6月21日，北大光華管理學院聯(lián)合騰訊，宣布升級“數(shù)字中國筑塔計劃”，共同推出“企業(yè)管理者人工智能通識課”系列課程，助力企業(yè)創(chuàng)始人和管理者擁抱AI。在第一課上，騰訊集團高級執(zhí)行副總裁、云與智慧產(chǎn)業(yè)事業(yè)群CEO湯道生，簡要回顧AI的歷史，系統(tǒng)詮釋了大語言模型推動的技術變革，行業(yè)落地的挑戰(zhàn)與應對，以及企業(yè)擁抱大模型的基本準則。

湯道生回顧了AI發(fā)展的歷史，表示算法創(chuàng)新、算力增強、開源共創(chuàng)三大因素的疊加，構成了AI的“增長飛輪”。

大模型的快速進步，推動我們正在進入一個被AI重塑的時代。湯道生表示，大模型只是起點，未來，應用落地的產(chǎn)業(yè)變革是更大的圖景。企業(yè)過去的研發(fā)、生產(chǎn)、銷售、服務等環(huán)節(jié)中，有很多依賴人來判斷、協(xié)調與溝通的地方，今天都值得去看看，哪些環(huán)節(jié)可以疊加AI的生產(chǎn)力，來提質、降本與增效。

(資料圖)

“AI對世界的改變，一定是通過與產(chǎn)業(yè)融合實現(xiàn)的。機器決策、自主生成、自然交互等一系列變革，將推動產(chǎn)業(yè)實現(xiàn)更高效率、更低成本、更好體驗和更大創(chuàng)新。未來的企業(yè)，也將向智能原生進化。”

以下為演講全文：

大家好！非常高興參加今天的發(fā)布會，一起探討產(chǎn)業(yè)智能化升級。隨著大語言模型的發(fā)展，我們正在進入一個被AI重塑的時代，從生產(chǎn)銷售、組織人才，到產(chǎn)業(yè)革新、社會發(fā)展，都會發(fā)生劇烈的變化。

許多企業(yè)管理者也在思考，如何把大模型技術應用到自己企業(yè)場景中，比如在客服與營銷環(huán)節(jié)，為業(yè)務經(jīng)營帶來更多降本增效？如何在使用大模型時，保護企業(yè)數(shù)據(jù)的產(chǎn)權與隱私？如何降低大模型的使用成本？這些都是企業(yè)管理者需要考慮的現(xiàn)實問題。

今天，我們和北京大學光華管理學院攜手共建的“企業(yè)家人工智能通識課”，就是期望能夠幫助大家，在前沿技術理解、公司組織變革、商業(yè)模式驗證、模型實際落地等重要問題上，一起尋找新的解題思路。

在這里，我也分享一些對人工智能和產(chǎn)業(yè)融合的想法，跟大家探討，如何以AI驅動產(chǎn)業(yè)變革。

我想從四個部分，分享一下自己的觀察和看法，包括AI的歷史、技術現(xiàn)狀、產(chǎn)業(yè)落地和帶給我們的挑戰(zhàn)。我先從技術發(fā)展的角度，回顧一下AI發(fā)展史，這會幫助我們更好的理解人工智能的現(xiàn)狀和未來發(fā)展。

一、人工智能發(fā)展歷程

1950年，人工智能之父圖靈在論文中，提出了一個關鍵問題：“機器是否可能具有人類智能？”由此誕生了“人工智能”的概念。

人工智能究竟是什么？它是一門研究、開發(fā)，如何模擬、擴展人的智能的科學。包括機器人、語言識別、圖像識別、自然語言處理等方向。

簡單說，就是研究怎么讓機器和人一樣，會聽會說，會看，會思考，可以行動。其中尤其重要的一個方面，是讓機器掌握語言，從理解、學習，到生成表達，這也是今天，GPT-4這樣的大模型所表現(xiàn)出來這種“超能力”。

語言是人類思維最重要的載體，《人類簡史》作者尤瓦爾（Yuval）甚至說，通過掌握語言，人工智能已經(jīng)破解了人類文明的操作系統(tǒng)，掌握了通往未來的“萬能鑰匙”。

過去40年，AI發(fā)展不斷加速。也有一些大眾熟知的標志性事件，比如，IBM的專用超算機深藍，在1995年，通過窮舉棋盤上所有可能性，奪得國際象棋世界冠軍。2016年，AlphaGo結合深度學習與強化學習，在圍棋上打敗李世石。還有AlphaFold對生物科學的貢獻，把蛋白質的折疊做到非常高的精度。再到最近讓大眾風靡的ChatGPT、GPT-4，文生圖技術Midjourney、Stable Diffusion等等。

這些事件的背后是底層技術，特別是神經(jīng)網(wǎng)絡的持續(xù)突破。1986年，深度學習之父杰弗里·辛頓(Geoffrey Hinton)發(fā)明反向傳播算法，奠定了現(xiàn)代機器學習，用數(shù)據(jù)來訓練神經(jīng)網(wǎng)絡的理論基礎。

