优势挑战并存大模型产业应用将成未来焦点

当前，我国大模型发展从“百模大战”向产业应用转变。大模型如何赋能实体经济？我国存在哪些优势和挑战？未来大模型产业将呈现何种趋势？针对以上问题，《人民邮电》报记者日前采访了中国移动集团级首席科学家、人工智能与智慧运营中心总经理冯俊兰，国内大模型新锐公司衔远科技市场部负责人石晓锐以及瑞莱智慧（Real AI）合伙人、高级副总裁朱萌。

(相关资料图)

1．随着新一轮人工智能产业变革，大模型的重要性日趋凸显。在这一轮发展过程中，我国存在哪些独特优势？面临哪些挑战？

冯俊兰：我国将人工智能定位为“新基建之智”。随着以大模型为代表的通用人工智能不断发展，人工智能服务会逐渐像今天的水、电、通信服务一样便捷、普适、安全、低成本。在通用人工智能时代，人工智能新型基础设施及服务将为国家经济社会发展提供坚实基础与强大动力。

我国目前在这些方面面临挑战：一是国产智算芯片等软硬件基础较为薄弱，需要大力推进人工智能新型基础设施建设带动国产化加快发展；二是数据资源分散，需要统筹建设高质量数据集并建立数据流通共享机制；三是模型等方面的自主关键核心技术不足，需要加强技术骨干人才培养和队伍建设，强化人工智能策源创新能力，并完善以企业为主体、产学研深化协同的创新科研体系。

朱萌：在国际范围内比较，我国良好的发展政策、丰富的数据资源和广阔的应用场景都是独特优势。发展政策方面，中央高度重视人工智能等新技术新应用的发展。资源和场景方面，经过多年发展，我国积累了丰富的数据要素资源，构建了扎实的信息基础设施，形成了多样的创新应用生态，这些都为此轮人工智能产业变革创造了有利条件，也提供了足够发展空间。

目前来看，主要有两大方面挑战。一是资源的有效利用，我国虽然数据规模庞大，但可用于人工智能训练的高质量数据集还有待构建。二是人工智能安全问题。一方面，生成式人工智能自身带来伦理安全、舆论误导、信息茧房、认知影响等风险挑战；另一方面，大模型并没有摆脱数据驱动模式导致的不安全、不可靠、不可信问题，从业者和全社会需要做好安全应对。

石晓锐：中国整体的发展速度在全球保持领先，中国的消费市场体量与消费需求潜力也是惊人的。同时，我们对技术的场景化落地也有着先天的优势。但模型的产业化也面临数据质量参差不齐、训练难度大、性能要求高和成本壁垒高等挑战。

ChatGPT突然火爆，市场开始用AI 2.0来形容其带来的巨大潜力。另外，几乎所有的科技巨头都加入战局，创投市场试图抓住新风口，市场环境也快速变化。GPT是一个系统性的创业机会，但仅仅复制、跟随、追赶，风险高、难度大。

2．实体经济是国民经济的命脉，人工智能将怎样赋能实体经济？大模型如何更好地实现数实融合？

石晓锐：从政府侧来看，北京、深圳、上海、成都等地相继发布人工智能支持政策，且均在强调公共数据开放与共享。近年来，中国的数字经济备受国家重视、发展日新月异，为下一代AI在中国的应用落地提供了基础和土壤。

人工智能可以助力中国制造业、实体经济的数智化发展，这意味着人工智能大模型需要深度理解客户的业务场景，理解消费者在不同场景下的消费体验，以及这种体验跟商品的品质、生产流程、供应商的关系，进而才能通过大语言模型、多模态技术和人工智能GC实现训练、分析、推理和生成等解决垂直场景内复杂问题的能力，从而帮助企业找到打造爆款产品的最优方式，为用户推荐最适合的商品。人工智能可以帮助垂类企业敏锐捕捉行业市场机遇、精准定位创新发展方向，垂直整合从自有基础大模型到应用、到终端用户的全场景闭环，以实现生成式人工智能与产业价值的“双落地”。

3．当前通用与行业大模型研发呈爆发式增长。大模型对当前产业发展将起到怎样的作用？

冯俊兰：一是大模型带来了人工智能技术范式的变革。正如牛顿定律之于物理学的意义一样，大模型开启了人工智能的“大一统时代”。

二是大模型带来了人工智能研发模式的转变。包括三个趋势：第一，研发团队由小到大，需要以企业为主体的创新模式。大模型的打造是一个集大算力、大数据、算法和应用于一体的系统工程，需要算法和工程兼备的专家型人才，具有高投入、高门槛和长周期特性，企业在大模型研发上更具优势，这将催生以企业为主体的产学研合作的创新模式。第二，研发路径由分方向、分领域到分层。传统模型是面向特定场景、特定任务训练得到的，而大模型是面向多种任务的通用模型。第三，大模型训练推理需要将各要素统筹考虑，包括底层计算芯片、框架、算法、理论等在内，进行端到端优化。

三是大模型还将催生人工智能新的业务赋能模式。

四是大模型也将引发产业范式的变化，形成新的产业生态结构，推动人工智能产业链分工更清晰，整个生态的研发效率得到显著提升，产业链更加成熟。

4．大模型训练需要大量的数据，如何保证数据安全？或面临怎样的安全问题？

朱萌：人工智能模型训练过程中，保障数据安全是重中之重。这一方面取决于组织机制是否完善，例如是否有完备的数据安全保护制度、流程等。另一方面取决于数据安全技术是否过硬，例如是否采取了高水平的隐私计算技术、数据加密技术、权限控制技术等，使得模型训练时“数据可用不可见”，做到对训练数据的有效保护。

大模型在算法层面的安全问题同样不可掉以轻心。基于人工智能神经网络本身的特点，大模型在鲁棒性方面具有固有缺陷。外部环境安全时，模型暴露的风险为内在风险，如伦理价值风险、认知影响风险等。遭遇外部攻击时，模型面临的风险为外在风险，例如提示注入攻击、对抗样本攻击、模型窃取攻击等。

5．未来国内大模型产业发展将呈现怎样的趋势？

石晓锐：未来，中国人工智能企业的发展重点将转向产业应用，开发更加适合企业需求的人工智能产品。此外，为了保证核心竞争力，中国人工智能企业将加强技术创新人才培养，推出更加先进的人工智能技术。此外，随着全球化的发展和应用市场的扩大，中国人工智能企业将开展更多国际业务，拓展更广阔的市场空间。

对于创业竞争，可以分成三条路线看待：第一条路线是自己做具备通用能力的底层大模型，从技术算法到模型迭代、场景闭环都具备；第二条路线是基于别人的模型（如GPT），结合自己的行业know-how去做训练；第三条路线是纯粹做应用，将模型拿来直接使用，这种的壁垒会较低。至于第二类能不能成功，需要时间去验证，现在还不明确。同时，良性竞争是发展的助推器。如果只有一个通用大模型思路，就没有办法看到不同技术方向的迭代与对比。商业应用、学术创新和技术生态，都需要多元化，不能完全集中在一个大模型上。

朱萌：相较语言大模型，人工智能要想实现通用，需要对图像、视频、音频等各类模态的理解和生成。我们认为，多模态大模型是大模型今后发展的方向，将成为未来智能社会的关键基础模型。

关键词：