跨越 AI 天堑时：行动代号“盘古大模型”

我采访过一个案例，某工厂的 IT 负责人想要应用 AI，咨询之后却发现开发成本过于高昂，人才、算力、算法等条件都不具备，最后只能作罢。

我认识一位朋友，任职于某家 AI 技术供应商，他们推出的行业解决方案备受好评，却在实际进入商业化阶段时，发现大量客户都需要定制，只能让公司的 AI 专家四处奔波，解决用户的细小问题，最后利润却连人员开支都无法覆盖。

还记得一条朋友圈。一位 AI 开发者在使用之后感叹 GPT-3 的神奇，同时也惋惜于中文世界缺少类似的 NLP 预训练大模型。

其实，这些朋友都遇到了同一个问题：一道名为“AI 开发”的产业天堑。

当我们谈论 AI 时，总是会将其效果等同于数据集、实验室里的能力上限，却忽略了在真实的开发、训练、部署中，AI 有着太多碎片化与不确定性的因素。

而跨过这道产业天堑，也成为了一场名副其实的全球大赛。这场赛跑中至关重要的一个项目，名为“预训练大模型”。2018 年，谷歌 AI 团队发布了 BERT 模型，预训练模型的价值一时间成为全球焦点。2020 年 5 月，Open AI 公布了拥有 1750 亿参数的 GPT-3 预训练大模型，打破了人类有史以来创建最大神经网络的记录。

与此同时，随着预训练大模型的产业与战略价值水涨船高，致力于将 AI 打造为新一代信息技术核心抓手的中国产学各界出现了一丝紧迫。

中文世界什么时候能迎来强大可用的预训练大模型？又是否能够冲出 GPT-3 带来的能力边界？面对 AI 开发的”天堑”，我们有什么自己的办法？

就在种种声音不断发酵的同时，华为云人工智能领域首席科学家田奇，正在和团队一同发起一次安静的冲锋。

这次冲锋的“行动代号”，叫做——盘古大模型。

天堑：“小作坊式”的 AI 开发困境

试想一下，如果每家企业在进行研发时，都需要自己做螺丝、轴承、齿轮这些基础部件，那整个社会的工业化从何说起？

但在 AI 领域，却真的会出现这种情况。如今，AI 技术的企业渗透率仅仅为 4%，距离产业爆发期还有相当长的路要走。究其原因，并不是 AI 缺乏价值，而是开发过程中存在大量的碎片化因素。每家想要应用 AI 的企业，可能都需要一些技术水平很高的人才来进行独立的架构设计与调参。这就像每家工厂都需要聘请设计师来设计螺丝，是一种相当粗放、原始的手工作坊模式。

来到华为云的田奇，就和同事们共同发现了这样的问题。

加入华为之前，田奇已经是业界知名的 AI 领域学者。他是美国伊利诺伊大学香槟分校博士、IEEE Fellow，也是原德州大学圣安东尼奥分校计算机系正教授。在高校任教 17 年之后，带着学术界的前沿思考和科研成果，田奇与团队来到了产业一线。而他们首先关注到的，就是广泛存于各个角落的 AI 开发困境。

由于传统的 NLP、机器视觉模型开发都来自研究机构，所以其开发模式也天然与实验室对齐，缺乏产业界要求的效率、标准化与成本可控。

比如说，一家企业的一个项目，往往都需要开发一系列定制化的小模型。但每个模型的开发周期都相对较长，并且需要不断完成各种数据清洗、数据增强、模型适配等等琐碎繁杂的工作。这个过程中，开发人员会选择自己熟悉、擅长的模型与开发方式，又导致每个模型之间差异化很大。一旦出现问题就可能推倒重来，而人员变动更可能让所有努力付诸东流。

这种开发模式，存在着“三高”的问题：开发人员专业性要求高、综合成本高、不可控程度高。

那么如何突破这道产业天堑呢？从工业体系的逻辑上看，核心方案就是提升 AI 开发前置工作的标准化程度，把不同开发者所需模型的公约部分提前训练好。这就是工业化中的零件化、标准化和流程化。

在探索 AI 工业化的过程中，预训练大模型逐渐成为行业认可的方案。它的逻辑就是提前将知识、数据、训练成果沉淀到一个模型中，然后将这个基础释放到产业。由不同行业、不同企业的开发者在此基础上进行二次开发和微调。就像一个工业化社会的第一步，是完善重型机械的建造能力。AI 工业化的来临，也需要首先拥有作为底座的“重型机械”。这也成为了盘古大模型团队在华为云体系中的首要任务。

