而在更重要的行業應用層面，雲知聲則仍然堅持此前提出的「U+X戰略」，賦能醫療、智慧物聯、銷售、知識管理、教育等千行百業。

在雲知聲最為重要的落地場景之一——醫療領域，黃偉透露，山海大模型在臨床執業醫師醫學考試中拿到了511分，滿分600分，考生平均分為365。「在醫療領域，山海大模型已經超越了GPT-4的中文水平。」

得益於此前在Ttransformer模型方向的發力，以及從2016年對醫療領域的深耕，雲知聲從去年12月開始組建AGI團隊，「閉門修煉」6個月後，就拿出了一個在通用能力方面與國內大公司打平，在行業大模型超越GPT-4中文水平的成績。

黃偉並不滿足這樣的成績，給雲知聲定下了年內的目標，「年內通用能力比肩ChatGPT，並在醫療、物聯、教育等多個垂直領域能力超越GPT-4。」

雖然2個月近20個大模型發布中「有李逵也有李鬼」，但一流AI公司的技術水平可以靠時間接近GPT-4成為了行業共識。當技術拉齊後，大模型正在打響一場「行業」爭奪戰。

01 把通用能力用起來

在通用能力上，雲知聲山海大模型順利通過了語言理解、推理能力等一系列測試。

首先，在對中文的理解方面，山海大模型更接近「中國人的體質」，可以精準地理解中文6級水平的繞口令「行的人，干一行行行行，行行都行」中每個「行」的意思，還能給出單獨的解釋。知道八大山人是畫家的名號，孫悟空和齊天大聖是同一個人。可以說，山海大模型對中文的理解達到了百科字典的水平。

不僅如此，山海大模型還具備邏輯判斷和計算推理能力。例如，可以識破「所有貓都愛吃魚，所以愛吃魚的動物都是貓」這類偽三段論邏輯，以及「小明爸爸姓王，問小明姓什麼」這類基本常識問題。

而在計算能力中，山海大模型可以立即給出雞兔同籠這類簡單問題的答案和解題過程，也能夠根據指令當場編寫代碼。在涉及開根號等複雜的數學運算上，山海模型也沒有拉胯，過程清楚、答案正確。

總體來看，與國內各家大模型相比，山海大模型雖然沒有展現圖文生成等多模態的能力，但關鍵的NLP（自然語言處理）表現仍在頭部水平。

光錐智能盤點了已發布大模型的公司發現，隨著技術的不斷更新疊代，各家公司在文本生成、知識問答、語言理解、邏輯推理等各項通用能力上的差距正在變得越來越小，甚至有了同質化的趨勢。

所以，攻克大模型的技術難關只是第一步，如何用起來才是接下來的關鍵。

ChatGPT驚艷全球後，OpenAI隨即拋出的一顆驚雷，就是宣布向所有ChatGPT Plus用戶開放聯網功能和70多個第三方插件，插件覆蓋了衣食住行、社交、工作以及學習等方方面面。

面對千行百業，沒有一家公司能夠獨立吃下所有場景。民生證券報告稱：「OpenAI正沿著類蘋果模式的『終端+平台＋生態』，邁向高於作業系統的戰略地位。」

雲知聲也有同樣的思考路徑，但不同的是，更希望利用插件，將合作夥伴的能力集成進來。用了計算器插件，山海大模型就實現了複雜計算的能力；用了搜尋引擎插件，就能幫用戶實時查天氣、查球賽結果。與ChatGPT一樣，給大模型按上了插件就裝上了「外掛」。

黃偉表示：「大模型的通用能力並不能解決所有問題，還有說胡話的風險。特別是在醫療、汽車、物聯一些容錯率低的專業場景中，通用能力就顯得不那麼夠用，所以才要引入大量的插件來推動應用落地，做大模型的黃金搭檔。」

雲知聲也給AI公司做大生態提供了借鑑思路，面對很多垂類的行業場景，AI公司一方面可以自己做一些插件去開放給行業客戶，集成到產品里。另一方面，也可以讓客戶自己做插件開發，共同深入場景。

02 成為行業專家

通用能力的提升，在行業場景的實際落地方面，還遠遠不夠。這就要求大模型們，不僅成為AI領域的「本科全才」，更要成為特定領域中的「博士生」甚至「博導」。

即使通用能力強如ChatGPT，在醫療等特定領域的專業度也遠遠未達到可用的水平。例如，對一手術過程的描述，ChatGPT給出了一個完全錯誤的答案。可以說，一旦涉及到核心的診療過程，ChatGPT目前只是一個「庸醫」。

