2010年，《经济学人》上发表了一篇长达14页的专题报告《数据，无所不在的数据》，为了突出变化，科学家、工程师们还对这个现象取了一个新名字“Big Data大数据”。

次年，麦肯锡也发布了重磅报告《大数据：创新、竞争和生产力的下一个新领域》。2012年达沃斯论坛上也设置专门的议题。大数据，快速普及，成为国与国之间博弈的新角度，成为公司开拓新业务的方向，也成为社会舆论的焦点。

(资料图片仅供参考)

但火了一段时间后，普通民众发现大数据好像并不能迅速改变什么，逐渐降低了关注。然而，数据的作用却在悄然发挥，比如更个性化的推荐、就医等流程优化、城市治理等等，以及成为我们数字战略的重要原材料。

人们似乎很容易对当下高估，却又低估长期的趋势。

2023年初ChatGPT出圈后，大模型，也成为舆论焦点。似乎带个大字，就是不一样。国际、国内巨头都纷纷加入了大模型的竞赛。这场竞赛会如何开展？是否会像大数据一样，历经兴奋与平淡，却带来影响深远的变化呢？

模型的进化

大模型和模型相比，只是加了个大字，为什么就这么令人兴奋呢？

解答这个问题，要从它怎么来的说起。由于自然语言理解是人工智能的核心难题之一，因此我们也从自然语言处理为线索来看。

在1956年美国达特茅斯学院的暑期会议期间，参会人员首次决定将像人类一样思考的机器成为“人工智能”，随后世界第一座AI Lab实验室建立。此时人工智能的主要路径是“规则”。

所谓规则，就是人们从数据中抽离出知识，进行归纳后将规则建立起来，让计算机执行规则，从而理解人类语言。但人类语言实在太精妙了，比如“我一把就把把给把住了”，一个字、多个意思，这完全是机器不能理解的，路径需要进化。

1993年起，人工智能进入了“统计机器学习阶段”。做法是人工将各种语料标注好，然后利用数学方法统计出各种语料在各种结构下出现的概率。经典的例子就是苹果，假如出现80%的次数都是手机，而不是水果，那么在实际应用中，就先按照手机来理解。

这个阶段，最辛苦角色之一就是数据标注员，标注数据量达到了百万级别。大概又发展了十年左右，新的阶段“深度学习”开启了。

深度学习使用“向量”来表示语义，向量里的值表征该语料具有该特征的概率大小。通过向量就可以计算语料的相似度。标注数据量达到了千万级别。

在2018年左右，深度学习又迈向了“预训练阶段”，通过预训练、微调等方式，数据量扩大了5倍左右。OpenAI发布了GPT-1，谷歌发布了BERT。颇为“开天辟地”的Transformer也横空出世。通过注意力机制，可以并行、快速处理信息。

此时的AI不再过度依赖标注好的数据，而是可以通过做填空题、获得人类反馈等方式，获得更快的训练。惊艳的OpenAI也是基于Transformer进行研发应用。

随着模型参数不断扩大后，人们惊讶地发现，模型具备了以往小规模不具备的能力，例如更严谨的推理等，甚至学会了人类的幽默感，这就是目前还不知道原理如何的“涌现”。

历经规则、统计机器学习、深度学习、预训练等阶后，人工智能终于展现出了极高的突变性、更强的自主学习能力、以及更广的通用性。这都宣告着，人工智能范式革新，大模型时代来了：通过大模型结合人类反馈，从而高效解决海量开放式任务，不只是语言，而是多模态。

新时代来临，海外巨头惊艳亮相时，我国企业也并不是“蹭热度”。也许实力和海外有差距，但投入也是扎实的。

2014年，商汤科技成立，第二年就在素有“计算机视觉奥林匹克”之称的ImageNet赛事中夺魁。而从2018年起内部开启了大模型和大算力的研发，和海外巨头几乎同时起步。依靠人才济济的团队、长期坚定的研发投入、以及产业应用经验，商汤也在2023年4月发布了“日日新SenseNova”大模型体系。

