文｜郝鑫
編｜劉雨琦
剛過去的WAIC（世界人工智慧大會）儼然成為了大模型廠商的成果彙報大會。
百度文心大模型升級到3.5版本，訓練速度提升2倍，推理速度提升30倍；華為雲發布盤古大模型3.0，包含L0基礎大模型、L1行業大模型和L2場景模型；阿里雲發布AI繪畫創作模型通義萬相；騰訊雲MaaS底座、行業大模型場景全面升級；商湯「日日新」大模型升級，金融、醫療等行業場景落地已超20個。
大模型走過從無到有，在當下的階段，即使是站在同一起跑線的廠商，也走上了不同的分叉路：有人做通用大模型，有人做行業大模型；有人在為大模型的安全運行保駕護航，有人在提供造大模型的工具。
7月7日，在中國信通院發布的《2023大模型和AIGC產業圖譜》中，將大模型和AIGC產業鏈上下游分成了行業應用、產品服務、模型與工具和基礎層四個主要部分。
（圖源：中國通訊院）
從圖上看，大模型就像造房子，很難有一家企業完成所有環節。也就是說，如同網際網路的大航海時代一般，大模型生態建設，所有人都有機會。
正如騰訊雲副總裁、騰訊雲智能負責人、優圖實驗室負責人吳運聲告訴光錐智能：「大模型時代，開放是非常重要的特點。大模型要結合行業落地，需要花費大量的成本，在這種情況下，要想發揮最大的價值，只有開放，通過讓各行各業的專家、各類角色的人員加入進來，才能讓整個生態體系更健康，從而產生更多的可能性。」
發展的同時，問題也在逐漸暴露出來。相較於國外成熟的大模型市場，中國到現在還未構建起完整的大模型產業鏈，在底層的數據、晶片、計算能力存在欠缺，在模型訓練、部署等環節還十分薄弱。
針對大模型產業鏈存在的痛點，騰訊雲MaaS大模型精選商店升級技術底座，發布向量資料庫和星脈網絡，創新行業大模型的應用場景。
追本溯源，可以看出騰訊延續網際網路時代的思路，騰訊雲依然不做通用大模型，要繼續做工具箱和連接器。
Always工具箱和連接器
據光錐智能了解到，早在6月19日，騰訊雲就公布了行業大模型技術解決方案。該方案依託騰訊雲TI平台打造行業大模型精選商店，為客戶提供MaaS一站式服務，客戶只需要加入自己獨有的場景數據，就可以快速生成專屬模型，結合實際業務場景需求，開發低成本、高可用的智能應用和服務。
騰訊雲MaaS大模型商店重點突出了兩個特點，一是精專，二是靈活。
「精專」主要體現在對行業模型的訓練上，騰訊雲在其技術底座就內置了金融、政務、文旅、傳媒、教育等多個行業大模型，這意味著從預訓練時期開始，大模型便明確了方向，開始與行業經驗結合。
打個比方，就好比大學生一入學就被分到了不同的專業，之後在此基礎上繼續研究生、博士深造。騰訊雲的思路也是如此，把訓練的數據先在行業大模型中磨礪一遍，然後再結合企業的私有數據，精調後生成企業專屬模型。可以說，行業認知貫穿了模型訓練、推理、部署的全過程，由此來提升行業場景的應用能力。
「靈活」主要體現在企業調取、使用模型能力、工具上。網際網路時代，馬化騰曾將騰訊的角色定位為「工具箱」，在大模型時代，騰訊雲TI平台的角色有著異曲同工之處。
工具鏈決定著企業能不能把大模型能力和自己的業務、產品相結合，為此，騰訊雲提供了包括數據標註、訓練、評估、測試和部署等大模型工具箱和配套服務。企業可以在本地按需選用和組合工具，在保障安全的前提下進行私有化數據訓練，還可根據業務場景需求，按需定製不同參數、規格的模型服務。