「如果把GPT-4比作一個不偏科，每門都能考到80分的學生；我們要做的，則是一個可以在某一兩門學科，考到95分甚至更高的學生。」黃偉在採訪中說道。

而這恰恰是眾多行業大模型的機會。從實際問題和產業應用出發，沉澱垂直行業經驗，AI公司就能建立自己在特定領域的壁壘。

從這個角度而言，在AI 1.0時代積累下行業能力的AI公司，擁有更大的機會。

2016年，醫療+AI行業還猶如一片空白地帶，彼時，AI企業們還在找尋合適的降落姿勢。

以語音技術起家的雲知聲，抓住了醫生病歷記錄效率低下這個痛點，以語音電子病歷錄入打開了醫療賽道的突破口。

為了能夠做到精準識別，雲知聲為醫院做了深度定製服務，根據不同科室、不同病種整理病歷資料，運算出關鍵詞句語料，為40多個臨床和醫技科室提供分場景支持，以適應醫院不同科室實際的使用需求。

經過專業數據優化後，雲知聲在醫療領域的優勢十分明確，其語音識別準確率超95%，個別科室的語音識別率超98%。醫生減負效果明顯，可以使醫生的錄入效率提升40%，每天節省1.5-2個小時時間。

然而，僅從一個單一效率工具切入並不夠。

三年磨一劍，2019年，雲知聲公布了「醫療+AI」的戰略，從電子病歷場景出發構建起了醫療產品體系。除「醫療語音交互解決方案」外，針對診療過程的診前、診中、診後不同場景，雲知聲還推出了導醫機器人、智能病歷生成系統、智能病歷質控系統以及智能院後管理解決方案等產品。

此外，基於對場景的理解，雲知聲在醫療垂直領域建立起了知識圖譜，圖譜覆蓋了症狀、體徵、疾病、手術，檢查檢驗，藥品等七大類實體，共計132萬個，對應醫學術語334萬；包含十大類實體關係，共計757萬實體關係。2017年建立至今，該知識圖譜仍在更新疊代中，這成為雲知聲核心壁壘之一。

黃偉介紹知識圖譜在大模型訓練中發揮了重要的作用，「行業大模型訓練有三個主要的數據來源，一是雲知聲多年沉澱下來的優質醫療數據，預訓練階段可以加強大模型的知識和語言能力；二是在醫療行業積累的問題解決數據，這部分可以拿來做微調；三是知識圖譜，靠它嚴謹的知識來校驗數據和訓練結果。」

在高質量質量知識圖譜數據之上，實現了數據到場景的全鏈條打通，雲知聲旗下的醫療產品從語言電子病歷、語音助手這類效率工具，進化為了病歷文書質控、醫保支付審核一類的決策支持工具。

在大模型的加持下，雲知聲也完成了從AI助手到AI專家，再到AI導師的角色升級。對比從前，所能抵達的場景更加厚重，能觸及的核心技術更多，行業know-how的經驗再次更新沉澱下來。

如果說，雲知聲在醫療行業的扎深是一家AI公司如何深入到行業的典型，那麼其在物聯網領域的拓展，則證明了一家AI公司如何能把技術變成靠標準化的產品，從而打開行業廣度的生意經。

2015年，雲知聲啟動了AI語音晶片項目，並提出「雲-端-芯」一體戰略。一方面把在垂直行業積累的AI技能放在雲端，一方面通過晶片去賦能設備端的邊緣計算能力，進而把雲端的算法能力向設備端進行輸出。

通過自研晶片的方式將算法集成在晶片模組中，這不僅形成了相對標準化的產品，還讓雲知聲實現了產品成本的降低。「標準化+降本」，才能大規模應用到智慧家居、車聯網等場景。

同時，雲知聲這些年還搭建了厚重的中台能力。物聯中台發揮集中調配、匯總信息的功能，實時管理設備、人員、服務等各項因素，最終通過語音交互輸出指令反饋。

而到了大模型時代，面向智慧物聯場景，會有什麼樣的進階呢？

ChatGPT已經讓業界看到，人人都能擁有一個AI助手即將成為現實。「未來將全線升級智慧物聯核心產品，與山海大模型深度結合，塑造出一個真正的隨身管家：從只能進行指令交互升級為類人對話，真正聯動IoT生態和服務。」黃偉在發布會上表示。

「與全場景自然語言交互相比，搜素引擎的市場就非常小了。」一位曾在語音等AI領域深耕20年的創始人曾對光錐智能表示，萬物智聯的自然交互，才是更廣闊的市場。

「大模型發布後，無論是汽車、智能家居、酒店等各個潛在客戶，已經迫不及待地在跟我們要方案了。」黃偉透露。

十年間，雲知聲AI實現了三級跳，從第一階段的AI三駕馬車、「雲端芯」戰略，到第二階段的以超算中心、知識圖譜等構成的規模化AI技術戰略，和開放平台+智慧物聯/智慧醫療的「U+X」市場戰略，每一個階段都緊跟技術和市場的變化。

再到如今的AGI時代，雲知聲也迎來了自己的GPT時刻。在技術上，不僅擁抱基礎大模型，也在工程化上利用指令調優+反饋強化，讓大模型不斷疊代提升；另外，也在多知識/多模態，以及跨語言/模態方面積極布局，為增量需求拓展能力。在市場策略上，依然堅持「U+X」，實現AGI+Industry生態加速。

