本报记者蒋牧云何莎莎上海北京报道
自AI热潮掀起以来，国内互联网大厂躬身入局，各类机构奋起追赶，创业型企业纷至沓来。业内戏称，一场大模型的“百模大战”已经扩展到“千模大战”。
根据近期中国科学技术信息研究所发布的《中国人工智能大模型地图研究报告》，中国从2020年进入大模型快速发展期，目前中国10亿参数规模以上的大模型已发布79个。从全球已发布的大模型分布来看，中国的增长态势处于领先国家之列。
值得思考的是，一面是前期入局企业已经技术落地，另一面是新入局者仍不断增加，未来行业会形成怎样的发展格局？在各个领域内，技术落地的实际情况以及存在的挑战是什么？在全球范围内，我国与头部大模型之间的差距如何缩小？ 为探寻上述问题的答案，《中国经营报》记者采访了科大讯飞研究院院长刘聪，冰鉴科技创始人兼董事长顾凌云，恒生研究院院长、恒生电子首席科学家白硕，奇富科技大模型专家甄浩。
从加速落地到分化与竞争
在大模型技术的落地阶段，行业的领域知识能力和工程化能力，将是重要的竞争力要素之一。
《中国经营报》：国内从“百模大战”到“千模大战”，入局大模型的企业与机构越来越多，这对行业发展意味着什么？ 在激烈竞争中，哪些是凸显竞争力的要素？
刘聪：目前，国内大模型确实呈现“百花齐放”的态势，各家人工智能企业纷纷加大投入力度，相继发布并迭代大模型及相关产品。随着国家相关政策的不断出台与指导，大模型市场发展将进一步规范。
竞争的优势其实取决于做什么事和做事的目标。对于基础通用大模型来说，投入非常大。基于企业能否支撑长期投入以及商业模式选择的不同，最后可能是几家基础大模型形成一个基础设施，并在此基础上衍生出一些新生态。在行业应用领域，创新创业公司也能找到应用和产品的切入点，做到很不错的成绩。
顾凌云：“千模大战”将为行业带来颠覆性革新，极大提高目前的生产效率，特别是生成式AI，可能重新定义很多行业，很多基础性工作将由AI完成。同时，大模型也将催生诸多新模式新业态，赋能各行各业。大模型产业链可简单分为提供算力的基础层、模型层和应用层。展望未来，人工智能的应用将向纵深发展，而不仅是在宽泛的领域当中进行大规模应用。因而，丰富智能化应用场景变得非常重要。
白硕：目前，市场上大模型研究、产品和资本的投入每周都在发生巨大变化，市场热情空前高涨，这势必加快大模型的商业化落地。随着各类大模型和创新产品的涌现，市场对于大模型的认识水平也在不断提高，优秀的大模型产品和公司将逐步脱颖而出，一批头部企业将加快显现。
在大模型技术的落地阶段，行业的领域知识能力和工程化能力，将是重要的竞争力要素之一。以金融行业为例，因金融行业具有很强的专业性，通用大模型往往难以胜任金融业务场景，还需要为大模型注入高质量的金融数据和领域经验，让大模型更懂金融，并且根据金融领域的特定任务进行全参数的指令精调，从而获取更好的结果。
甄浩：入局机构的增加无疑会提升整个行业的平均技术积累，要求大家在产品体验形成区隔，并在后续的商业化开发中提供更多观点与角度。将更快推动行业整体上升，也将在竞争中让行业走向成熟，应用场景与付费场景更加明确。
需要注意的是，行业理解与行业定位、数据量、模型训练算法、算力，这些将使得各个企业更加明确自身的产品定位，深入行业变得更加重要。例如，要做全内容或全行业的大模型，需要面临成本较高、落地周期更长的问题。但如果专注某一行业赛道，对需求、行业语言和业务环节的理解，将帮助企业更高效地开发出适用于该行业的大模型。专业能力与应用构想，算力、数据、算法之间的协同，以及元素之间的平衡，将成为大模型竞争力的关键方面。