翻越开发天堑，在于能筑“重器”。

登山：盘古大模型背后的人与事

想要打造一个属于中文世界，并且适配各种真实产业场景的 AI 预训练大模型，首先摆在研发团队面前的是两大门槛。一个是技术门槛，大模型需要非常好的并行优化来确保工作效率，这对网络架构设计能力提出了很高要求；第二是资源门槛，大模型训练需要极大的算力。后来在训练千亿参数的盘古大模型时，团队调用了超过 2000 块的昇腾 910，进行了超过 2 个月的训练。这对于一般企业来说显然难以承担。

总之，想要快速打造一个可堪重用的 AI 大模型，需要调用各方的力量，并且精准完成技术上的进化。

2020 年夏天 GPT-3 的出现，让欧美 AI 界产生了对预训练大模型的极高兴趣。但在国内，产业界对 NLP 预训练大模型的关注还相对较少。而机器视觉领域的预训练大模型，在全球范围内都是十分陌生的新鲜事物。

此时，刚刚在 2020 年 3 月份加入华为云团队的田奇，开始组建团队并且进行方向梳理。到了 8 月，团队迎来了核心专家的加入。随后在 9 月，团队开始推动盘古大模型的立项，希望能够在华为云的产业基座上，完成适配各个产业 AI 开发的大模型。

来到 2020 年 11 月，盘古大模型在华为云内部立项成功，也完成了与合作伙伴、高校的合作搭建。在开始打造盘古大模型的时候，团队确立了三项最关键的核心设计原则：一是模型要大，可以吸收海量数据；二是网络结构要强，能够真正发挥出模型的性能；三是要具有优秀的泛化能力，可以真正落地到各行各业的工作场景。

接下来就是选择赛道的问题。NLP 领域的预训练大模型当时已经得到了广泛关注，自然是盘古大模型的重中之重。同时，AI 在产业中应用的更广泛需求是机器视觉能力，所以盘古大模型同时也瞄准这一领域，同时开启了 NLP 和机器视觉两个领域的大模型开发。

与此同时，盘古大模型也做好了未来规划。首先希望能够把机器视觉、NLP、语音，甚至计算机图形学的技术结合起来，形成多模态的预训练大模型，增强预训练大模型的跨领域协同落地能力。另外，AI 落地中还有一个十分重要的领域是科学计算。海洋、气象、制药、能源等领域都有非常强的知识处理、科学计算需求。用 AI 的方法去求解科学计算问题，将带来十分巨大的价值潜力。因此，多模态与科学计算大模型，将是盘古接下来的行动方向。

确定了建设方案与赛道选择之后，接下来的研发工作可以顺理成章地开展，同时也必然经历创造性研究中难免产生的一系列挑战。

比如盘古大模型的核心开发过程，就是以海量有效数据进行模型预训练，实现吸收大量数据之后模型的高度智能化。那么数据和算力从哪来，就成为了一个不可避免的问题。在盘古大模型的开发过程中，华为云和合作伙伴的多方推动，确保了所需数据和算力资源的保障到位。即便华为云拥有非常好的资源基础，在千亿参数级别的大模型面前也依旧存有不足。为此，田奇团队也尝试了与合作伙伴的紧密协作，调用一切资源来确保开发进度。比如团队同著名的鹏城实验室合作，来完成了模型训练所需算力的调用。

而在数据与知识方面，盘古大模型的开发团队经常会遇到与具体行业知识体系、数据系统的磨合问题。这在具体过程中经常出现意料之外的情况。比如一个医学数据的准确率，显然应该依赖医学专家的解答。但在具体场景中，往往医学专家的判断准确率也并不高。这类 AI 之外领域的情况，往往会反向影响到盘古大模型的开发。为此，盘古大模型团队需要与具体的行业专家进行反复沟通，希望把他们的知识或者直观感受，转化为计算机可量化的模型，再对训练出的结果进行协同验证。这种反复的跨领域沟通与联动，才最终可能达成关于 AI 的共识。