在此次發布會上，除智慧醫療、物聯場景外，雲知聲亦在教育、銷售場景、知識管理等場景上儲備下了能力，準備迎接更多行業的升級需求。

03 行業爭奪戰打響，雲知聲如何比拼？

自3月以來，國內已有20多個玩家狂奔入局。從文心大模型到山海大模型，國產大模型之戰迎來中場戰事，從比拼「通用」進階到了比拼「行業」。

據不完全統計，在國內發布的大模型中，行業大模型占比超過60%，各家AI公司大模型已經開始向工業、金融、醫療、營銷、智慧物聯等多個領域滲透。比如，百度在發布文心一言後，在全國各地陸續舉辦了多場行業大模型的推介會，涉及工業、能源、媒體、金融等領域；而阿里雲雖然沒有發布單獨的行業大模型，但也強調維度更垂類的企業大模型。「未來每一個企業在阿里雲上既可以調用通義千問的全部能力，也可以結合企業自己的行業知識和應用場景，訓練自己的企業大模型。」

相比巨頭在技術上拼參數，在市場上拼生態，雲知聲這樣的小巨頭，也有自己從本質出發的思考。

「ChatGPT將人工智慧研究的核心帶回到語言本身，而語言其實是人類智能的一個核心載體。」雲知聲董事長梁家恩認為，這是一個從專用AI轉向通用AI（AGI）的突破口。」

但轉向通用AI，並不能盲目的擴大訓練參數。這是因為，雖然在優質數據規模足夠大情況下，模型越大效果越好，但訓練成本也越高。

基於AI 1.0時代在專用AI方面的積累，雲知聲計劃先將模型做到六七百億參數，做出湧現效果，然後以這個參數規模，提升優質數據規模和大模型效果，再做千億以上參數來提高大模型性能。

雲知聲堅信，通往AGI的路不只有一條。

「除了用大力出奇蹟去做大模型，也可以用更高質量的『數據+規模』當適當的數據參數，做行業『中模型』。」黃偉表示，雲知聲目前正在兩條腿一起走路。今年Q3雲知聲會發布對標GPT-3.5的「山海2.0」，數據參數也將達到千億級。而在Q3，雲知聲的「中模型」也即將發布。

既然要做中模型，在行業爭奪戰中，又回到了上個階段中對行業深耕的過程。

縱觀整個中國市場的行業大模型玩家，首先基於1.0階段積累的行業經驗不同，各家深扎的場景也不同。現階段，想要橫跨多個行業不太現實，無論是頭部大廠還是中小公司都可以有自己的壁壘。

其次，即使是進入同一行業，每家公司瞄準的方向也不同，細分領域競爭更具多樣化。如同樣在醫療領域，雲知聲將語義識別的優勢運用在了門診病歷撰寫、手術報告生成上，而商湯則將重點放在了線上問診、諮詢上。

而在真正的行業應用落地時，還要考慮實際成本。

在AI 1.0階段，被調侃「有多少人工就有多少智能」的數據標註情況，將被自動化標註逐步替代。相對於GPT訓練中需要的45T數據，以前的AI訓練數據量如同九牛一毛。在數據量較小的情況下，還能做到分離標註，而現在數據訓練過程完全自動化，根本無法標註。於是，需要通過人類生成反饋的技術，替代傳統數據標註。

另外，則是數據訓練成本。雲知聲認為，大模型訓練成功後，以目前的算力成本，可能需要把大模型參數量通過蒸餾技術壓縮10倍才能滿足實時性和規模化應用要求，這要視具體應用場景而定。雲知聲在做BERT模型時，就通過模型蒸餾提速近百倍，而實際性能損失很小。「就像打擊索馬利亞海盜，不能每次都開著航母過去。」梁家恩稱。

04 技術撬動行業價值

縱觀國產大模型，目前整個行業依然在非常早期，即使如馬斯克所言，中美技術的差距有12個月，但放眼到未來20年的長期競爭中，這開頭的100米或許並沒有那麼重要。

回顧1.0階段，AI公司花費了6年的時間實現了價值跨越。

科大訊飛營收從2017年的54.45億，一躍增長至2022年的188.20億，對應28.15%的復合增速；商湯的營收從2018年的18.5億，增長至2022年的38.09億，收入也實現了翻倍。

上個階段，AI技術實現了舊業務的提效、新業務的增長，最終達成AI公司營收、市值的雙增。進入2.0時代，這個邏輯依然成立，只不過2.0階段可能釋放的價值會更大，用的時間也會更短。

黃偉判斷，在新時代有兩件事目前是已經確定的。首先，AI公司具備了更強的技術能力後，就能更好地滿足客戶需求，繼而也能更容易地推動商業化落地。其次，客戶強烈的需求會拉動整個市場空間增長，但高准入門檻又會將一部分公司拒之門外，最後能在市場分蛋糕的是那些實力過硬的玩家。

回顧雲知聲11年的創業歷程，保持技術的領先性和符合時代的市場戰略都同等重要。「勤勞勇敢」的中國AI公司，面對新技術和新市場的熱忱，會趟平所有可見的困難。

正如黃偉所信仰的，「所愛隔山海，山海皆可平」。