点击关注

文｜郝鑫

编｜刘雨琦

刚过去的WAIC（世界人工智能大会）俨然成为了大模型厂商的成果汇报大会。

百度文心大模型升级到3.5版本，训练速度提升2倍，推理速度提升30倍；华为云发布盘古大模型3.0，包含L0基础大模型、L1行业大模型和L2场景模型；阿里云发布AI绘画创作模型通义万相；腾讯云MaaS底座、行业大模型场景全面升级；商汤“日日新”大模型升级，金融、医疗等行业场景落地已超20个。

大模型走过从无到有，在当下的阶段，即使是站在同一起跑线的厂商，也走上了不同的分叉路：有人做通用大模型，有人做行业大模型；有人在为大模型的安全运行保驾护航，有人在提供造大模型的工具。

7月7日，在中国信通院发布的《2023大模型和AIGC产业图谱》中，将大模型和AIGC产业链上下游分成了行业应用、产品服务、模型与工具和基础层四个主要部分。

从图上看，大模型就像造房子，很难有一家企业完成所有环节。也就是说，如同互联网的大航海时代一般，大模型生态建设，所有人都有机会。

正如腾讯云副总裁、腾讯云智能负责人、优图实验室负责人吴运声告诉光锥智能：“大模型时代，开放是非常重要的特点。大模型要结合行业落地，需要花费大量的成本，在这种情况下，要想发挥最大的价值，只有开放，通过让各行各业的专家、各类角色的人员加入进来，才能让整个生态体系更健康，从而产生更多的可能性。”

发展的同时，问题也在逐渐暴露出来。相较于国外成熟的大模型市场，中国到现在还未构建起完整的大模型产业链，在底层的数据、芯片、计算能力存在欠缺，在模型训练、部署等环节还十分薄弱。

针对大模型产业链存在的痛点，腾讯云MaaS大模型精选商店升级技术底座，发布向量数据库和星脉网络，创新行业大模型的应用场景。

追本溯源，可以看出腾讯延续互联网时代的思路，腾讯云依然不做通用大模型，要继续做工具箱和连接器。

Always工具箱和连接器

据光锥智能了解到，早在6月19日，腾讯云就公布了行业大模型技术解决方案。该方案依托腾讯云TI平台打造行业大模型精选商店，为客户提供MaaS一站式服务，客户只需要加入自己独有的场景数据，就可以快速生成专属模型，结合实际业务场景需求，开发低成本、高可用的智能应用和服务。

腾讯云MaaS大模型商店重点突出了两个特点，一是精专，二是灵活。

“精专”主要体现在对行业模型的训练上，腾讯云在其技术底座就内置了金融、政务、文旅、传媒、教育等多个行业大模型，这意味着从预训练时期开始，大模型便明确了方向，开始与行业经验结合。

打个比方，就好比大学生一入学就被分到了不同的专业，之后在此基础上继续研究生、博士深造。腾讯云的思路也是如此，把训练的数据先在行业大模型中磨砺一遍，然后再结合企业的私有数据，精调后生成企业专属模型。可以说，行业认知贯穿了模型训练、推理、部署的全过程，由此来提升行业场景的应用能力。

“灵活”主要体现在企业调取、使用模型能力、工具上。互联网时代，马化腾曾将腾讯的角色定位为“工具箱”，在大模型时代，腾讯云TI平台的角色有着异曲同工之处。

工具链决定着企业能不能把大模型能力和自己的业务、产品相结合，为此，腾讯云提供了包括数据标注、训练、评估、测试和部署等大模型工具箱和配套服务。企业可以在本地按需选用和组合工具，在保障安全的前提下进行私有化数据训练，还可根据业务场景需求，按需定制不同参数、规格的模型服务。

以前，腾讯连接了B端商家和C端用户，现在腾讯云也将这种能力复刻到大模型商店。工具组合形成的工具链还只是平台中的一环，连接起企业产品和大模型；另一条主线——数据（私有+公有），则串连起了大模型、企业、产业和用户。

行业应用是起点，也是终点，正如吴运声所言，“不管是什么样的技术，我们最根本的出发点，还是要解决实际的问题。”

大模型加速器

如何在大模型赛道上找到合适自己的节奏，腾讯云似乎已经摸到了脉路。

腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生曾表示：“关键还是要把底层的算法、算力和数据扎扎实实做好，而且更关键的是场景落地。”

延续着这样的思路，腾讯云一手抓底层算法、算力和数据，一手落地场景，MaaS大模型商店实现了全面的升级。

在技术底座环节，腾讯云聚焦一个“快”字，发布了星脉网络和向量数据库，为大模型安上了“风火轮”。

大模型进入万亿参数时代，单体服务器算力有限，需要将大量服务器通过高性能网络相连，打造大规模算力集群。

基于此，腾讯云通过对处理器、网络架构和存储性能的全面优化，攻克下了大集群场景下算力损耗问题，正式发布新一代HCC（High-Performance Computing Cluster）高性能计算集群。

该集群采用腾讯云星星海自研服务器，搭载英伟达最新代次H800 GPU，能提升40%的GPU利用率，节省30%-60%的模型训练成本，为AI大模型带来10倍通信性能提升。基于腾讯云新一代算力集群HCC，可支持10万卡的超大计算规模。

据腾讯云透露，腾讯云新一代集群的算力性能较前代提升高达3倍，是国内性能最强的大模型计算集群。

高性能计算群是一种底座能力，其技术的应用体现了通过技术手段的降本增效。

首先，相比于大量分散的计算机，高性能计算集群可以降低硬件成本和运维成本，同时方便集中管理。其次，它可以提升计算、搜索的效率。提供分布式的计算能力，为向量数据库提供支持；还能进行复杂的科学计算和建模，这也是腾讯云“AI for Science”能迅速在天文、甲骨文考释取得成果的原因。