商汤日日新大模型

科技从来不是一蹴而就，而是曲折中不断摸索。大模型，和模型相比，似乎只是多了一个“大”字，但这一个字，就是数以万计的科学家、工程师们，六十余年、两万多天的付出。

怎么定义大？怎么定义好？

大模型，该怎么定义大？怎么定义好？

咱们普通人肯定会用模型的参数量来定义、区分模型，比如千亿肯定比百亿好。但实际上，模型的能力要综合考量两个要素：参数量、用来训练的数据量。

参数量和数据量的乘积，也就是计算量，这才是区分模型能力更合适的标准。如果进一步拆解的话，就是GPU数量、乘以大规模并行计算的效率、再乘以运行的时间。这就是新时代下，算力、算法、和数据的新公式。

AI大模型时代的新公式

这个公式，既是行业未来发展的脉络，也是业内公司彼此较量的“武器库”。

算法就像学武功时的天分一样。普通的大模型，通过勤奋和努力也可以达到一定水平，但需要有师傅一招一式地演示、传授，一旦没教的就不会了；而优秀的大模型，并不需要完全的一招一式教，而是给予合适的心法、在关键地方的引导，就可以学会招式，甚至可以自己创造新动作，就像张三丰自创太极、成为宗师一样。

如果只是在舞台展示，会发现学太极和创太极的似乎水平一样，动作都很规范，但到了实战中就差距显著了。因此，评价模型不能静态。

好模型首要做法是依靠优秀的人才，并吸引海内外先进知识。目前，商汤形成了全栈大模型的研发体系。业界戏称“模型很大，GPU放不下”，因此商汤采用了分布式的训练优化，包括数据运行、模型并行的优化混合精度优化等等。

其次，在研发过程中，要用更丰富的场景和开放任务去检测模型能力。这既是一个思路，也是商汤基于行业应用多年沉淀的优势。

高质量数据是稀缺的。就像国内科学家们经常吐槽，中文数据被广告污染太严重了，高质量自然语言数据必然会逐渐稀缺。今天已知最大语言模型消耗的数据量是2万亿个token。而据统计，人类文明产生的高质量语料数据一共是9万亿左右。因此，随着倍数往上走，很快就会面临着高质量语料被消化完的局面。

一个解决方法是人类不断继续生成高质量文本内容，但写的速度肯定比不上机器学的速度。另一个途径是多模态，增加听觉、视觉数据。尤其视觉方面，人类捕获信心80%都是靠眼睛，如果机器也可以如此，那就可以更好理解世界。

视觉数据的丰富

在视觉方面，商汤依靠智能城市、智慧商业等业务，在视觉领域也积累了大量高质量真实世界的视觉数据。2019年，商汤首次发布了10亿参数的视觉大模型。2021年~2022年，训练了百亿参数规模的超大视觉模型。2022年，发布了320亿参数的视觉大模型，为全球前列。

除了高质量的真实数据，数据的丰富性也很重要，尤其是稀缺、复杂场景的数据在实际中很难获取，比如自动驾驶里的极端天气、灾害、事故等的数据等。商汤基于日日新大模型体系，可以进行生成，然后基于生成的图片，用明眸平台进行自动标注，这样就可以补充相应的训练数据，提升在复杂场景的能力，得到更好的效果。

高阶算力更是稀缺。过往的10年，最好的AI算法对于算力的需求增长超过了100万倍。算力要看多卡并行状态下的有效利用率即实际算力，也要看够持续稳定运行的时长。

芯片并不是商汤的主业，也很遗憾我国芯片先进制程还需要投入许多精力来进行研发攻关。幸运的是，商汤也是“采购达人”，早早做了准备。目前，商汤AI大装置有2万7千块GPU芯片卡，可输出5000P算力，支持20个千亿参数超大模型同时训练，并且支持最大4000卡并行单任务训练，可持续7天以上不间断稳定训练。

