人工智能向新而行，行业大模型推动新质生产力，赋能千行百业

作者：胡二刀刀发布时间：2024-05-14

北京时间5月14日凌晨，美国人工智能研究公司OpenAI在线上举办了“春季更新”活动，发布了新旗舰模型“GPT-4o”，可以实时对音频、视觉和文本进行推理，包括视觉、联网、记忆、执行代码以及GPT Store等功能，将对所有用户免费开放。

非常巧合的是，5月13日晚间，腾讯研究院发布《向AI而行，共筑新质生产力——行业大模型调研报告》，成为业内首份行业大模型调研报告。

一边是通用大模型的提质升级，另一边是行业大模型的快速崛起。两者属于什么关系，对于产业提质增效又有什么帮助呢？

通用大模型“大而全”

2022年11月30日，OpenAl发布大语言模型（LLM，Large LanguageModel）ChatGPT，用户数5天过百万、2个月过亿的成绩，一度刷新纪录成为史上增长最快的应用。ChatGPT的全民爆火揭开了人工智能（Al，Artificial Intelligence）大模型时代的序幕，也预示着 AI迈向通用人工智能（AGl, ArtificialGeneral Intelligence）的新一轮冲刺。

通用大模型具有参数规模大、泛化能力强、支持多模态等特点。具体表现为：

大模型的参数规模远大于传统深度学习模型。传统模型参数量通常在数万至数亿之间，大模型的参数量则至少在亿级，并已发展到过万亿级的规模。如 OpenAl 的 GPT-1 到 GPT-3，参数量从 1.1 亿大幅拉升到1750亿，GPT-4非官方估计约达1.8万亿。

大模型能够有效处理多种未见过的数据或新任务。如 OpenAl 曾用GPT-4参加了多种人类基准考试，结果显示其在多项考试中成绩都超过了大部分人类（80%以上），包括法学、经济学、历史、数学、阅读和写作等。

大模型可以实现多种模态数据的高效处理。比如 OpenAl的 Sora模型一经推出便掀起了全球多模态大模型的发展新热潮。

行业大模型小而美

通用大模型存在“不可能三角”问题，即在专业性、泛化性和经济性三方面很难兼得。

同时，在具体行业中，很多机构从自身需求出发，采用大模型还有两个关键考量因素：竞争和安全。

为有效提升竞争力，机构会尽力寻找性能最佳的模型，并利用行业专业数据或私有数据的独特资源，对模型进行定制调整和优化。目前GPT-4等市场头部通用大模型多为闭源，通过网页、APP应用服务大众用户或以API标准化调用的方式服务开发者，可定制化调整的空间较小。

另一方面，从安全角度考虑，大模型不仅涉及机构私有数据的调用，还会与机构的业务、流程结合（如 copilot 方式），这使得大模型使用越深，越需要重视安全可控。通用大模型通常基于公有云提供服务，会造成机构对私有数据、敏感数据安全的担忧。

由此可见，通用大模型与行业/机构具体需求间存在差距，行业大模型成为弥合技术与需求间差距的必然产物，能有效支持各行各业加速落地大模型应用。

行业大模型站在巨人肩膀上

行业大模型是与通用大模型相对的概念。通用大模型侧重发展通识能力，行业大型则侧重发展专业能力。从行业实践看，行业大模型不仅指开发一个行业专用的模型本身，更多还包括基于通用大模型调整和开发的行业应用。因此，广义上行业大模型可以归纳为：利用大模型技术，针对特定数据和任务进行训练或优化，形成具备专用知识与能力的大模型及应用。

行业大模型大多在通用大模型基础上构建。通用大模型具备丰富的知识和强大的泛化能力，不仅能为行业大模型提供广泛的知识基础并提升交互体验，还能显著节约从头训练模型所需的大量数据和算力资源，大幅提升行业大模型开发及应用的效率和效果。

通过对通用大模型进行提示工程、检索增强生成、精调、继续预训练/后训练等方式，模型能够更好地处理特定数据或任务，从而生成行业大模型的版本(模型有变)或具备行业大模型的功能(模型不变)。今天市场上很多行业大模型，如金融、法律、教育、传媒、文旅等，大多是在Llama、SD、GLM、Baichuan 等国内外主流开源大模型基础上构建。

行业大模型的探索实践

调研发现，多个行业都已经开始探索大模型技术在各生产环节的应用落地，具体涉及研发/设计、生产/制造、市场/销售、客户服务、经营管理等环节。但因为行业不同，进展有快有慢。

整体而言，影响行业应用大模型速度有两个关键因素:一是数据可得性，高质量数据越容易获取、进展越快，如数字原生行业；二是需求适配度，行业的核心业务与大模型创意生成和交互能力越匹配、进展越快，如生产性服务业。