以前，騰訊連接了B端商家和C端用戶，現在騰訊雲也將這種能力復刻到大模型商店。工具組合形成的工具鏈還只是平台中的一環，連接起企業產品和大模型；另一條主線——數據（私有+公有），則串連起了大模型、企業、產業和用戶。
行業應用是起點，也是終點，正如吳運聲所言，「不管是什麼樣的技術，我們最根本的出發點，還是要解決實際的問題。」
大模型加速器
如何在大模型賽道上找到合適自己的節奏，騰訊雲似乎已經摸到了脈路。
騰訊集團高級執行副總裁、雲與智慧產業事業群CEO湯道生曾表示：「關鍵還是要把底層的算法、算力和數據扎紮實實做好，而且更關鍵的是場景落地。」
延續著這樣的思路，騰訊雲一手抓底層算法、算力和數據，一手落地場景，MaaS大模型商店實現了全面的升級。
在技術底座環節，騰訊雲聚焦一個「快」字，發布了星脈網絡和向量資料庫，為大模型安上了「風火輪」。
大模型進入萬億參數時代，單體伺服器算力有限，需要將大量伺服器通過高性能網絡相連，打造大規模算力集群。
基於此，騰訊雲通過對處理器、網絡架構和存儲性能的全面優化，攻克下了大集群場景下算力損耗問題，正式發布新一代HCC（High-Performance Computing Cluster）高性能計算集群。
該集群採用騰訊雲星星海自研伺服器，搭載英偉達最新代次H800 GPU，能提升40%的GPU利用率，節省30%-60%的模型訓練成本，為AI大模型帶來10倍通信性能提升。基於騰訊雲新一代算力集群HCC，可支持10萬卡的超大計算規模。
據騰訊雲透露，騰訊雲新一代集群的算力性能較前代提升高達3倍，是國內性能最強的大模型計算集群。
高性能計算群是一種底座能力，其技術的應用體現了通過技術手段的降本增效。
首先，相比於大量分散的計算機，高性能計算集群可以降低硬體成本和運維成本，同時方便集中管理。其次，它可以提升計算、搜索的效率。提供分布式的計算能力，為向量資料庫提供支持；還能進行複雜的科學計算和建模，這也是騰訊雲「AI for Science」能迅速在天文、甲骨文考釋取得成果的原因。
在大模型訓練過程中，湯道生談起過數據質量的問題，他表示：「目前通用大模型一般都是基於廣泛的公開文獻與網絡信息來訓練的，網上的信息可能有錯誤、有謠言、有偏見，許多專業知識與行業數據積累不足，導致模型的行業針對性與精準度不夠，數據噪音過大。」
數據對大模型訓練的意義不言而喻，當前，除了數據噪聲過大，還存在數據處理、數據更新、數據安全等眾多問題。
此外，大模型還存在一個致命的缺點——沒有長期記憶，C端對話場景還可以重新提問，但應用在行業，就可能造成系統崩潰。
OpenAI 很早就意識到這個問題，通過與Zilliz、Pinecone、Weaviate等向量資料庫公司合作，為ChatGPT配置上了「外置緩存」，向量資料庫+大模型也被稱之為「黃金搭檔」。
國外向量資料庫大熱帶動了國內廠商加速，騰訊雲也趕上了第一波，發布了國內首個AI 原生向量資料庫。
針對大模型場景，它在接入層、計算層、存儲層實現了全面AI化：
在接入層，智能化支持自然語言文本的直接檢索；
在計算層，通過AI運算元替代企業尋找/調優AI算法，將接入工期從一個月縮短到3天；
在存儲層，融合智能壓縮算法，把向量存儲成本降低50%。
企業數據接入需要分為三步，分別為文本切分、向量化以及導入。以前，這三步分別由不同的公司來做，因此周期被拉得無限長，而騰訊雲將三步化作一步，直接實現了一站式接入，效率提升了10倍。
不過，從參數來看，目前騰訊雲向量資料庫性能依舊在初級的階段。
