“大模型發(fā)展過程中，實現(xiàn)大模型的核心基礎(chǔ)技術(shù)并未見顛覆性的創(chuàng)新，而是通過長期迭代演進逐步發(fā)展到目前水平。”近日，北京航空航天大學計算機系主任肖利民教授在采訪中表示，通過“大算力+大模型+大數(shù)據(jù)”的高效組合，AI大模型逐步解決了需要大量標注樣本、跨領(lǐng)域自適應能力、多任務泛化能力等傳統(tǒng)AI落地難的問題，使得通用人工智能（AGI）實質(zhì)性落地應用成為可能。

 

 

　　談及AI大模型的關(guān)鍵技術(shù)，肖利民說，以GPT為代表的大模型，通過基于Transformer結(jié)構(gòu)的模型疊加和并行化，面向海量非標注數(shù)據(jù)的自監(jiān)督學習、多任務學習／元學習／遷移學習，基于人類反饋的強化學習，基于跨媒體對齊的多模態(tài)翻譯和轉(zhuǎn)換等大模型核心創(chuàng)新技術(shù)的持續(xù)融合演進，使得大模型在跨領(lǐng)域多任務中表現(xiàn)出的智能化水平有了質(zhì)的變化。

 

　　大模型的發(fā)展和應用將賦能千行百業(yè)，為實體經(jīng)濟中的企業(yè)提供更加智能化的技術(shù)和工具，促進各行業(yè)和領(lǐng)域的創(chuàng)新發(fā)展，推動新產(chǎn)品、新服務、新業(yè)態(tài)的出現(xiàn)。肖利民表示，一方面，大模型可利用大量的數(shù)據(jù)進行分析和預測，幫助實體經(jīng)濟中的企業(yè)做出更準確的決策。例如，通過對市場趨勢、消費者行為、供應鏈等的分析和預測，企業(yè)可精準了解市場需求、更好優(yōu)化產(chǎn)品和服務，提高運營效率和競爭力。另一方面，大模型可用于自動化和智能化系統(tǒng)，助力實體經(jīng)濟中的企業(yè)提高生產(chǎn)效率和質(zhì)量。例如，在制造業(yè)中，大模型可用于質(zhì)量控制、設(shè)備運維、供應鏈優(yōu)化等復雜任務，實現(xiàn)智能化生產(chǎn)和運營。

 

　　入局大模型研發(fā)的門檻有多高，需要怎樣的算力支持？大模型的研發(fā)和構(gòu)建在模型訓練、大數(shù)據(jù)收集、大數(shù)據(jù)清洗、核心技術(shù)研發(fā)及關(guān)鍵人才招攬等諸多方面都需要付出高昂的代價。肖利民表示，大模型訓練需要有高算力、大內(nèi)存、高互聯(lián)帶寬、高運行效率的智能計算平臺。以GPT 3.0為例，其模型參數(shù)總量達1750億個，訓練樣本Tokens數(shù)達3000億個，計算量高達314ZFLOPS，最大數(shù)據(jù)集45TB，參數(shù)和模型狀態(tài)存儲量超過2.1TB，如果要求訓練在30天內(nèi)完成，以A100芯片為例，訓練階段至少需要1558塊A100GPU，耗費至少2337萬美元。

 

　　未來，不僅要關(guān)注大模型的研發(fā)和構(gòu)建，更要注重大模型的精調(diào)和使用，以發(fā)揮大模型的實際效用。產(chǎn)業(yè)界越發(fā)關(guān)注大模型，但大模型并非多多益善，其研發(fā)、訓練需要持續(xù)的算力、人才投入，通常只有大型龍頭企業(yè)或領(lǐng)軍企業(yè)才能負擔得起?；谕ㄓ么竽Ｐ停劢箞鼍靶枨蠼鉀Q實際問題，打造精耕細作的行業(yè)大模型，打通AI應用的“最后一公里”，才能更好賦能實體經(jīng)濟發(fā)展。（記者　吳雙）