算法、数据、算力，就像天赋、招数、内力一样，各条线都要发展，才能更好行走江湖。

大模型如何发挥功效？

就像开宗立派，是为了造福武林；模型更大，并不能只是花头，而是要真正有用。鉴于大模型时代刚开启，我们对应用可以做展望，至于如何落地仍然需要各公司、从业者们继续探索、努力。

比如，自然语言可以提高人机协作效率，成为得力助手。

内容行业，可以编故事、写诗词、写营销方案、甚至做心灵指导，解读PDF文档。就像国内一家领先的营销公司，就发布邮件称，计划采用GPT来完成创意设计、方案撰写、文案撰写等业务。医疗行业，可以能提供导诊、问诊、健康咨询、辅助决策等多场景多轮会话。开发领域，可作为编程助手自动进行程序生成。

比如，生成式AI应用，可以成为视频内容的制作和生成工具平台。

在商汤的技术开放日上可以看到，通过秒画，可以轻松地创作高质量的艺术作品；通过如影，可以实现高质量、无门槛、多风格的数字人创作；通过格物、琼宇，可以实现高效、可交互、可编辑的物体和场景生成及漫游。而这些人、物、环境，都可以在数字空间中无缝连接，大幅提升短视频、直播产业生产力。

商汤在发展期间，积累了丰富的行业know-how，对各行业问题的定义积累了洞察和技术，可以反哺大模型在各行业领域应用能力的提升。

比如，在自动驾驶领域，关于车辆是否应该减速是个重要判断。在现有的AI系统中，首先进行物体检测，得到检测框，然后进行文字识别，最后做出决策判断。所有这些模块都是预先设计好的任务。

而在大模型时代，做法有了提升。在商汤“日日新SenseNova” 大模型体系的展示中，给定图像后，可以向人工智能提各种问题，比如“这个图标是什么意思?我们应该做什么？”。人工智能会给出答案和中间的推理过程。看到有限速30公里的铁牌，就会推理出来，这是学校区域，会有学生活动。因此，需要降低速度。

如果说以上的应用，是许多AI都可以完成的，那么对商汤而言，还有一个更具有特殊性的业务“MaaS”，也就是大模型即服务。

商汤AI大装置

自动化数据标注，可实现智能标注，带来近百倍效率提升。大模型推理部署服务，可将大模型推理效率提高100%，实现快速部署应用。大模型并行训练和大模型增量训练服务，能够帮助客户快速结合相关领域知识，训练不同的行业大模型，实现千行千面的模型开发，并将增量微调成本降低90%。

大模型时代刚刚开启，而商汤的通用人工智能大模型体系也还在进化。未来会覆盖包括视觉感知、语言理解、内容生成和推理决策四大方面。

进化和坚持

未来学家凯文·凯利在经典著作《失控》中提出：世界的物质，可以打通，我们迎来了生物和机器的联合，连接成一个庞大的进化体。

在过去十几年，大家还常有疑问。但ChatGPT的惊艳亮相，让大家都开始重新思考进化体的话题，甚至担心人类的未来。因此，最近也引发了对GPT停止研发的呼吁。

人工智能的发展奇点何时到来，我们并不清楚。但可以确定的是，无论大数据还是大模型，不只是、也不能只是技术术语，而是为了更高效推动社会发展。这是必要的约束。

而另一方面，当我们惊叹ChatGPT的惊艳时，也不能忽视其实这并不是OpenAI的第一代产品。GPT-1、GPT-2的普通表现，都经历了不同程度的业内质疑。但正依靠着坚持，才有了如今的GPT-4、以及未来的5、6、7等等。

回溯来看，AI发展的六十多年，每个阶段都有企业、团队、研发人员不被理解、负重前行，成为先驱、甚至先烈。但正是因为这些企业、团队、研发人员的付出，才迎来了当下的时刻。

在我国也是如此，有幸于商汤等公司的持续研发，才有了我们在这场大模型竞赛中、在通用人工智能大潮中，依然手握门票，甚至在中文方面，更有优势。而未来，也必然会和我们广阔的产业空间结合，为经济带来新动能，为人们带来更美好的生活。

作者：董指导