百度平地起“雷”，突然爆出的 QPS 数据意味着什么？

鲁迅先生 1923 年在北师大发表了著名的演讲《娜拉走后怎样》，其中的提问与思考方式振聋发聩，直到今天也依旧有效。面对很多产业现象、技术趋势，我们也不妨多问几个“之后怎样”。

比如说，自 ChatGPT 爆火之后，中国各个互联网、科技公司竞相推出了自己的大语言模型及相关应用。其实，关于中国能否有 ChatGPT 我们从未担心过，而问题的关键在于“之后怎样”。

层出不穷的大语言模型，让人眼花缭乱。但如此多的大模型，差异化和竞争力从何而来？能否顺利、低成本实现产业落地？能否有效支持模型的快速迭代？

发布大模型并不是终点，而是一场新长跑的起点。如果不能有效回答这些问题，那么大模型也最终会像其他技术风口一样，倏忽而来，倏忽而去。

慢慢地，“大模型之后怎样”这个问题，也开始有了答案。4 月 23 日，我们看到一份百度文心一言内部流出的会议纪要。其中显示，从 3 月开始，文心一言启动邀测后的一个多月内，其模型已经迭代了 4 次，最近一次带来的推理效果提升了达到 123%。

到底是什么支持文心一言完成了这种超越常规的迭代速度？

这个“秘密”或许正是中国大模型走向未来所需要的动力，也是“大模型之后怎样”的某种答案。

内部会议纪要，透露出文心一言的奔跑速度

根据内部纪要内容显示，文心一言在开启邀测后用户数与同时在线人数都极速增长，面临这种情况，文心一言需要及时获得更快的响应速度。我们知道，机器学习类模型的应用逻辑包含数据准备—模型训练—模型推理几个步骤。文心一言面临的响应挑战，就是需要及时强化模型的推理能力。

为了实现这个目标，百度对文心一言进行了模型层与框架层的联合优化，从而在一个月内迭代了 4 次，实现了模型推理能力的极大提升。

是什么让文心一言获得了这样的奔跑速度？这就要提到百度飞桨“提前”做好的准备。作为深度学习开发平台，飞桨可以支持 AI 模型从训练到推理的全流程落地。其中，飞桨模型推理服务就可以有效支持大模型升级，这一服务在 4 月 19 日刚刚再次迭代，已迭代至 3.5 版本，它的特点是在业内首创了支持动态插入的分布式推理引擎，从而可以更有效完成庞大数据规模的 AI 模型进行推理部署。

至此我们可以从这份内部纪要中知道，文心一言能够快速持续迭代，并且低成本落地应用的关键，就藏在这里——飞桨与文心一言联合优化。

从结果上看，联合优化带来的价值非常显著。飞桨帮助文心一言实现了模型推理效率提升 10 倍，模型推理性能提升 50%，模型算力利用率提升 1 倍。其中，模型推理效率提升 10 倍，意味着推理成本降低为原来 1/10，或者可以为 10 倍数量的用户提供服务；模型推理性能提升 50%，意味着飞桨可以帮助文心一言工艺更精密，模型的学习效果与鲁棒性更强；模型算力利用率提升 1 倍，是由于飞桨向下兼容到芯片，实现全栈联合优化，从而可以极大降低文心一言的算力开销。

从这几个方向可以看出，飞桨为文心一言带来的价值，是持续性且多方面的，其中最重要的是，飞桨让文心一言可以持续性、低成本向前奔跑，不断进化。

这也恰好解释了这个问题：大模型，路在何方？

飞桨，让大模型节奏飞起的 AI 引擎

在 ChatGPT 全球化爆火，各家厂商、投资人，都在不遗余力地挤上大模型赛道。这种情况当然可以理解，但也必须看到，这条赛道不仅门槛高、入局难，在入局之后构建持续竞争力同样很难。

大模型意味着庞大的算力开支、数据开支，以及更为恐怖的模型迭代成本。入局大模型之后，必须根据用户反馈快速迭代，高效率升级，否则一不小心就会掉队，在第一轮风口过去后陷入行业洗牌，紧跟行业趋势，不断推动模型升级，又会面临巨大的工作量与模型推理成本。