舉個例子，騰訊雲向量資料庫最高支持10億級向量檢索規模，並將延遲控制在毫秒級。作為對比Milvus最大能支持560億向量檢索規模，支持每秒進行上百萬的向量相似性搜索。
但10億級也可以說是向量資料庫的入門級參數。Pinecone 官方demo 表明其可以在 10 億條向量中實時搜索；Weaviate算法可支持十億量級的向量索引。
工欲善其事，必先利其器。從最底層一步步砸實技術，看似騰訊雲走了一條慢路，但小布快走，實現快速疊代後，帶動的將是整個生態系統的提升。
50個場景，騰訊雲批量著陸
場景一直是騰訊所強調的產品文化，即做一個產品或者上線一個功能，首先考慮的是，能不能找到場景，找到用戶。
同樣切入MaaS，站在新的起跑線上，騰訊雲通過沉澱的行業Konw-how，瞄準企業應用剛需，推進大模型應用落地，將場景作為訓練大模型的磨刀石。
「大模型雖好，但用起來還是有很高的門檻。尤其對一些傳統領域企業而言，通用大模型無法精準適配、達到降本增效的預期。企業需要的，是在實際場景中真正解決某個問題，而不是在100個場景中解決了70%-80%的問題。」吳運聲道。
騰訊雲認為，大模型不只是少數人的遊戲，把大模型從「通才」轉變為「專才」，對企業來說或許是一個可行的路徑。騰訊雲在其中承擔的角色，就是要將門檻打下來，提供一條龍服務，幫助企業跳過模型訓練、部署的「冷啟動」階段。
據光錐智能了解，基於騰訊在網際網路行業的長期沉澱，騰訊雲已聯合金融、文旅、政務、傳媒、教育等十多個行業頭部客戶，共同打造了超過50個行業大模型解決方案，這些都是騰訊 CSIG 的重點服務行業。
在金融風控場景，騰訊雲風控大模型融合了騰訊過去20多年黑灰產對抗經驗，和上千個真實業務場景，提供了金融風控解決方案。企業可以基於prompt模式，疊代風控能力，從樣本收集、模型訓練到部署上線，實現全流程零人工參與，目前，建模時間已經做到從2周減少到僅需2天。
在交互翻譯場景，基於行業大模型技術，騰訊雲無需百萬級的訓練數據，使用小樣本訓練也可以獲得不錯的翻譯結果，讓每一次交互翻譯，都能對下一句的翻譯提升發揮實時作用。
以行業場景為切入，技術、應用同時疊代升級，這樣的速度明顯要更快，效果也更加顯著。
據騰訊雲在WAIC最新數據，上述金融風控解決方案，相比之前已有了10倍效率的提升，整體反欺詐效果比傳統模式有20%左右的提升；騰訊雲數智人工廠，內置超過10個AI算法模型，騰訊雲MaaS能力，可以讓2D數智人分身復刻縮短至24小時。
技術和應用兩條腿同時跑，底層大模型支撐應用場景落地，場景也反過來反哺大模型。
正如同騰訊雲所強調的一個觀點「產業場景是大模型的最佳練兵場」，前期大模型所學習到的行業經驗可以在現實應用場景中得到矯正，再次沉澱到騰訊雲MaaS平台行業模型底座，重新更新認知，以此循環往復，行業大模型將越調越精，企業也越用越靈。
另一方面，成熟的應用落地場景，或許又將為大模型商業化開拓出新的道路。
事實證明，貪圖一時的熱鬧並不長遠，即使是擁有絕對技術壁壘的ChatGPT也面臨著流量下滑的命運，OpenAI 創始人更是直言，ChatGPT插件不如預期的原因在於，人們更想把GPT的能力用到自己的應用當中。
開啟大模型下一個競爭階段，場景與商業化能力或將變得更加密切。
正如騰訊雲副總裁、騰訊雲智能研發負責人吳永堅所認為的：「網際網路已經走到從最開始的純免費階段，慢慢向某些場景去如何商業化的階段，這不是大模型帶來的，但大模型將我們商業化的途徑變得更清晰了。」