本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

國內玩家如火如荼入局ChatGPT，其在各行業出圈也有目共睹。

但具體什么時候能上崗尚且還不明晰，尤其像一些艱深、壁壘性高的行業，比如醫療。

現在，一位哈佛醫學院教授，就親自下場測試ChatGPT的表現。

結果顯示，它在45個案例中的39個診斷正確，正確率87%（超過了現有機器診斷率的51%）；并為30個案例提供了適當的分診建議。

他表示，ChatGPT輔助診斷的表現，已經接近醫生。既然如此，那什么時候可以上崗？

事實上，這也是目前國內大多數玩家所面臨的問題：紅利在此，如何率先吃掉？

此前我們也系統性地梳理過復刻中國版ChatGPT背后的技術與生態難度，顯然不是短期就可以實現的。

現在已經衍生出來一種新思路：直接打造行業垂直版ChatGPT。

這種方式是否可行？

打造行業版ChatGPT可行嗎？

ChatGPT的打造，技術核心繞不開算力、數據和算法三要素。

算力方面，OpenAI背靠微軟這頭奶牛——擁有28.5萬個CPU核心、1萬個英偉達V100 GPU，光是訓練一個GPT-3，費用就高達460萬美元；數據上，GPT系列幾經迭代優化，一度驚艷眾人的GPT-3就有1750億參數，而上一版本GPT-2只有15億參數；算法自然也有多年深厚的積累，否則也不能出現“類人”自主學習特征，而且進一步展現出快速適應多領域、多場景的能力。

再加上生態反哺技術，形成迭代閉環。OpenAI自GPT-3開始就以開放接口的形式，構建起了專屬“GPT生態”。據gpt3demo網站統計，目前已有656個調用GPT-3系列模型開發的應用程序。

這樣的技術與生態壁壘，決定了復刻ChatGPT并非那么容易。既然如此，垂直版ChatGPT的解決思路也開始在行業中探討。

首先從技術上來看，他們的核心挑戰主要在于以更少的參數，比如以百億規模參數量，在垂直領域的任務達到或超過ChatGPT的效果。

這可能比復現ChatGPT更難，因為參數數量要小很多，不能僅僅依賴“暴力美學”，還要有高超的模型設計和壓縮技巧。

另外一個挑戰是數據來源的不同。

像谷歌、微軟他們其實有天然的通用數據來源，但專用數據積累不能跟垂直玩家相比。

尤其像醫療等民生行業，專業性強覆蓋面廣，所需的高質量數據可能并不比ChatGPT小，且大部分數據不是網上可以抓取的。

但對多年深根于此的垂直玩家來說，他們早已構筑起自己的產業生態，有豐富的行業數據和知識積累，為復現ChatGPT奠定了必要的基礎。

而且從價值需求來看，垂直行業所代表的價值是實實在在的。像醫療本身需求就不小，一旦ChatGPT落地醫療，所代表的社會價值很大。

以往用戶們會習慣性使用的用搜索、APP來幫助診斷自己的疾病，但往往可能收效甚微。

哈佛醫學院教授Ateev Mehrotra曾測試，現有的在線診斷器平均正確率僅在51%，而ChatGPT則有87%，因此他認為ChatGPT有可能成為醫療診斷的游戲規則改變者。

為了加速ChatGPT應用落地，從技術難度、價值需求等維度看，打造垂直版ChatGPT是可行的。

而現在國內有AI玩家，已經在這樣做了。

云知聲ChatGPT行業版

最新曝光的進展，智能語音賽道獨角獸云知聲正在推進ChatGPT行業版的建設——

以醫療作為切入口，構建ChatGPT醫療行業版，同時基于ChatGPT行業版構建平臺，快速擴展到其他領域，再利用領域模型集成MoE（Mixture of Experts）技術，訓練得到通用ChatGPT模型。

而這種從專用到通用的思路。其實是云知聲一貫的“U+X“做法。在這里，“U”指的通用大模型算法研發及高效訓練底座平臺；“X”則是應用于多個行業領域的專用大模型版本。

事實上這也正在成為不少企業入局ChatGPT的思路，這樣一來，可以利用已有的專用數據優勢。

不過也不是那么容易走的，更何況云知聲選擇的，還是對生成內容質量要求更高的醫療行業作為切入口。

最首要的難題，是要提高醫療知識的可靠程度。ChatGPT最擅長的，就是一本正經地胡說八道。放在現在Bing上聊天搜索、內容生產其實問題不大，用戶們也樂在其中。

但應用在行業中，往往讓非專業人士難以察覺，這會引發各種風險。因此行業版ChatGPT要杜絕一切胡說八道，尤其像醫療、教育、工業等行業，內容生成要求極高容錯率很低，也對數據的質量要求也就更高了。

其次，就是實現行業中的“性價比”。任何一項技術能夠大規模落地，都必須要解決「如何以有限的資源，實現效果的最大化」問題。

這也是ChatGPT行業落地的必經之路——模型能以更小的參數規模，達到與ChatGPT同樣的效果。這也就給這些企業帶來了不小難題。

事實上，云知聲也坦言，ChatGPT行業版的參數可能也需要達到百億量級規模，要做出效果并實現規模化應用挑戰也不小。

從某種程度上說，打造行業版的ChatGPT比現在通用的ChatGPT還要更難，但到真正ChatGPT行業落地時，這些問題又都必須得解決。概括來說，就是實現ChatGPT工程化能力。

