由互聯(lián)網和科技界掀起的大模型浪潮，迎來了新戰(zhàn)事。
自今年3月以來，國內已有超過20家企業(yè)入局大模型賽道。從百度“文心一言”、阿里“通義千問”的發(fā)布，到360“紅孩兒”、商湯“日日新”、網易“玉言”、科大訊飛“星火”、昆侖萬維“天工”等的推出，再到騰訊“混元”、京東“ChatJ”、華為“盤古”等的預告?；ヂ?lián)網巨頭、科技公司紛紛秀出“肌肉”，誰也不想在這場大模型混戰(zhàn)中掉隊。
而在這場狂奔中，大模型的發(fā)展階段已經從“通用”邁入“垂類”。
算力、大規(guī)模數(shù)據、高成本人才成為大部分企業(yè)入局通用大模型的攔路虎。但深度定制、廣闊的場景應用等訴求，催生了國內垂直領域大模型的開發(fā)。
近兩個月來，不少醫(yī)療、金融、教育、繪畫等行業(yè)內擁有用戶數(shù)據積累的中小型企業(yè)，已開始基于國內外大模型“底座”，訓練適配自身的垂類模型。同時，已發(fā)布通用大模型的公司，也推出了針對特有行業(yè)的模型。
如果說通用大模型是大模型發(fā)展的初期階段，那么垂直場景應用則可以視作其“中場戰(zhàn)事”，在該階段，應用與場景先行，倒逼垂直領域的大模型飛躍發(fā)展，并率先在不同產業(yè)中實現(xiàn)了落地價值。
1
路線分化
短短兩個月，分化已經出現(xiàn)。
在5月23日舉辦的文心大模型技術交流會上，百度智能云AI與大數(shù)據平臺總經理忻舟介紹:“文心千帆大模型平臺，是百度提供給客戶的企業(yè)級大模型生產平臺，不但提供包括文心一言在內的大模型服務及第三方大模型服務，還提供大模型開發(fā)和應用的整套工具鏈?！?/p>
即文心千帆可以文心一言為核心，提供大模型服務，幫助客戶改造產品和生產流程;企業(yè)也可以在文心千帆上基于任何開源或閉源的大模型，開發(fā)自己的專屬大模型。
多位接受全天候科技采訪的業(yè)內人士認為，當前國內大模型賽道主要包括三類:一類對標GPT的通用大模型，聚焦基礎層的公司;一類是在開源大模型基礎之上訓練垂類大模型，聚焦垂直行業(yè)的企業(yè);另一類則是專注具體應用的純應用公司。
“剛開始大家是一窩蜂扎進通用大模型，現(xiàn)在分化已經出現(xiàn)，不管是分化到具體行業(yè)的，還是不做研發(fā)直接調用接口做產品運營的，這個趨勢是越來越清晰了。”前金山軟件副總裁兼人工智能事業(yè)部負責人、現(xiàn)AI領域創(chuàng)業(yè)者李長亮告訴全天候科技。
通用大模型面臨算力需求大、訓練和推理成本高、數(shù)據質量不佳等挑戰(zhàn)。一個成功的且可對外商業(yè)化輸出的通用大模型大模型，要求廠商擁有全棧大模型訓練與研發(fā)能力、業(yè)務場景落地經驗、AI安全治理舉措、以及生態(tài)開放性等核心優(yōu)勢。
在百度智能云副總裁朱勇看來，基礎模型（通用大模型）的公司可能“只有那么幾家”，但是上面會長出很多專業(yè)領域的大模型。
“訓練一個基礎模型，成本是非常高的，做一個千億級的大模型，需要單機群萬卡以上的算力。”朱勇說，從國內外來看，真正做通用模型的公司并沒有那么多。相反，訓練領域（垂類）模型所需要的代價和資源遠遠小于從零開始做通用模型。
因而，從商業(yè)邏輯的角度來看，大部分公司不具備做通用大模型的能力，巨頭更適合做通用大模型，擁有豐富場景數(shù)據積累的公司更適合做垂域模型。
垂類大模型以深度解決行業(yè)需求為主，即企業(yè)在自己擅長的領域訓練適合自己的“產業(yè)版GPT”。這類大模型生成的內容更符合特定垂類場景的需求，質量更高。
當前，已經可以看到不少垂類模型應用在金融、醫(yī)療、交易等場景中。比如，彭博社根據自身豐富的金融數(shù)據資源，基于GPT-3框架再訓練，開發(fā)出了金融專屬大模型BloombergGPT。
除了上述兩種常見的模式，目前國內大模型創(chuàng)業(yè)賽道上還有一種專做應用的公司，它們沒有研發(fā)團隊，從現(xiàn)有大模型調用接口，做產品和運營。
2
通用VS 垂域
布局通用大模型的巨頭，需要的是生態(tài)。所以百度、阿里都希望成為“大模型的底座”去賦能行業(yè)與企業(yè)。但并不是所有企業(yè)都有這樣的能力。
“現(xiàn)有大模型的算力和能耗挑戰(zhàn)會促使很多工作向領域專用化、輕量化的大模型方向發(fā)展，特別是金融、教育、醫(yī)療、交通等領域，大量的工作在試圖降低大模型的成本?！痹谌涨芭e行的第六屆數(shù)字中國建設峰會上，中國科學院自動化研究所副所長曾大軍表示。
相比通用大模型需要高昂的開發(fā)訓練成本，基于開源模型進行垂類模型開發(fā)可兼顧開發(fā)成本和數(shù)據安全。