《中国经营报》：目前，在技术落地的过程中最具挑战的是什么？
刘聪：在技术渗透进各行各业的过程中，提升专业度是挑战之一。特别在部分领域，信息尚不完备的情况下，应用过程中需要寻找什么时候跨过人机协同的边界。什么样的问题可以由大模型自主判断，什么样的问题又需要人类专家再确认，哪些领域是基于知识，哪些又需要经验支撑，必须谨慎划分。
白硕：对于金融领域模型而言，精调是较有挑战的一项工作。首先，需要积累更加专业的金融语料，使大模型更加专业。主要需要三种类型数据：语种强化数据可以让大模型更懂中文；领域强化数据可以让大模型更懂金融；应用强化数据可以让大模型更好地对接应用，包括金融代码工程、接口调用数据、DB/KG元数据等。三类数据的配比十分关键，只有合理的配比才能达到好的训练结果，如果配比不合理，则发挥不出数据最佳的效用。其次，需要使用更加高效稳定的大模型训练方式。恒生电子希望通过增强基座的中文特性、金融领域预训练、指令微调、强化学习等方式将大模型更加高效稳定地训练出来。
甄浩：根据观察，金融大模型在风控场景下落地最具挑战。风控的主场景十分严谨、容错率很低，而当前的大模型擅长自圆其说，在真实性和事实验证上有不少问题，结果导致理解上或者判断上产生一定偏差，这在风控的主场景上是不能接受的。但不能否认，大模型依然能够为人力提供更多信息参照、更多风控判断的线索。因此，在风控场景下落地，奇富科技主要切入一些需要由人工进行决策或判定的场景，以辅助人效提升，从而产生规模效果，进而实现大模型赋能风控业务。
全面提升模型效率聚焦安全可控
对金融行业来说，如何形成“法规—模型堤坝—用户需求”之间的动态平衡十分重要。
《中国经营报》：目前，我国的数据质量及算力基础等，较海外头部水准仍有差距。那么，我国追赶的路径有哪些？
刘聪：在客观认识当前差距、挑战并奋力追赶的过程中，特别需要用长期主义的心态去追求更高的目标。中国认知智能大模型的发展，不仅要“弯道超车”，还需要“直道冲锋”。
首先，在“直道冲锋”的过程中，我们会遇到各种困难与阻碍，例如芯片、高质量数据、系统迭代等。但国内在大模型各技术领域有长期的探索与积累，核心技术方面的系统性创新也“开花结果”，加上国家对这一领域的高度关注，我们在认知智能大模型的长跑中要有底气和信心。
其次，“直道冲锋”是一场“持久战”，产业先行、科研创新与产业发展要齐头并进。产业先行，指的是创新应用后带动生态圈的整体发展。在做出阶段性成果后，科研创新与产业发展必须协同并进，彼此范式持续迭代、相互促进，持续对标并不断缩小差距。
最后，在后续的“长跑”过程中，通过产业界和学术界的紧密协同，科研领域会诞生多方面的开源大模型，让科学家可以在这些模型平台基础上进行更加前沿的创新性工作，语音、图像、自然语言处理等领域的科研任务和目标可能也会出现新的变化。
顾凌云：作为大模型研发中必不可少的三大基础要素，算力对于大模型的训练速度有决定性影响，也是制约大模型成果水平的关键因素。国内还有不少存量GPU（图形处理器），以支撑目前的大语言模型训练，但整体仍然还处于GPU受限的情况之中。需要指出的是，大模型不是数据规模越大越好，高质量的数据才可以使得垂直领域的大模型表现优异。在细分领域，我国很多企业本身就拥有高质量大数据。近期，国内的数据标注产业发展飞速，一些初创企业数据标注人员甚至超过千人，国内高质量数据积累将会快速发展，将为大模型提供大量高质量数据，并为垂直领域大模型“弯道超车”奠定基础。
