2023 年的 AI 大模型，已经从 Q1 火到了 Q2。

国内，从大厂到新创，纷纷下场试水，几个月过去，已经有了不少大模型产品 " 交卷 " 受评，颇有 " 乱花渐欲迷人眼 " 的架势。

看客只识 AI 大模型百花齐放，但除了一场热闹以外，却也开始有人问出了这个问题：

【资料图】

"AI 大模型这么厉害，但它有啥用呢？"

诚然，市场上不少公布的大模型，还并未开发到完全程度——甚至距离 " 可用 "、" 好用 " 还差着一些距离。

在一些 AI 大模型产品，仍旧在 " 胡说八道 "、场景落地难、语义理解能力弱等问题中徘徊时，OpenAI 首先看到了落地的痛点，和微软合作推出 Copilot，主打在办公领域提升工作效率，打响了大模型向生产力进军的发令枪。

在人们的想象中，AI 应该可以帮助处理机械、重复的日常工作，提供独特的分析视点、创作灵感，在特定的领域——比如教育、医疗、法律——给出独特的建议和帮助，让工作和生活更轻松、便捷，让每个人都能够享受更贴心细致的服务。

而什么样的 AI 大模型，才能真正地帮助使用者 " 干活 "？让日常办公、生产的效率得到更大提升？什么样的大模型，才真正算得上生产力工具？要满足生产力工具的要求，大模型需要有哪些秘密武器？

对于业界来说，这些问题如果得不到解答，那么或早或晚，都会遇上市场的瓶颈；而越早能够为市场提供效率提升的大模型产品，也就能够越早地占领先机。

一、理解 & 记忆：大模型生产力的分水岭

记忆和理解能力，对于当下如同雨后春笋的大模型产品来说，说得上是最硬核的实力比拼。

模型的理解能力，根植于对自然语言的处理能力，能够清晰地辨别语义，尤其是一些根植于本地语言语境中的俗语、幽默，对于理解用户想要什么，进而完成文本生成和创作，至关重要。

而模型的记忆能力——也就是多轮对话能力——越强，使用者就能更详细地对需求进行描述，进而利用 AI 完成更加复杂的工作任务；

大模型比拼中最 " 硬 " 的两个科目，也是大模型提供生产力的关键保证。不仅如此，不如说，要大模型能够真正帮人 " 干活 "，记忆和理解能力，都要满足更高的要求。

但无论是 " 理解 " 还是 " 记忆 "，都是大模型在当下的能力提升的攻关难点。一方面是市场的巨大痛点，一方面是技术上难攻不落的 " 高墙 "，这对矛盾不解决，AI 的生产力就始终面临着一个艰难的瓶颈。

首先，要解决 AI 语义理解能力差的问题，昆仑万维和奇点智源的 AI 科学家们想到了一种另辟蹊径的方法——蒙特卡洛树搜索算法。

蒙特卡洛树搜索算法，简单来说一种基于随机模拟的强化学习算法。对 AI 不甚了解的人可能并不知道它的名字，但它却是 AlphaGo 能打败李世石、柯洁等一众围棋高手的秘密武器。而蒙特卡洛树搜索的核心，就是通过一个树状结构，在每个节点进行随机搜索，并找到最优决策的方式。

在昆仑万维和奇点智源联合发布的 AI 大语言模型—— " 天工 " 中，蒙特卡洛树搜索可以让 AI" 三思而后行 " —— AI 会基于过去用户的对话记录以及当前用户的输入生成候选大量回复，并结合 NLP 技术，选取最佳的回复方案反馈给用户。

通过把蒙特卡洛树搜索算法，和自然语言处理相结合，让 Decoder 的安全性和准确性获得了极大的增强，也让天工在相对复杂的任务和场景中，能够快速且准确地响应指令，输出高质量回答。

为了测试天工的语义理解能力，雷峰网向天工提问：" 什么是蒙特卡洛树搜索算法？" 天工的回答还比较清楚，令人满意：

把蒙特卡洛树搜索应用到 AI 对话机器人中，另一个优势，是 AI 能够理解如何在对话中转换话题，并提出问题，引导用户完善自己的 Prompt，以得到更好的回复结果。

