OpenAI“政变”进行时，“百模大战”接下来该战什么？

这两天 AI 圈最热闹的消息，应该就 OpenAI 高层内讧，标志性人物、原 CEO Sam Altman 被董事会解雇，数位科学家和高层离职。

关于“政变”的原因，坊间有很多传言，比如商业化和非营利原则的矛盾。总之，事件相关者在舆论场拉扯，吃瓜群众则瞪大了眼睛看戏。这场风波会给全球 AI 研发，尤其是大模型带来什么影响，还是未知数。

有人做了一个梗图，大模型厂商乱成一锅粥，只有卖卡的英伟达稳坐钓鱼台。

任它天边云卷云舒，可以肯定的是，中国的 AI 大模型在取得广泛成就的基础上，会继续向前发展，释放产业价值，并且不会一味照搬海外，尤其是 OpenAI 的模式。

带着这份淡定，我们将目光聚焦在国产大模型，会发现“百模大战”热潮中，还缺乏对各类大模型全面、分层、真实的能力评估。

通用大模型、行业大模型，都在比拼参数规模，但训练数据质量不确定，仅凭参数，行业客户和用户也难以选对适合的大模型。

那么看榜单呢？基准测试 benchmark 和标准化数据集，可以针对性调优，榜单无法反映实际应用效果差距。

而且大模型在不同任务场景下，表现的区分度很大。一位开发者说，“现在就是告诉你都有哪些大模型，实际效果还是得靠自己测测看”。

据中国信通院的数据显示，目前的大模型测试方法和数据集已有 200 多个。想要一个个测过来，会给用户带来非常繁重的工作量。

“百模大战”乱花渐欲迷人眼，那么，除了“跑分”打榜和参数“碾压”，还有什么办法来真实且有效地评判一个大模型的水平呢？

有必要来聊聊，“百模大战”，不同赛道都在战什么？

大模型，不看高分看高能

所谓“百模大战”，并不是每个大模型都在做着同样的事。其中，既有想做基座模型 basemodle 的通用大模型，如百度的文心、阿里的通义、腾讯的混元、华为的盘古、讯飞的星火、智谱的 ChatGLM 等，也有面向行业、场景的垂直大模型，目前在金融、教育、工业、传媒、政务等多个领域都大量涌现。

不同赛道的大模型，其核心竞争力也不一样。比如一味拼算法的打榜，对于行业大模型来说，可以作为一种宣传手段和“炫技”，但实际效果才是用户最关注的。

目前不少开发者反映，各类大模型都存在各自的问题。

1.基座模型，本身能力有限制。

提到通用大模型，大家可能第一时间想到的就是推理能力，这也是大模型基准测试的主要指标。但在实际应用中，尤其是文科类型任务，大家不会没事出“脑筋急转弯”来测试通用大模型的逻辑推理能力，而是更希望大模型在复杂任务和上下文长度上，有更可靠的表现。

比如写一篇演讲文稿，篇幅一长就开始胡说八道或泛泛而谈，文本的采用率下降；为 AIGC 配字幕，不能整篇生成，还需要人工将文案切割成片；编写一个程序，半路开始 network error……这些都是实际应用中，大家比较关注的通用大模型的能力。

2.行业大模型，领域壁垒难翻越。

“百模大战”进行到当下，很多行业开发者和企业都意识到，独有的数据和场景，才是自己的护城河，开始打造定制化的大模型，而领域知识不够，难以形成满足某一领域需求的行业向产品。

比如大模型与行业知识不匹配、许多行业 know-how 还没有知识化、传统的知识图谱与大模型的协同设计等，知识计算的能力不够强，就无法真正撼动领域壁垒，让大模型解决实际的业务问题。

3.有用性，ROI 是个谜。

大模型的实际应用效果难以评估，其中一个主要原因，就是模型生成结果的有用性（采用率、可用率等指标），涉及大量多模态数据。

金融、医药、交通、城市等产业中，存在着大量多模态信息，比如客服电话的语音、医学影像图片、传感器数据等，大语言模型必须具备多模态理解能力，将多模态信息与语言进行综合分析处理，才能保证较高质量的输出。

在实际任务中，上述三种问题可能会同时存在，要同时解决。

一位医药专家告诉我，在研发医学影像的算法时，就需要基座大模型在预训练阶段就具备多模态理解能力、医学影像知识，可以执行通用任务。同时，行业侧还需要根据知识设计目标函数，在特征抽取、相似性度量、迭代优化算法等，都要贡献好各自的知识，才可能训练出一个对医务工作者友好的领域大模型，不需要专业知识，也不需要建模，就能上手使用。