此外，国内互联网巨头、人工智能企业在算法方面积累丰富，而算法本身是一个渐进式的过程，需要长期迭代，需要利用算法不断优化。加之国内人才储备较多且成本更低，具有追赶潜力。
白硕：在大模型的训练和推理过程中，高性能的计算能力至关重要。我们希望通过国产化算力支持，以确保金融大模型在本土能够高效运行。这可能涉及开发本土化的GPU、加速卡、服务器等硬件设备，以满足金融领域巨大的计算需求。同时，为了提高算力效率，还需要进行算法和硬件优化，以确保计算过程更快、更节能。
甄浩：数据质量是国内互联网生态普遍存在的问题，相较而言，垂直于金融行业的奇富大模型，有相对明确的应用场景，而基于奇富科技多年在科技金融领域的业务积累，大量对话数据和金融场景的问题处理方案，都能形成足够的金融领域数据基座。诚然，要做成完善强悍的大模型，扩充数据来源、挖掘优质数据始终是要务之一。在这方面，我们也在寻求与更多金融同业伙伴合作，在安全的前提下提高数据的兑现潜力，帮助优化奇富大模型。
《中国经营报》：在大模型的应用中，哪些问题还需要解决？
刘聪：权衡安全可控与技术发展的关系是问题之一。目前已经出现一些用AI进行欺骗的案例，而拓展到多模态（图片、视频）则可能会有更多类似事件发生，所以安全可控非常必要。需要注意的是，技术发展与算法紧密相关。国内刚开始做大模型时，很多企业只做中文数据训练，甚至不敢用英文，但既然要做AGI（通用人工智能），就必须向全世界去学习知识。《生成式人工智能服务管理暂行办法》已经于8月15日正式生效，从长远来讲，针对算法的安全可控是必要的，这也是大模型配套的一环。
顾凌云：在商业化过程中，暴露出大模型幻觉问题，以及对于大语言模型实际不了解的问题，会输出一些杜撰的结果，这在要求准确性和真实性的商业场景中很难接受。应用中需要通过一系列手段来识别和抑制大语言模型产生幻觉。此外，大模型过度依赖先验知识，不进行主动学习和探索，缺乏适应性和灵活性。
白硕：对于金融机构来说，数据安全问题至关重要。由于大模型所收集的数据来源于公开数据，而在金融领域很多数据涉及合规、隐私，以及监管问题，很多金融机构在使用大模型时明确要求私有部署，至少在行业可信的范围内部署。这样的部署方式下，就会面临如算力挑战、参数体量等问题。如果参数体量不够大，质量可能会比较差，即使输入高质量数据，大模型也无法“涌现”。如果参数体量足够大，仅从推理来看，部署的算力成本也会比较高，金融机构是否有足够的算力将成为问题。
甄浩：一个长久的命题是，从合规操作的角度，如何将AIGC（生成式人工智能）产品保持一个可控可用的平衡。具体来说，人类自然语言、AIGC技术的发展，以及各个行业的法条规范，三者间有一个动态的变化关系。人类自然语言变化与AIGC技术可能是正相关的，二者相互促进，而相关行业规范与法条则是必不可少的抑制力量。以我们的经验而言，法条可以被预设到大模型训练中，相当于为人脑预设类似于“道德”的堤坝。
对金融行业来说，金融行为涉及无数的行为细节与需求、无数的业务条款，如何将法条产品化、规则化预设，形成“法规—模型堤坝—用户需求”之间的动态平衡十分重要。例如，在设计金融行业专属大模型时，预先设置信息过滤壁垒和敏感数据围栏，将用户数据或敏感数据预先封装阻隔。同时，通过产品与规则设计，将金融行业政策规范文档与条款产品化，通过预处理让大模型处于安全可控的笼子里。
