能不斷在各個維度獲得更多相對競爭優(yōu)勢與發(fā)展可能性。

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

可以說，大模型給了這個時代全新的增量價值方向，只有幫助企業(yè)實現(xiàn)對“可控”價值創(chuàng)造的把握，才能讓企業(yè)在這個全新方向更有著力點。

生成海報

免責聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權(quán)歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關(guān)。文章僅供讀者參考，并請自行核實相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。