丨划重点

01

参数量越适合越好，算力越大越好
 

刘兴亮：先科普一下大模型的参数量越大是否意味着越好？

侯方：大型模型看起来非常智能、复杂，实际上我们可以简单地理解它只是一系列矩阵。这些矩阵在数学中表示各种值，通过大量的矩阵运算，完成整个智能的实现。

关于参数规模，自从ChatGPT问世以来，人们迅速开始进行比较。大家惊叹于巨大的参数量，也意识到它产生了大量的智能涌现。

就模型本身而言，并不是说参数越大越好，也不是说参数越小越好，最重要的是要看你要解决什么问题。在不同问题场景下，你可能需要一个更大、更专业、更聚焦的模型，也可能只需要一个很小的模型。

所以，就参数量而言，从我的观点来看，适合的才是最好的。

刘兴亮：大模型参数是过去理解的数据吗？如果用一句话来解释可能是什么？

侯方：简单来说，大型模型通过学习数据并将其转化为其内部的参数，这是相对直观的解释。

数据是指我们用于大型模型学习的语料，也就是我们提供给它的知识，而参数则是构成模型本身的要素，类似于我们大脑中的神经元数量等指标，参数量的大小一定程度上体现的是模型的复杂程度。

需要注意的是，训练大型模型的成本与数据、参数息息相关。模型训练涉及的数据量会影响训练成本，学习100条知识与学习1000万条知识的成本完全不同，因此数据规模对成本产生影响；而模型的参数量越大，就需要更多的训练数据和训练时间，这也意味着成本会更高。

从ChatGPT中可以看出，大型模型的每次训练成本通常在数百万美元以上，所以这是一个非常消耗财力和计算资源的过程。

刘兴亮：说到大模型，算力是躲不开的话题，到底什么是算力，对于模型来说，它的价值在哪？

侯方：一般来说算力越大越好。

算力多意味着模型训练本身的耗时就会变短，训练模型，大模型的智能涌现过程有一些大力出奇迹的过程，所以如果你拥有更多的算力资源，那就在模型训练本身就有更多尝试的可能性。

算力是指在AI大模型训练中的计算能力，通常指的是GPU卡，也就是用于图形处理的显卡。这些显卡在并行计算方面非常擅长，并且内置了芯片和处理单元。当然，CPU也可能提供一定的算力，因为它是计算单元的一种形式，这就是算力的意义。

刘兴亮：现如今企业对于大模型的需求体现在哪些方面？

侯方：自从大模型问世以来，我们与客户交流和合作的频次显著增多。大家的想法和创意变得无限多样化，我们也在不断满足各种各样的需求。

在我之前接触的客户中，有几个典型的例子，最常见的一个例子是客服领域应用，以提升智能客服的体验和效率。许多企业都会面临类似的问题，无论是销售部门还是其他后勤支持部门，客服的升级是我们目前接触最多的一类客户需求。

客服领域涉及许多方面，不仅仅是直接生成答案，它还包括准确性的要求，以及完成各种具体的任务，比如预订酒店、预订机票等等。

除了客服领域，我们还接触到了许多生成类的需求，比如写小说、撰写公文、报告、视频脚本和营销文案等等，这个领域的需求非常广泛多样，因为要写的东西种类繁多，这是第二类需求。

第三类需求逐渐偏向专业领域，包括编程、研报撰写、会议纪要等等。
 

刘兴亮：企业现在在应用大模型方面，遇到的核心难题会是什么？

侯方：由于ChatGPT 的出现，大家一开始都会有比较高的预期，认为大模型能够解决所有的问题。单我们与客户合作时常常遇到以下四个难点：计算能力的不足、数据的问题、大模型训练所需的工具链以及缺乏专业团队和经验。

首先是资源问题，特别是计算能力。许多企业想要进行大规模的模型训练，但他们自身的计算能力有限。例如，我们遇到过一些客户只有两张显卡的机器，但他们想要处理更多复杂的任务。这不是因为他们没有足够的资金，而是在这个领域的积累或储备相对不足，而当前市场环境下比较难找到可用的计算资源，算力供不应求已经成为一个普遍的现象。

第二个问题是数据。许多企业希望训练自己的模型，但却面临数据量不足，或者数据质量不够好的问题，而模型训练非常依赖于数据的质量和数量。此外，数据的清洗、配比和预处理等一系列工程任务也需要大量的工作，数据工程本身也具有一定难度。

第三个问题是大模型训练所需的工具链。大模型训练需要一套完整的工具链，因为这个涉及到对于高性能算力、高性能存储、多机多卡调度能力、加速框架等等。

最后一个问题是缺乏专业团队和经验。大模型的虽然越来越多，但很多企业缺乏将其落地的专业团队和经验，在实际落地的时候，会面临模型选型、数据处理、训练方法选择等问题。

刘兴亮：你会给企业管理者在应用大模型方面提什么建议？

侯方：从目前的经验来看，首要解决的是确定适用的场景。我们在与各个客户的交流中发现，这是我们共同面临的第一个关键问题。

由于大模型技术还比较新颖，没有人能够断言自己的大模型在某个特定场景下就是绝对最佳选择，这需要我们不断摸索和实践。

其次是算力、数据、平台工具的建设，这些都是需要考虑的关键因素。

最后是一个比较普遍的建议，即拥抱大模型。由于大模型对于许多软件和业务设计，包括解决特定场景下问题的方法，都提出了全新的思路和交互方式。

03

人工智能让互联网“又行了”