事實上，挑戰(zhàn)之外，實際的場景需求也加快了大模型垂類化的過程。
“中國擅長商業(yè)模式、應用上的創(chuàng)新?！币晃籄I領域創(chuàng)業(yè)者說，與此同時，國內不乏AI模型的落地場景、豐富的數(shù)據，以及追風口的熱情。因而，短短兩個月時間，大模型領域化的發(fā)展飛速。
以百度文心千帆這個“AI大模型底座”為例，當前正在共同測試研發(fā)的企業(yè)通常來自信息化和技術普及率較高的行業(yè)，如金融行業(yè)、能源行業(yè)、泛互聯(lián)網行業(yè)等。
“垂類模型是在通用大模型基礎上訓練的，撇開通用大模型的話，是不存在垂類模型的?！毙弥壅f，垂類模型強調領域的know-how，對于特定領域來說，需要針對該領域的任務做指令學習。
行業(yè)不同，場景不同，指令學習的區(qū)別也極大。比如，泛互聯(lián)網行業(yè)更關注營銷、推薦的效果，金融更領域更關注風控、可信、以及營銷的效果。
在李長亮看來，垂類大模型與通用大模型最大的區(qū)別在于:垂類大模型在資源投入、成本投入等方面的要求下降了，但額外要求是行業(yè)known-how，即對這個行業(yè)的knowledge要求提高了。
表現(xiàn)在數(shù)據方面，在特定的垂直領域，企業(yè)擁有私有數(shù)據，這是別的企業(yè)花錢也買不到的核心競爭力和天然優(yōu)勢。
表現(xiàn)在算力上，通過通用大模型微調實現(xiàn)的垂類大模型相較通用大模型是“幾何級別的下降”。
根據國金證券的測算，在模型微調階段，由于訓練量級較小，僅為萬級，相關的算力成本相比之下可忽略不計。
以斯坦福大學于2023年3月發(fā)布Alpaca為例，這是一個基于LLaMA-7B基座，應用5.2萬指令對模型微調訓練而來的對話類語言模型。該模型基于8塊A100微調，微調時長3小時，算力成本不超過300元。
當然，并不是所有企業(yè)都可以在通用大模型的基礎上做微調。
以百度文心千帆為例，要在該平臺上通過微調做自己的大模型需具備兩個條件:企業(yè)有沒有高質量的數(shù)據存下來;能否將自身業(yè)務根據對生成式AI的理解變成高質量的數(shù)據，變成指定數(shù)據做指定微調。
換言之，落地在企業(yè)端，那些有海量行業(yè)數(shù)據、懂行業(yè)know-how的企業(yè)，做成垂類模型的機會更大。
“因為有專業(yè)的數(shù)據、有行業(yè)know-how，結合不同類型的領域模型，這些領域模型將來會非常繁榮，支撐上層非常繁榮的領域應用。”朱勇說。
3
“兩條腿”走路
“GPT+行業(yè)專家系統(tǒng)”的模式產生了新的垂直領域大模型。
大模型最大的價值在于革新商業(yè)模式，改造商業(yè)組織的每一個環(huán)節(jié)，進而起到降本增效的效果。這也是企業(yè)紛紛入局大模型的原因所在。
而meta旗下LLaMA模型等大模型的開源為垂類模型的發(fā)展裝上了加速器。
公開信息顯示，LLaMA基于通用領域的開源數(shù)據集進行訓練，訓練數(shù)據涵蓋40種語言，包含約1.4萬億Tokens。LLaMA模型一經發(fā)布就對外完全開源，吸引了廣大AI開發(fā)者。
作為完全開源的領先模型，LLaMA具備高度的靈活性、可配置性和泛化能力，可以作為垂類AI模型的通用基座。
盡管LLaMA模型參數(shù)量較小，但性能絲毫不遜色于PaLM、GPT-3等大語言模型。并且較小的參數(shù)規(guī)模顯著降低了LLaMA模型的落地部署和二次開發(fā)難度。
“基于LLaMA這種開源模型，我們喂自己的數(shù)據，慢慢調試，就能調試出我想要的效果來?！币晃籄IGC領域的創(chuàng)業(yè)者告訴全天候科技。
全天候科技了解到，當下不少企業(yè)采用的是“兩條腿走路”的策略，即:一邊接入大模型API，一邊在開源模型上煉模型，兩者構成反饋鏈，加速各自能力的提升，打造創(chuàng)新閉環(huán)。
“調用API接口也是一個獲取數(shù)據資源的有效手段?！崩铋L亮說，這部分數(shù)據將來可能在企業(yè)訓練模型的時候起作用。
在不少業(yè)內人士看來，對于各行各業(yè)來說，垂直大模型是一種全新的生產力，各個行業(yè)的垂直領域大模型對所在行業(yè)可能產生重大甚至是顛覆性的影響。
值得一提的是，在一級市場上，專注于垂類大模型的創(chuàng)業(yè)公司也是投資機構眼中的“寶藏”。
在不久前召開的2023中國投資年會上，天堂硅谷高級合伙人王偉將“垂直領域大模型，掌握行業(yè)數(shù)據、懂行業(yè)Know-how的項目”列為其重點投資布局的領域之一。
