打造类ChatGPT，云知声的优势在哪？
在ChatGPT上线后，一些人认为它只是一个聊天的人工智能，但对于云知声等AI企业而言，已经把ChatGPT放在了向通用AI演进这样的级别来看待的，并着手打造ChatGPT医疗行业版，同时基于ChatGPT行业版构建平台，快速扩展到其他领域，训练得到通用人工智能。
密切关注前沿科技，实现了多年经验技术积累
云知声是一个深度思考行业趋势，密切关注行业前沿技术发展的团队，同时也在行业里有了多年积累，已形成全栈能力，给新一轮技术升级奠定了扎实的基础，也为打造以大模型为基础的MaaS（Model as a Service，模型即服务）平台做好准备。
在最底层的算力层面，受AlphaGO的启发，2016年开始云知声团队开始建立大规模超算平台Atlas。Atlas在希腊神话里是泰坦族擎天神，用双肩支撑苍天。当时，他们看到能同时调度上千块GPU去完成一个任务的能力，会是一家人工智能公司的重要壁垒。当他们部署超算平台时，硅谷的专家甚至惊讶，一家成立四年的创业公司考虑这个问题还太早。
但今天来看，底层算力平台对于上层支撑的价值已经凸显，这也成为云知声能快速入局ChatGPT的关键。
云知声考虑产业实际应用的成本和部署等因素
相比较各巨头匆匆入局ChatGPT，云知声走得有条不紊。云知声表示：今年不只是要做好大模型，还要考虑产业实际应用的成本和部署等因素。云知声认为，大模型训练成功后，以目前的算力成本，可能需要把大模型参数量通过蒸馏技术压缩10倍才能满足实时性和规模化应用要求，这要视具体应用场景而定。云知声在做BERT模型时，就积累了丰富的经验，通过模型蒸馏提速近百倍，而实际性能损失很小。
同时，云知声还认为以一个通用大模型来解决所有行业深度问题是不现实的。云知声致力以少2个数量级的参数规模，在特定行业领域的问题上，达到甚至超过ChatGPT的表现。同时，参数规模的大幅减少，也将大大降低了训练和服务成本，让大语言模型技术实现真正广泛应用。事实上，云知声基于“AI软硬件一体化解决方案”，可让客户站在更高的设计起点，以更低的成本在更短的时间内打造出更稳定可靠的产品。
率先入局医疗领域，实现ChatGPT工具化
在落地行业上，云知声率先以医疗为切入点，此前他们在这两个领域投入和积累最多。但两个行业的侧重点并不一样。在医疗行业，问题的侧重点则是精准度和可控性。这需要结合知识图谱和行业问题进行强化学习。云知声2016年进入医疗行业，主要利用人工智能技术，解决病历的语音录入、缺陷检查、医保控费等问题。如果有了比较好的生成式AI能力，云知声可以根据已收集的数据，协助医生生成高质量的病历和诊疗方案。
在美国休斯顿的MD安德森癌症中心，已有医生向ChatGPT询问病人现在的情况以及治疗方案，得到的结果和中心诊断的结果几乎一模一样。云知声表示：“大模型在医疗行业的终极目标，肯定是成为一个辅助诊疗工具，但还有相当长的路要走，精准度和可靠性是必须解决的问题。”
比尔盖茨曾说“我们经常高估了今后一两年内将发生的变革，但又常常低估了今后10年内将要发生的变化”。对于ChatGPT，云知声始终抱着“谨慎的乐观”态度，加入到ChatGPT演进发展中去，致力于人工智能走入更大规模、更多场景，走向通用人工智能。