在盘古大模型开发过程中，由于时间紧张、训练难度与成本巨大，并且还是机器视觉与 NLP 双模型同时推动，自然也需要内部团队的“超人发挥”。田奇回忆，团队内部都叫自己“特战队员”，也就是角色需要经常互换，工作需要相互支撑，哪里缺人就要哪里顶上。一个技术专家，同时也要考虑很多产业落地、商业化方面的问题。

支撑着盘古大模型不断攻坚克难的团队，起初仅有 6、7 人，他们是让盘古大模型得以从实验室走向产业的中坚力量。如今团队已陆续壮大起来，已包括 20 多名博士、30 多名工程师、3 名广受关注的“华为天才少年”，还有 50 多名来自全国 C9 高校的专家。

翻山越岭从来不易，智能时代亦是如此。

翻越：“盘古”究竟强在何处？

2021 年 4 月，盘古大模型正式对外发布。其中盘古 NLP 大模型是业界首个千亿参数的中文预训练大模型，在 CLUE 打榜中实现了业界领先。为了训练 NLP 大模型，团队在训练过程中使用了 40TB 的文本数据，包含了大量的通用知识与行业经验。

而盘古 CV 大模型，在业界首次实现了模型的按需抽取，可以在不同部署场景下抽取出不同大小的模型，动态范围可根据需求，覆盖特定的小场景到综合性的复杂大场景；提出的基于样本相似度的对比学习，实现了在 ImageNet 上小样本学习能力业界第一。

这些数据下，我们可以进一步考察盘古大模型的优势和能力点在何处。尤其盘古大模型与 GPT-3 的对比情况究竟如何，应该会有很多朋友好奇。

横向对比盘古大模型与 GPT-3 的差异，也是透视盘古大模型技术创新的有效方案。首先我们知道盘古大模型有机器视觉模型，这是 GPT-3 所没有的。回到 NLP 领域中，GPT-3 更偏重于生成，其理解能力相对较弱。这也是为什么我们看到的 GPT-3 案例基本都与文本生成相关。而在盘古大模型的研发过程中，团队考虑到真实的产业场景中有大量的内容理解需求，比如客服、智能对话等等，于是给盘古大模型设计了兼顾架构，能够同时高度完成理解与生成任务。

再来看具体一些的技术差异，盘古大模型提升了复杂场景下的小样本学习能力，在小样本学习上比 GPT-3 提升了一个数量级的效率；在微调能力上，盘古有着更好的数据吸收理解能力，可以在真实行业场景中实现提升模型应用效率；再有盘古大模型集成行业知识的能力更强，其采用更灵活的模块设计，能够根据业务场景适配，提升行业知识吸收效率。

在技术创新之外，盘古大模型还是一个天然瞄准 AI 工业化、现实场景的项目。在立项初期，研发团队就与合作伙伴进行了一系列商业化验证，以此来确保盘古大模型走入真实产业场景中的效率和适应能力。这也是盘古大模型的一大差异，它并非为实验室而创造，而是将工业化的一面放置在更高的优先级上，是一个以商业价值驱动研发创新的“实干模式”大模型。

再有一点，盘古大模型与其他预训练大模型不同的是，团队在研发过程中始终将生态化、协同创新纳入考量。盘古大模型是一个开放、可生长的产业实体，可以在各个环节引入生态合作伙伴、高校科研团队，以及不同领域 AI 开发者的力量。这样确保了盘古大模型融入产业链条、搭建生态化合作的能力。从技术化、商业化、生态化三个层面，盘古大模型都驱动预训练大模型来到了一个新的阶段，建造了一个从“作坊式 AI 开发”到“工业化 AI 开发”的转换基础。

盘古之力，在于合力。

灯火：大模型的落地进行时

虽然刚刚发布几个月，但从立项之初，盘古大模型就已经开展了一系列产业合作。这些来自千行百业的“盘古故事”，可以让我们看到大模型与 AI 开发之变带来的真实影像。

在物流场景，盘古大模型协助浦发银行构建了“物的银行”——浦慧云仓。在人员行为、货物检测方面，可以实现性能提升 5%到 10%；同时开发效率也极大提升，原本需要 1 到 2 个月的开发工作，现在只需要两三天就可以完成，开发中的人力、算力、维护成本都极大降低。