比如，雷峰网故意问出了一个十分宽泛、难以回答的问题。天工则并没有落入这个 " 陷阱 "，通过主动提问，缩小问题的范围：

而为了测试天工的中文语义理解能力，雷峰网向天工询问了一句古诗的情感色彩，不得不说，天工把握得相当不错：在不错的语义理解能力之上，天工的 " 文采 "，也出人意料。它给出的结果稍作修饰，就能变成一篇不错的短文：在文本的翻译中，也能看出天工对中英双语的娴熟运用，在用英文描绘诗词时，甚至也能品到中文的 " 原汁原味 "：而提到记忆能力，天工更是出人意表，能胜任超过 20 轮以上的对话，支持万字以上的超长文本。单就这一点，足以让不少同类产品望尘莫及。

比如下面的对话，天工就在连续对话上小试牛刀，还能够理解 " 沙特球王 " 的足球梗，

在超强连续对话能力的背后，是天工的 " 财大气粗 "。背靠中国最大的 GPU 集群之一，天工有超级丰厚的资源，保证运行和相应的速度，同时也让用户资料安全与使用体验更加稳定、可靠。

理解能力和记忆能力，足称得上是大模型产品在生产力上的分水岭——在深度理解用户需求的基础上，能够实时地完成连续对话，能越过这道坎，AI 才能开始为用户提供生产力的保证。

二、场景优化 & 模型鲁棒性：好用 = 可用 + 可靠

尝试过用 AI 写稿的记者，尤其是某些垂直领域的记者，也大多心中都有过隐隐的担忧——如果 AI 在某些关键信息点 " 一本正经地胡说八道 "，而自己没有发现，最后就会造成严重的事故。

诚然，大模型的 " 幻觉 " 问题，可以通过知识图谱，以及上文提到的蒙特卡洛树搜索算法，进行一定程度上的抑制；而到了专业领域，场景优化做不好、训练数据质量低，AI 再巧，面对的也是无米之炊。

用 AI 用得不放心，还不如自己亲自上阵——不少人都是因此，对 AI 敬而远之。而没有人用，就无法获得足量数据来继续训练、修正模型，进而形成了一种恶性循环。

尽管幻觉问题的解决并非一朝一夕，但当下的 AI 大模型要做到 " 好用 "，首先得 " 可用 " 和 " 可靠 "。在工作、教育等垂直场景落地，大模型得有一些 " 绝活 "。

首先是数据需要 " 保质保量 "，一方面数据要足量，支撑模型训练的要求；另一方面，数据的质量也必须够高，否则训练出来的模型，反而容易被不良数据 " 带跑偏 "，甚至让训练起到反效果。

其次，是模型的鲁棒性——即，模型在发生异常情况，或面对不良数据时，自身的 " 抵抗力 "。鲁棒性越强的模型，自身的稳定性和有效性就越不容易受到内外的不良影响，也就自然更加 " 可靠 "，进而能在更广泛的场景中，为使用者提供生产力提升。

而为了能够真正帮上用户 " 干活 "，天工在这两点上也下足了功夫。

首先，昆仑万维和奇点智源，从数十万亿的数据中，通过层层清洗和筛选，得到了三万亿的高质量单词数据，供给天工完成训练。

其次，昆仑万维在 2020 年开始，就在 AI 领域开始布局，以 " 天工巧绘 "、" 天工乐府 "、" 天工妙笔 "、" 天工智码 " 四个开源 AIGC 模型为旗帜，在自家的开源社区汇集了百位开源社区 AI 科学家，积累了深厚的开源社区力量。

同时，天工在大规模与训练的基础上，针对不同的情况，进行了场景化的微调，让天工能够应对更多的场景，并且提供高效、个性化的帮助。

无论从事法律工作，还是医健、财务等，天工都能在专业角度提供帮助：

不仅如此，面对教育场景，天工也能轻松应对，无论是数学、物理，还是历史、政治，天工的辅导也堪称专业，帮助家长省区了不少时间：除此之外，AI 大模型产品常常落后于时代，数据库无法和当下的最新信息接轨，也是常常被外界诟病的原因之一：不能提供最新的知识，AI 又该怎么为使用者解决日新月异出现的问题呢？

