距離ChatGPT、GPT-4等引爆新一輪人工智能變革的時(shí)刻，已經(jīng)過(guò)去了整整一年的時(shí)間。在這一年里，國(guó)內(nèi)外大量公司涌入大模型的“斗獸場(chǎng)”，加速大模型技術(shù)的迭代與躍遷。

大模型前所未有的通用任務(wù)處理能力，讓所有人看到了解鎖更多應(yīng)用場(chǎng)景的可能性。各行各業(yè)開(kāi)始從自身業(yè)務(wù)出發(fā)，探索與大模型結(jié)合的可能性，對(duì)大模型的渴求遠(yuǎn)勝以往。

但在這喧囂的背后，越來(lái)越多的業(yè)內(nèi)外人士開(kāi)始冷靜思考這樣的問(wèn)題：

大模型能做什么？大模型何時(shí)變現(xiàn)？

置于中國(guó)獨(dú)特的技術(shù)創(chuàng)新土壤，這是一道難以回避的命題。

△圖：由DALL·E 3生成

中國(guó)AI行業(yè)經(jīng)過(guò)多年發(fā)展，雖然在生物識(shí)別、工業(yè)機(jī)器人、自動(dòng)駕駛這樣的領(lǐng)域，取得了一定程度的突破，但真正被技術(shù)顛覆、大規(guī)模落地的產(chǎn)品和應(yīng)用并未出現(xiàn)。

過(guò)去在小模型時(shí)代沒(méi)有解決的難題，會(huì)隨著大模型的到來(lái)迎刃而解嗎？

作為國(guó)內(nèi)最早一批人工智能創(chuàng)業(yè)公司，曠視經(jīng)歷過(guò)AI技術(shù)創(chuàng)新和商業(yè)化探索的起起伏伏。面對(duì)大模型引爆的新一輪AI浪潮，曠視是如何看待和布局的？

錨定多模態(tài)大模型

“從技術(shù)演進(jìn)看，無(wú)論是之前的AlphaGo，還是如今的大模型，本質(zhì)上都是深度學(xué)習(xí)的延續(xù)。這輪人工智能技術(shù)的發(fā)展浪潮只有一項(xiàng)核心技術(shù)能力，那就是深度學(xué)習(xí)。”曠視聯(lián)合創(chuàng)始人、CEO印奇表示，從CNN、ResNet到Transformer，深度學(xué)習(xí)是底層最核心的技術(shù)主軸。

大模型的爆發(fā)，源于學(xué)術(shù)界和產(chǎn)業(yè)界過(guò)去十幾年在NLP、視覺(jué)、語(yǔ)音等深度學(xué)習(xí)核心領(lǐng)域研究成果的積累，這是一個(gè)從量變到質(zhì)變的過(guò)程。

從小模型走向大模型，變化的是模型的規(guī)模與性能，不變的是深度學(xué)習(xí)這條主線。在印奇看來(lái)，深度學(xué)習(xí)引發(fā)的創(chuàng)業(yè)潮中，雖然很多公司聲稱自己是AI公司，但大多數(shù)還是在做AI行業(yè)應(yīng)用。

曠視從成立開(kāi)始就一直沿著計(jì)算機(jī)視覺(jué)的方向，堅(jiān)持做深度學(xué)習(xí)的基礎(chǔ)科研。“曠視在深度學(xué)習(xí)領(lǐng)域有核心能力積累，這是我們持續(xù)引領(lǐng)創(chuàng)新的根基”。

如今，隨著大模型技術(shù)的躍遷，視覺(jué)模型領(lǐng)域呈現(xiàn)出“大”和“統(tǒng)一”的趨勢(shì)。“大”意味著大數(shù)據(jù)、大算力和大參數(shù)量，“統(tǒng)一”體現(xiàn)在NLP、視覺(jué)、語(yǔ)音等模態(tài)的融合，以及感知、理解和生成能力的融合。