在盘古大模型的落地进程中，也经常会出现一些“意外”的惊喜。比如在国家电网巡检案例中，由于缺陷种类复杂多样，传统的方法需要对大多数缺陷适配特定模型以满足性能需求，这样 100 余种缺陷就需要开发 20+模型，造成模型迭代维护困难。盘古大模型创造性地提供行业预训练模型，得益于其突出的特征表达能力，能够做到一个模型适配所有缺陷，极大地提升了开发效率，同时识别效果平均提升超过 18%。同时，盘古大模型还提供针对零样本的缺陷检测功能，能够快速判断新缺陷，真正贴近于巡检员能力。

这样的案例不断增多，让盘古大模型的行业认可度节节攀升。继而也让“预训练大模型是 AI 工业化主要途径”成为行业共识与产业发展方向。目前，盘古大模型已经在 100 多个行业场景完成验证，包括能源、零售、金融、工业、医疗、环境、物流等等。精度提升、效率加强、开发成本下降，逐渐成为盘古大模型走向产业的几个“标签”。

万家灯火初上，百业 AI 将兴。

思索：AI 工业化的虹吸与变革

盘古大模型的故事当然刚刚开始，但从它的立项、研发和落地进程中，我们却可以得到一些关于 AI 工业化的思考。

从历史中看，一种产品的工业化进程必然需要经历研发为重—基座为重—产品为重三个层级。比如说我们熟悉的智能手机，在经历了微型处理、无线通讯、屏幕触控等技术的储备阶段之后，最终形成了一套标准化的集成逻辑与基础产业链。这一阶段，厂商不必再花费巨资进行基础研发，而是可以用相对较低的成本完成零部件采购与集成制造。也只有这样，厂商才能打磨产品，雕琢功能，消费者才能用上物美价廉的智能手机。

将这个逻辑回溯到 AI 领域。自深度学习为代表的 AI 第三次兴起之后，这项技术得到了快速发展。但其基础业态还处于“研发为重”的第一阶段。行业中缺乏公开、有效、低成本的产业基础，最终导致很多理论上成立的落地方案难以成行。

而盘古大模型的价值，恰恰就在于推动 AI 的低成本、可复制。虽然在打造大模型的阶段需要耗费巨大的研发成本与资源，但一旦突破产业规模期，将带来全行业的普惠价值。田奇认为，目前我们处在 AI 工业化开发模式起步后的快速发展阶段，而大模型是最有希望将 AI 进行落地的一个方向。

从这个角度看，我们在观察、思考和推动预训练大模型发展时，就不应该停留在科研基础设施的角度，而是应该以产业应用为导向，引导各方全力以赴，谋求 AI 工业化进程的质变契机。

从盘古大模型的故事中看，这个过程需要多重力量的携手与跨界。比如说，田奇加入华为，一度被视作 AI 学者进入产业界的代表性事件。而今天来看，这种“跨界”和“变化”确实起到了作用。田奇有着最新的研究方法、技术创新能力与国际视野；而在华为云的产业结构中，田奇团队也找到了学术界所不具备的驱动力——在产业界，科学家必须思考功耗、效率、成本、商业场景等等一系列真实问题，“学以致用”需要落进方方面面。

再比如，盘古大模型的开发过程，也是一场 AI 学者与工程师，同各行业专家、企业的对话。铁路、物流、医学、天文，种种知识要融入大模型之中，这就需要更强的协同能力与互相理解。

产学研的纵向融合，不同行业领域的横向协同，诞生了 AI 在工业化阶段必须经历的虹吸效应。从这个角度看，盘古大模型也是一次产业、科研的虹吸范本。

这种“协同发力、重装行动”的盘古大模型模式，或许将在未来一段时间内不断涌现，也将成为云计算与 AI 产业的战略重心。而其影响，可能是 AI 开发的综合门槛下降，一系列产业与社会价值的提升，以及战略级 AI 基础设施的完备。

田奇回忆说，在打造大模型的过程中，他更多考虑的是可能带来的商业价值。如果不能复制推广，那么大模型可能就是“一个 toy、一个只能在实验室中被观赏的东西”。团队希望大模型能够在更多场景中被使用，这样才能带来改变。

当更多科学家、行业专家、AI 架构师，用这样的角度和动力去思考 AI、推动 AI、建造 AI，横亘在 AI 面前的产业天堑，最终会成为登山者的丰碑，成为 AI 工业化变革的标志。

也许有一天，我们在聊 AI 往事的时候，会记住这么几个字：

AI 落地，“盘古”开天。