在大模型训练过程中，汤道生谈起过数据质量的问题，他表示：“目前通用大模型一般都是基于广泛的公开文献与网络信息来训练的，网上的信息可能有错误、有谣言、有偏见，许多专业知识与行业数据积累不足，导致模型的行业针对性与精准度不够，数据噪音过大。”

数据对大模型训练的意义不言而喻，当前，除了数据噪声过大，还存在数据处理、数据更新、数据安全等众多问题。

此外，大模型还存在一个致命的缺点——没有长期记忆，C端对话场景还可以重新提问，但应用在行业，就可能造成系统崩溃。

OpenAI 很早就意识到这个问题，通过与Zilliz、Pinecone、Weaviate等向量数据库公司合作，为ChatGPT配置上了“外置缓存”，向量数据库+大模型也被称之为“黄金搭档”。

国外向量数据库大热带动了国内厂商加速，腾讯云也赶上了第一波，发布了国内首个AI 原生向量数据库。

针对大模型场景，它在接入层、计算层、存储层实现了全面AI化：

在接入层，智能化支持自然语言文本的直接检索；

在计算层，通过AI算子替代企业寻找/调优AI算法，将接入工期从一个月缩短到3天；

在存储层，融合智能压缩算法，把向量存储成本降低50%。

企业数据接入需要分为三步，分别为文本切分、向量化以及导入。以前，这三步分别由不同的公司来做，因此周期被拉得无限长，而腾讯云将三步化作一步，直接实现了一站式接入，效率提升了10倍。

不过，从参数来看，目前腾讯云向量数据库性能依旧在初级的阶段。

举个例子，腾讯云向量数据库最高支持10亿级向量检索规模，并将延迟控制在毫秒级。作为对比Milvus最大能支持560亿向量检索规模，支持每秒进行上百万的向量相似性搜索。

但10亿级也可以说是向量数据库的入门级参数。Pinecone 官方demo 表明其可以在 10 亿条向量中实时搜索；Weaviate算法可支持十亿量级的向量索引。

工欲善其事，必先利其器。从最底层一步步砸实技术，看似腾讯云走了一条慢路，但小布快走，实现快速迭代后，带动的将是整个生态系统的提升。

50个场景，腾讯云批量着陆

场景一直是腾讯所强调的产品文化，即做一个产品或者上线一个功能，首先考虑的是，能不能找到场景，找到用户。

同样切入MaaS，站在新的起跑线上，腾讯云通过沉淀的行业Konw-how，瞄准企业应用刚需，推进大模型应用落地，将场景作为训练大模型的磨刀石。

“大模型虽好，但用起来还是有很高的门槛。尤其对一些传统领域企业而言，通用大模型无法精准适配、达到降本增效的预期。企业需要的，是在实际场景中真正解决某个问题，而不是在100个场景中解决了70%-80%的问题。”吴运声道。

腾讯云认为，大模型不只是少数人的游戏，把大模型从“通才”转变为“专才”，对企业来说或许是一个可行的路径。腾讯云在其中承担的角色，就是要将门槛打下来，提供一条龙服务，帮助企业跳过模型训练、部署的“冷启动”阶段。

据光锥智能了解，基于腾讯在互联网行业的长期沉淀，腾讯云已联合金融、文旅、政务、传媒、教育等十多个行业头部客户，共同打造了超过50个行业大模型解决方案，这些都是腾讯 CSIG 的重点服务行业。

在金融风控场景，腾讯云风控大模型融合了腾讯过去20多年黑灰产对抗经验，和上千个真实业务场景，提供了金融风控解决方案。企业可以基于prompt模式，迭代风控能力，从样本收集、模型训练到部署上线，实现全流程零人工参与，目前，建模时间已经做到从2周减少到仅需2天。

在交互翻译场景，基于行业大模型技术，腾讯云无需百万级的训练数据，使用小样本训练也可以获得不错的翻译结果，让每一次交互翻译，都能对下一句的翻译提升发挥实时作用。

以行业场景为切入，技术、应用同时迭代升级，这样的速度明显要更快，效果也更加显著。

据腾讯云在WAIC最新数据，上述金融风控解决方案，相比之前已有了10倍效率的提升，整体反欺诈效果比传统模式有20%左右的提升；腾讯云数智人工厂，内置超过10个AI算法模型，腾讯云MaaS能力，可以让2D数智人分身复刻缩短至24小时。

技术和应用两条腿同时跑，底层大模型支撑应用场景落地，场景也反过来反哺大模型。

正如同腾讯云所强调的一个观点“产业场景是大模型的最佳练兵场”，前期大模型所学习到的行业经验可以在现实应用场景中得到矫正，再次沉淀到腾讯云MaaS平台行业模型底座，重新更新认知，以此循环往复，行业大模型将越调越精，企业也越用越灵。

另一方面，成熟的应用落地场景，或许又将为大模型商业化开拓出新的道路。

事实证明，贪图一时的热闹并不长远，即使是拥有绝对技术壁垒的ChatGPT也面临着流量下滑的命运，OpenAI 创始人更是直言，ChatGPT插件不如预期的原因在于，人们更想把GPT的能力用到自己的应用当中。

开启大模型下一个竞争阶段，场景与商业化能力或将变得更加密切。

正如腾讯云副总裁、腾讯云智能研发负责人吴永坚所认为的：“互联网已经走到从最开始的纯免费阶段，慢慢向某些场景去如何商业化的阶段，这不是大模型带来的，但大模型将我们商业化的途径变得更清晰了。”

欢迎关注“光锥智能”B站号，关注前沿科技！