作為一家以視覺(jué)技術(shù)見(jiàn)長(zhǎng)的AI公司，曠視將視覺(jué)模型和語(yǔ)言模型結(jié)合，大力發(fā)展多模態(tài)大模型，實(shí)現(xiàn)對(duì)多模態(tài)信息的綜合理解與分析。

印奇表示，曠視的目標(biāo)從第一天就沒(méi)有變過(guò)，就是走向AGI。而我們的路徑也比較明確，就是要軟硬結(jié)合。多模態(tài)大模型是當(dāng)前最重要的環(huán)節(jié)，我們會(huì)專注這個(gè)領(lǐng)域的科研。

△圖：由DALL·E 3生成

曠視的研究院團(tuán)隊(duì)從很早開(kāi)始就投入大模型的研究，在視覺(jué)技術(shù)、底層框架和數(shù)據(jù)閉環(huán)等方面積累了大量基礎(chǔ)科研成果和科研人才，為多模態(tài)大模型的持續(xù)迭代奠定了基礎(chǔ)。

曠視提出的多模態(tài)大模型，是視覺(jué)在走向“大”和“統(tǒng)一”的過(guò)程中，與NLP深度結(jié)合的產(chǎn)物，是多模態(tài)的語(yǔ)言與視覺(jué)理解模型。

基于長(zhǎng)期積累的行業(yè)經(jīng)驗(yàn)，曠視將??多模態(tài)?模型定位在數(shù)?億?數(shù)百億參數(shù)級(jí)別的中?模型上。位于這個(gè)區(qū)間的大模型，本身具備較強(qiáng)的通用屬性，同時(shí)在行業(yè)部署成本、效率以及硬件適配等方面也是更優(yōu)解。

隨著OpenAI Sora模型的問(wèn)世，多模態(tài)大模型近期引燃了各行各業(yè)。雖然視頻生成是Sora最直觀的亮點(diǎn)，但更令人驚嘆的是它揭示出多模態(tài)模型對(duì)于圖片、視頻等強(qiáng)大的理解能力。

“Sora展現(xiàn)出的是OpenAI在走向AGI的過(guò)程中一個(gè)重要的中間態(tài)技術(shù)關(guān)鍵點(diǎn)，我們重點(diǎn)是要理解其底層的技術(shù)框架，而不是Sora應(yīng)用本身。”印奇認(rèn)為，在圖像視頻的領(lǐng)域，要將“生成”和“理解”分開(kāi)來(lái)看。

如果將Sora作為獨(dú)立應(yīng)用來(lái)看，它體現(xiàn)的是生成能力，核心應(yīng)用場(chǎng)景更偏C端。而曠視會(huì)聚焦在感知理解能力上，其多模態(tài)大模型是針對(duì)圖片、視頻、文字等不同模態(tài)，綜合實(shí)現(xiàn)感知、理解和推理的引擎。

曠視會(huì)更專注于理解能力上，并在此基礎(chǔ)上面向2B業(yè)務(wù)打造行業(yè)應(yīng)用。相信多模態(tài)大模型一定能解鎖更多的行業(yè)應(yīng)用場(chǎng)景。

把多模態(tài)大模型扎進(jìn)行業(yè)中去

盡管行業(yè)內(nèi)外對(duì)于大模型的期待頗高，但一個(gè)普遍的行業(yè)共識(shí)是，目前的基礎(chǔ)大模型對(duì)于需求多元化的行業(yè)不具備廣泛的適用性。

在將大模型能力遷移到各行各業(yè)的過(guò)程中，不可避免會(huì)遇到復(fù)雜的場(chǎng)景需求。企業(yè)用戶在評(píng)估大模型的時(shí)候，會(huì)綜合考量應(yīng)用場(chǎng)景、數(shù)據(jù)安全、升級(jí)維護(hù)和成本效益等因素。

對(duì)于大模型公司而言，這就意味著有大量“最后一公里”的工作要做，例如場(chǎng)景技術(shù)匹配、端到端部署、軟硬件適配和安全性等。

在印奇看來(lái)，隨著大模型時(shí)代的到來(lái)，“最后一公里”的效率會(huì)大幅提升、成本會(huì)顯著下降。但是，行業(yè)落地“最后一公里”的問(wèn)題仍然存在。他表示，曠視的路徑選擇，是要堅(jiān)定地走B端商業(yè)化的路徑。