這是每個躬身入局者，繞不開但必須得過的路。

在此基礎上，毫無疑問的是，云知聲的選擇更難——醫療作為切入口。這是始終被認為是行業壁壘高、專業性強、技術難度制高點的領域，也是為什么相較于其他行業的盛況，醫療AI玩家就顯得少之又少的原因。

但一旦將醫療版ChatGPT打通，那么其他領域的實現，包括最后的通用大模型也就事半功倍了。

作為成立于2012年的AI公司，他們一直密切關注AI前沿技術，并積極推動技術產業化應用，包括2012年的深度學習算法升級和產業化應用，到2016年Atlas超算平臺、知識圖譜和全棧AI技術應用，到現在基于ChatGPT框架的AGI認知技術升級。

同時，在醫療行業有近10年深耕，積累的行業知識、數據和應用，還獲得了2019年北京市科技進步一等獎。

在回應是否有信心打造ChatGPT行業版時，云知聲方面表示：完全有信心。

前面總結，打造ChatGPT離不開高質量的數據，領先的算法和充分的算力。而對于垂直版ChatGPT還需要更深厚的工程化能力。

從這幾方面來看，云知聲的確具有行業參考性。

數據方面，近10年來云知聲積累了全方位的行業數據，包括面向患者的導診、預問診、患者教育和隨訪系統，也有面向臨床的語音病歷，病歷質控，單病種質控和醫療風險管理系統，已有近400家醫院落地使用。據稱數據規模已達到了5T，為醫療行業語言大模型提供數據基礎。

算法方面，而ChatGPT所代表的認知智能，本身就是云知聲核心技術優勢。他們構建了國內最大的醫療知識圖譜之一。從2019年至2022年，云知聲的認知智能技術在國內外相關評測中榮獲7冠5亞。其自主研發的醫療預訓練語言模型CirBERTa一度登頂中文醫療信息處理挑戰榜榜首。

在算力上，云知聲超算平臺浮點計算能力可達8億億次/秒,可為千億級參數規模模型提供算力保障。

而在大模型工程化方面，云知聲已經研發了CirBERTa模型，復現了GPT-2模型，并利用模型壓縮和知識蒸餾機制，實現了線上推理效率的近百倍加速，為大模型的廣泛應用奠定了基礎。

此外作為行業版ChatGPT，內容質量保障也是關鍵一環。

云知聲給出的解決方案是，利用應用在CirBERTa的持續學習和知識嵌入技術，基于已有知識圖譜積累，優化ChatGPT模型的知識獲取和更新機制。

據介紹，這樣一來可以保證ChatGPT回答中的知識正確性，與此同時還可以給出知識溯源信息。

另外，利用云知聲業內領先的病歷質控技術，可以自動發現生成的病歷中的問題，進而自動生成作為ChatGPT核心技術的基于人類反饋的強化學習（RLHF，Reinforcement Learning from Human Feedback）所需的用戶反饋數據，加速模型的優化。

誰最先吃掉ChatGPT紅利？

最后回到事件本身，此前論及ChatGPT對行業的價值，都是從宏觀上的產業生態和模式創新上談，比如對人機交互、信息分發、內容生產等方面。

如今隨著越來越多的垂直企業入局，ChatGPT對企業的意義也呼之欲出——一種全新AGI的技術范式選擇：基于“大規模通用基礎模型+輕量級行業應用優化”的行業知識整合和問題解決方法。

以往這些場景玩家，對于AI的探索可能處于“看山是山、看山不是山”的懵懂狀態，現在出現了一座“更小，而且明知會有路的山”。

ChatGPT所表現出來的“智能”，給他們帶來了一種明確的技術方向。

云知聲CEO黃偉也深有體會，甚至于相較于AlphaGo，他認為ChatGPT所帶來的影響要深厚得多，相當于一場新的“工業革命”。

這場革命最大的優勢是，通過自監督注意力機制，能夠充分利用海量無監督數據訓練通用基礎模型，并將感知、認知與生成，用統一框架實現“端到端”的整合，直接從高質量生成結果上去呈現機器智能。機器采取的人工引導的數據驅動學習方法，與人類的邏輯思維方式是完全不一樣的，類似飛機所采用的噴氣式“空氣動力學”機制，與鳥類采取的“扇動翅膀”方式完全不同。

不管是對整個產業，還是單個企業而言，ChatGPT所帶來的價值確實讓他們不跟不行。

尤其對于一些場景玩家來說，他們還是最有可能吃掉ChatGPT紅利的一撥人。

他們有場景有數據、有深厚的行業壁壘，一旦具備ChatGPT能力，就可以率先在行業落地。這是其他玩家所不能及的先發優勢。

上一次AI浪潮來襲時，最終也是場景玩家率先吃掉AI紅利。只不過現在ChatGPT是直接以技術路徑出現，落地速度自然要比以往快得多。

云知聲CEO黃偉也給出了個明確的時間點：

年內就會實現成功應用落地的方案。