刘兴亮：有哪些原因和客观条件促成了现在的大模型的创业潮？

侯方：大模型技术的出现是整个技术领域中的一次根本性变革。

过去，我们更加注重算法，而随后逐渐发展到深度学习阶段，这个阶段数据的作用开始凸显，但算法在其中仍然占有相对较高的比重。

随着大模型的出现，会发现只要提供数据和算力，模型就能自主学习很多东西。在这种情况下，算法本身的重要性在逐步降低，从技术的发展路径来看，这是一个非常大的变革和进化。

而从应用的角度来看，过去几年，AI在企业中的落地场景越来越多，应用也越来越广泛，并且融入到人们的生活中，接触度也越来越高。

在以上几个因素的推动下，人们开始坚定地拥抱AI和大模型技术。

刘兴亮：AIGC的价值到底是什么，它给互联网行业带来什么样的变化？

侯方：大模型最大的特点是生成式，通过将大量的数据和知识映射到数学空间中，通过多个维度对这些知识进行解构。一旦知识被解构，它们就可以通过重新组合产生现实中的各种作品，如艺术绘画、文字或其他创作。

大模型的运行依赖于大量的计算过程，这意味着它能够以一种非常结构化的方式学习和创造，利用上千亿个维度进行随机组合，从而产生令人难以置信的作品，这就是为什么有时候它创作的画作或文案让人感到惊讶，而人类自己往往无法想到或写出这样的作品。

因此，AI和大模型技术在内容创作领域，尤其是内容生成方面，将带来许多新的技术，辅助或替代人类的创作过程，使我们能够更加聪明地生成内容，这确实是一种非常有效的状态。

刘兴亮： 在算力和数据上，小团队其实不占优势，选择成熟的开源大模型进行训练难道不香吗？

侯方：实际上，现在很多企业都会尝试开源模型，大模型的发展离不开开源社区的贡献。

不过，使用开源模型进行训练存在一些门槛，需要一定的算法知识和行业经验。

从落地的可行性的角度来看，更建议的做法是选择云厂商提供的行业大模型，这些模型通常会针对特定行业进行优化，会更适合解决企业的实际问题。
 

04

让大模型创业变成“逛超市”？

刘兴亮：我知道腾讯行业大模型不久前也刚刚发布，腾讯云也推出了大模型精选商店，并且提出了模型及服务（MaaS）的概念，应该是在行业较早的提出这种行业大模型的模式，那什么是大模型精选商店，什么是模型即服务？

腾讯云Maas，打造一站式行业大模型精选商店

侯方：先从MAAS开始说起，这个概念其实很有趣，也是一个不断演变的过程。

从最开始的基础设施及服务（Infrastructure and Services，简称IaaS），到后面的 PaaS，再到现在的 MaaS，都是在让云服务本身变成越来越简单，以前使用的服务需要客户业务系统自己开发实现，随着 MaaS 服务的普及，会越来越降低大家使用 AI 服务的门槛。

MaaS在AI和大模型领域里有很多重要的意义，它意味着我们可以将底层的内部工作完全包装起来，用户只需关注一个问题：向模型请求某些东西，模型直接提供对应的服务。

目前行业内有模型领域有大量的可供选择，不完全统计已经超过800个模型。面对如此多的选择，我们需要思考如何选择和应用模型，类似的问题在算法模型方面也存在。因此，腾讯的思路是在TI平台上精选了各个行业的大模型，类似“模型超市”的概念，根据客户场景和行业特性进行精选，以提供最适合的模型。

刘兴亮：模型商店给客户提供的核心价值是什么？

侯方：多个行业的高质量大模型，相应的配套工具，更低成本，更高效地帮助企业应用大模型，这是大模型精选商店的三个核心价值。

刘兴亮：从实际的观察来看，行业大模型是目前AI大模型技术落地的有效路径吗？

侯方：行业大模型是目前来看比较有效的路径之一，在面对一些普遍性的挑战，包括算力、数据时，行业大模型提供了一个较好的解决方案。然而我们很难确定未来五年或十年的发展方向，因为大模型的产业革命才刚刚开始，它将演化成何种状态还不得而知。

刘兴亮：AI大模型商业化落地有哪些方式？

侯方：行业大模型是一个有效的方式，因为在商业化落地中，我们除了解决问题外，还要考虑到ROI，这是商业化中大家都关注的核心问题。

我认为，在商业化落地中，一个关键因素是创造出能够解决客户问题的价值，无论是商业提供方还是商业需求方。只有这样，商业化落地才能持久发展。商业化落地不仅涉及解决客户问题，还涉及人们情感和交流需求等方面。虽然这种场景可能不一定是行业大模型所涉及的，但它确实也是一个非常好的商业化落地场景。