△圖：由DALL·E 3生成

對(duì)于B端業(yè)務(wù)而言，僅僅憑借基礎(chǔ)大模型是難以切實(shí)落地的，ROI很難轉(zhuǎn)正。因此，曠視會(huì)重點(diǎn)推動(dòng)多模態(tài)大模型在行業(yè)的應(yīng)用，切入行業(yè)去做行業(yè)大模型。

大模型應(yīng)用到具體行業(yè)，需要端到端的方案，門(mén)檻并不低，必須具備對(duì)于模型、系統(tǒng)、數(shù)據(jù)和行業(yè)的綜合理解能力。

首先，從技術(shù)角度看，絕不是將開(kāi)源模型稍微調(diào)整一下就好，必須具備端到端的大模型能力。

其次，從行業(yè)角度看，本質(zhì)上還是要以客戶為中心，與客戶共創(chuàng)行業(yè)大模型。行業(yè)know-how的積累，在大模型時(shí)代依然是稀缺的能力。

多年來(lái)，曠視服務(wù)了眾多的行業(yè)頭部客戶，在重點(diǎn)行業(yè)積累了專業(yè)的知識(shí)與經(jīng)驗(yàn)。目前，曠視正在與金融、運(yùn)營(yíng)商、手機(jī)、智能汽車(chē)等領(lǐng)域的客戶一起，推動(dòng)大模型在行業(yè)的落地。

“目前走得比較快的還是金融行業(yè)。”曠視科技資深副總裁、云服務(wù)事業(yè)部負(fù)責(zé)人趙立威解釋道，“從去年年中開(kāi)始，我們服務(wù)的一些金融類(lèi)的客戶就開(kāi)始大模型探索了。因?yàn)樗鼈儽旧砭哂幸欢ǖ幕A(chǔ)能力儲(chǔ)備，再加上對(duì)新技術(shù)敏感，因此對(duì)創(chuàng)新的渴求異常迫切。”

趙立威表示，大模型在像金融行業(yè)這樣典型的數(shù)據(jù)密集型、知識(shí)密集型行業(yè)一定大有可為。在他看來(lái)，從實(shí)際效果來(lái)看，大模型在短期內(nèi)“增效”的效果要大于“降本”，也更能為客戶所接受。

但是，大模型要做到行業(yè)增效，是一項(xiàng)異常復(fù)雜的工程。很多行業(yè)客戶基于大數(shù)據(jù)、ERP、CRM等傳統(tǒng)IT能力，已經(jīng)形成了標(biāo)準(zhǔn)業(yè)務(wù)流程。

如果僅僅是將大模型簡(jiǎn)單地替換原有的IT體系，增益將會(huì)非常有限。只有充分理解已有的業(yè)務(wù)需求和邏輯，顛覆以往的業(yè)務(wù)流程、組織關(guān)系甚至是決策體系，才能發(fā)揮大模型在增效方面的作用。大模型落地，絕不是簡(jiǎn)單的技術(shù)問(wèn)題，而是復(fù)雜的業(yè)務(wù)問(wèn)題。這一輪大模型的落地，一定是要與客戶共創(chuàng)才能實(shí)現(xiàn)。

目前，圍繞金融行業(yè)，曠視正在與銀行、保險(xiǎn)等客戶合作，在金融風(fēng)控、智能客服、文檔/代碼寫(xiě)作、圖文分析、市場(chǎng)營(yíng)銷(xiāo)等業(yè)務(wù)場(chǎng)景進(jìn)行大模型的探索。

趙立威表示，“今年肯定是一個(gè)從0到1的過(guò)程，最重要的還是從重點(diǎn)客戶入手，找到一些適合大模型的業(yè)務(wù)場(chǎng)景，并實(shí)現(xiàn)業(yè)務(wù)閉環(huán)。這是我們的第一優(yōu)先級(jí)。”