就像工业革命的开始，是因为瓦特改良了蒸汽机。在此之前，蒸汽机早已被发明出来了，但一直没有解决大规模高可用的问题，大模型也是如此。

大模型产业化，必须从基准测试的“跑高分”，向可信赖的“高能力”进化。

百模大战，究竟在战哪些能力？

从高分到高能，让大模型具有与行业结合的可行性，也让“百模大战”正在进入新的阶段。

从产业实际需求来看，可用且有效的大模型，至少应该具备几个核心能力：

1.长文能力。

大语言模型的技术特点，被认为是“鹦鹉学舌”，将输入信号拼凑成有一定语法结构的句子，也就是文本补全能力。而大模型都有“幻觉”，上下文窗口的长度增加，逻辑幻觉就可能越严重，“鹦鹉学舌”开始变得吃力。

在很多垂直行业应用中，如金融、法律、财务、营销等，长文档的分析处理和生成能力是刚需。

在长文中保持逻辑的连贯性、合理性，考验着大模型的综合能力，比如对复杂语句的理解及记忆能力，生成的可靠性，这也是大模型走向产业化的核心。

目前，无论开源、闭源大模型，都将长文能力作为一个核心竞争力。比如流行的开源大模型 Llama 2，就将上下文长度扩展至 128k，而基于 LLaMA 架构的零一万物的 Yi 系列大模型，此前曾宣称拿下了全球最长上下文窗口宝座，达到 200K，可直接处理 40 万汉字超长文本输入。闭源大模型中，GPT-4 Turbo 支持了比 ChatGPT 更长的上下文（128k tokens），百度的文心大模型通过对话增强，提升上下文理解能力。

2.知识能力。

大模型“大力出奇迹”的模式，忽略了模型准确感知和理解注入知识的能力，目前已经凸显了很多问题。比如不理解领域知识，在实际业务中表现不佳，无法满足 ToB 用户的需求。因此，当欧美科技公司依然在执着追求更大参数时，百度、华为等国内大模型厂商，开始转向了行业场景，将强业务知识引入文心、盘古的行业大模型之中，来提升大模型在行业任务中的应用效果。

具体是怎么做的呢？以“行业知识增强”为核心特色的文心，是在预训练大模型的基础上，进一步融合大规模知识图谱，挖掘行业应用场景中大量存在的行业特色数据与知识，再结合行业专家的知识，从大规模知识和海量数据中融合学习，把知识内化至模型参数中。

当用户输入问题时，文心 4.0 会拆解回答问题所需的知识点，进而在搜索引擎、知识图谱、数据库中查找准确知识，再将知识组装进 Prompt 送入大模型。另一方面，大模型还将对输出结果进行反思，从生成结果总结知识点，进而通过以上方式进行确认验证，对结果差错进行修正。

目前来看，在同等参数规模下，知识增强的深度语意理解，效果大幅超越了纯粹用深度学习的方法，推理效率更高，并且可解释性更强，更符合产业对可信 AI 的需求。

目前，知识+大模型还有许多细节有待解决，比如知识体系的构建，知识的持续获取，知识应用和推理等，这些问题的攻克都会给行业认知智能带来重大机会。

3.多模态能力。

2022 年我参加华为云 AI 院长峰会，一位科学家提到，大模型有一个问题，就是有很多符号领域，大模型根本就不理解。他认为，大模型是数据与知识双轮驱动的，双轮驱动是未来人工智能发展的重要模式。

前面我们说了知识能力的重要性，那么“数据”究竟拼的是什么呢？就是多模态能力。

把大模型应用到领域的时候，会发现问题非常多，根本达不到预期的效果。一个主要原因，大语言模型完全是基于语言的，而真实世界的复杂任务，有大量的数值、图表、语音、视频等多模态数据，数据的多模态特性增加了模型处理、建模和推理的复杂性。

一位医疗模型的开发者告诉我，医疗任务分析非常繁杂，数量级很多，有不同模态、病种，每一种模态有不同的诊疗任务，要把文本、图像等多模态包容过来，而医疗领域非常缺少多模态的预训练模型。

大模型要在实际业务中达到与人更接近的能力，也需要跨模态建立统一认知。

举个例子，AIGC 生成营销活动物料，根据文字描述生成图像、视频，既要精确理解提示词的语义，还要符合领域规范，不能出现不合规的素材，同时要控制生成内容的质量，保持跨模态的语义一致性。

国产大模型在多模态领域也做了很多差异化探索，除了大家熟悉的以文生图，在医疗影像、遥感、抗体药物、交通等领域，跨模态技术融合也在快速开展，未来会是基座大模型和行业大模型的亮点。

从这些产业需要的能力来看，大模型的产业属性和价值已经清晰展露了出来。

大模型，绝不是聊聊天、搞怪图片那么肤浅，技术覆盖区域是很广阔的，技术应用价值已经足够具有说服力。

但也必须承认，目前，绝大多数产业所获取的技术能力和技术深度，都还远远不够。一方面受限于上游的基座大模型能力，同时也缺乏深度定制化的中游服务商，导致用户大多只能调用简单化、标准化的 API，而难以将领域知识、多模态数据与大模型深度结合。

未来，从高分到高能，国产大模型一定会依靠自身的差异化技术路线，以及中国丰富多样的产业需求，从懵懂走向成熟，甚至先于欧美，走向千行百业