由此，AI 对话的实时性，也自然而然地成为了评判大模型能否提供生产力的重要标准。

在这个维度，天工依靠大模型强大的智能涌现能力，与实时知识库打通后，达到了能够实时迭代知识的效果，让用户能够实时通过 AI 获得最新的信息，不再 " 落后于时代 "：

三、千亿模型：只有 " 一个 " 或许不不够

谈到大模型的能力，绕不开的一个概念，就是 " 涌现 "。

简单来说，" 涌现 "，指的是预训练 AI 在训练参数达到一定量级时， 表现将突然呈现指数级的上升，甚至获得没有被专门训练过的能力。

在业界的普遍认识中，500-600 亿规模的训练参数，是预训练大模型产生涌现现象的门槛。而参数规模越大，一般认为，模型的能力也就越强。

于是，千亿参数，目前已经成了大模型的 " 标配 "，时下不少大模型产品，都把自己叫做 " 千亿模型 "，以参数量见模型实力。

但在当下，却也有人问出了一个问题：

要让大模型提供生产力，千亿模型，一个就够了？

对于昆仑万维和奇点智源来说，他们理想中 AI 大模型的底层架构，是由 " 千亿预训练基座模型 "，和 " 千亿 RLHF 模型 " ——两个千亿模型搭起来的。

前者，千亿预训练基座模型，主要负责各种自然语言处理任务，可以实现语言生成、文本分类、机器翻译等功能。

后者，千亿 RLHF（人类反馈深度学习）模型，则会通过人类对 AI 输出结果的反馈，来改善强化学习的性能。

如果把预训练基座模型，比作一个读书破万卷、天资聪颖的 " 学神 "；那么 RLHF 模型，则像是一个在刷题中不断试错、进步的 " 学霸 "。

在今天，看到了 ChatGPT 在 AI 领域的突飞猛进，RLHF 也正逐渐成为了不少大模型的标配。而天工使用了预训练基座模型 +RLHF 的模型体系，让两个模型相互映照配合，也有深意。

一边，是双千亿模型的结构，能让最终的模型性能获得更大的提升，也能让模型的可解释性与学习能力、任务支持大大增强。

一边，是训练时间和资源消耗的降低——预训练模型所学习的通用特征，可以作为 RLHF 模型的初始参数，让训练这个最 " 烧钱 " 的项目，能够多快好省地完成。

在上文中提到的，模型对于异常情况和不良数据的鲁棒性，很大程度上，也是通过两个千亿模型 " 双剑合璧 "，进而实现的。

再高的大厦，功夫最重也是在基础。双千亿模型，是天工能够成为生产力工具，最重要的顶层设计之一。昆仑万维和奇点智源，在规划技术路径之初，就已经看到了当下大模型产品的设计局限，与双千亿模型可行的技术路径，并以此为基础，将整个天工搭建于其上。

如同一棵树木，拥有了健康、坚固的根系，才能长成粗壮的树干、茂密的枝桠，丰饶的果实才能生长出来，最终成为人们的收获。

结语：

过去的几年里，科技圈已经见过了太多的风口，来了又去，最终雁过无痕。

归根结底，在风口正盛的时候，这些人们对未来的想象，并没有能够化为实际的生产力，推动业界乃至整个社会向前进步，最终当热潮涌过，大概避免不了沉寂的命运。

于是，在这一波生成式 AI 的风口，也有人问：这次会不会和之前一样，潮起潮退，沙滩上只留下一批一批的 " 裸泳者 "？

如果 2023 年的 AI 创业者们，不甘于止步于空谈，那他们就应该知道：大模型不应该只是一个美好却空洞的花瓶。AI 应该成为下一个十年的内燃机和交流电，推动下一次产业革命。

在这个过程中，天工想要做的，一直是一个生产力工具，一个 " 真正能帮你干活的 AI"。

也正是基于此，天工从中国最大 GPU 集群支撑的超强算力出发，打造了双千亿模型体系，并在 AI 开源社区的共同助力下，开创性地把蒙特卡洛树搜索算法，与 NLP 技术相结合，保证了 AI 可以为使用者提供实打实的生产力赋能。

什么样的大模型，才能成为生产力？天工的模式，可以说为大模型赛道的其他竞逐者——无论是先发的，还是后来的——打了一个样。

标签：