这个两难选择并不遥远，很快就会成为困扰大量新玩家的头疼问题。

而多年部署 AI 基础设施与基础技术的百度，其优势就在这时显示了出来。飞桨与文心一言的联合优化，让文心一言在训练和推理过程中效率大幅提升，实现了真正的人家起跑，我已经几轮加速，节奏快到飞起。

大模型与 AI 开发平台，是相辅相成、互为表里的关系。比如有分析人士解读认为，“大模型就仿佛汽车的发动机，光账面上的动力强，参数大是没有用的，要压榨出发动机瞬时最大爆发力（QPS）以及最优的性能表现。深度学习框架就像是生产发动机和变速箱的，可以让发动机整体部件组合更精密、动力更强。自研产品彼此适配度更高，协同会更高效，这可能是效率提升的最根本原因。”依托风口入局大模型，终归会有一种空中楼阁的隐忧，至少难以将全面的技术栈掌握在自己手中，实现更高效、可控的模型升级。

由此可见，大模型走向成功，除了算力、数据的基础之外，深度学习框架同样扮演着关键角色。面对纷繁而出的大模型，百度文心系列大模型的差异化优势，也就在百度十年搭建的飞桨平台中展露了出来。

而当我们把大模型与飞桨的联动关系，放到科技自立自强的战略高度来审视。又会发现一些别样的答案：飞桨既是百度的 AI 护城河，也是中国大模型的动力引擎。

中国 AI，胜负系于工程化

最近，我们能看到很多大语言模型的发布会，差不多每一家都会说，我们目前确实不如 ChatGPT，以后继续努力。

那么问题来了，怎么努力？

事实上，努力不是说说就行了，而是要找到方式和方法。ChatGPT 代表的算法优势、人才优势、算力优势都是短期很难抹平的，至少看不到可以快速超车的战略空间。中国 AI 想要走通大模型这条路，就只能扬长避短，而中国 AI 的优势在哪呢？从百度流出的内部会议纪要中其实已经告诉了我们答案：工程化。

通过飞桨长期坚持的 AI 工程化路径的掌握与打磨，我们可以看到百度发展大模型的独特优势，同时也可以看到中国 AI 整体性的战略机遇。

首先，对于百度内部来说，通过飞桨牢牢把控工程化能力，可以提升文心一言的迭代速度，降低算力、人工、数据等开销，从而让文心一言能够在同等成本下服务的用户更多，适配产品的效率更高。这就像同样从一处名叫“大模型”的深海油井取得原油，飞桨就像一艘轮船，船速更快，运量还大，而其他人在用帆船运输。效率意味着成本，成本意味着商业化可能性，这就是飞桨的价值，也是 AI 工程化能力的魅力。

从百度向外看，飞桨带来的工程化能力，意味着文心系列大模型的推理成本更低，继而导致其在各行业、各场景中的落地成本更低。这对于文心大模型融入行业，通过产业智能化产生价值是个重大利好。大模型走向千行百业，是今天每家公司都在喊的口号，但这个过程中，一定不能把模型落地成本全部转嫁给行业用户。消解这一成本的关键，也在于飞桨代表的工程化路径。

最后，当大模型已经上升为国家战略，我们必须看到 AI 框架在科技自立自强进程中扮演的角色。如果事关国计民生，每天与无数国人进行问答的大模型，建立在其他国家的框架上，那么其危险系数可想而知。当大模型愈发重要，关注并持续解决深度学习框架卡脖子的隐忧就更加重要。

而从另一个角度看，AI 框架与 AI 开发平台代表的 AI 工程化能力，是中国 AI 技术最亮眼、最特殊的部分。这一部分下接芯片，上达应用，通向千行百业的 AI 开发需求，恰好是 AI 技术中的战略要冲所在。中国 AI 能否扬长避短，实现超车，极大概率就系于工程化能力的建设与发挥，系于 AI 框架与产业智能化的连接中。

中国大模型，就是行业大模型，就是强工程化、强落地性的大模型，只有走通这条路，中国 AI 才有未来。