神經(jīng)網(wǎng)絡計算模型的原理，是通過模仿人腦構建人工神經(jīng)元模型，以多層架構，層層抽象。

隨后，模型架構不斷創(chuàng)新，比如卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等，帶來了深度學習的大發(fā)展。最近一次重要的突破是2017年，Google多名研究員發(fā)布了一篇開創(chuàng)性的論文《Attention is all your need》，提出Transformer架構，以自注意力來表達序列中每個單詞的關聯(lián)，今天包括GPT在內的AI模型，都是在這個Transformer通用框架上衍生而來。

AI的發(fā)展，除了底層技術，還要受到算力等因素的限制。神經(jīng)網(wǎng)絡的訓練非常消耗算力，在80年代，計算機能力僅能支撐淺層神經(jīng)網(wǎng)絡，當時一個較為典型的神經(jīng)網(wǎng)絡只有1960個參數(shù)，連最簡單的文字識別基本都無法完成。哪怕到了2000年代初，算力仍然是瓶頸，可供訓練的在線數(shù)據(jù)也不足。

到了最近20年，硬件算力不斷提升。一方面，摩爾定律讓芯片計算能力持續(xù)翻翻；另一方面，高速網(wǎng)絡與分布式計算技術，也讓計算機集群規(guī)模不斷擴大。2000年代中，英偉達打造了CUDA，把GPU變得更通用與可被編程，一下從圖形渲染，延展到科研超算領域?；诓煌脑O計理念，GPU重點攻克并發(fā)的向量計算，單個GPU的算力，比過去基于CPU的算力多了一千倍。加上互聯(lián)網(wǎng)的高速發(fā)展，快速增加了可訓練的數(shù)據(jù)，讓神經(jīng)網(wǎng)絡可以做到更大、更深、更多參數(shù)、更復雜的模型結構，由此誕生了千億級以上參數(shù)的大模型。

此外，全球產(chǎn)學研力量，攜手開源共創(chuàng)，也是人工智能快速突破的重要因素。無論是科研論文、數(shù)據(jù)集、模型算法，還是軟件平臺，一代一代的人工智能科學家，都無私的開放自己的研究成果，讓后來者能在前人的基礎上不斷前進。

在開源軟件方面，全球高校與科技企業(yè)，都為開發(fā)者貢獻了多種AI訓練與推理框架，還有大量數(shù)據(jù)處理工具。

到今天，大量各類預訓練的開源模型，都能從huggingface、github等平臺下載，讓全球研究人員可以在各種開源模型上搭建服務，與優(yōu)化出更好的模型。

開源共創(chuàng)、算法創(chuàng)新、算力大幅增強，這些因素疊加，構成了AI的“增長飛輪”。 GPT-4、PaLM2、LLaMa等大模型的問世，讓大家看到了通用人工智能的曙光。

二、大模型推動智能變革

如果說，大語言模型已經(jīng)涌現(xiàn)出一定的智能現(xiàn)象，也就應該能產(chǎn)生出，在訓練數(shù)據(jù)中從來沒有出現(xiàn)過的新組合內容。

通過這個畫畫的案例，我們可以看到現(xiàn)在的AI大模型處理問題的方式，不再是靠完整的保存與復制，而是通過理解指示后，把訓練過的知識重新組合生成的。

可以看出，大模型可以按照指令，逐步畫圖，比如，用字符來畫一個人出來。其中用字母O表示臉，用字母Y表示軀干，再用H表示雙腿。第一次畫的并不理想，但可以根據(jù)反饋，調整身體、手的比例，給小人穿上衣服。是一個不斷反饋和調整的過程。

另一方面，著名的圖靈測試，就是在對話中能否識別出對方是人還是AI，在今天已經(jīng)不足以評估人工智能的智能程度。

如果做題考分是評估人的智能最直接的工具，那么大語言模型在語言理解與邏輯推理能力上，已經(jīng)超過了平均人類的水準。

在編程領域，GPT-4參加了亞馬遜的模擬技術考試，拿到了滿分，這個考試規(guī)定的時長是兩小時，它只用了不到4分鐘。在美國GRE和生物奧林匹克競賽考試當中，GPT-4也超過99%的人類；模擬律師資格考試的成績，大約是前10%。此外，谷歌的Med-PaLM 2，也在美國醫(yī)療執(zhí)照考試中達到了專家水平。

最近，OpenAI又給ChatGPT API增加了函數(shù)調用能力，這意味著大模型也能使用工具了。自己不具備的能力，可以靠各種第三方服務嘗試解決，大大增加了通用大模型解決問題的能力。

大語言模型代表人工智能的發(fā)展，已經(jīng)達到了一個新的高峰，有卓越的語言理解、強大的邏輯推理與溝通能力，能帶入角色，主動思考。

用大量數(shù)據(jù)預訓練的模型也推動機器視覺、語音識別、機器人等AI能力發(fā)生新的突破。通過對機器想、聽、看、動等能力的整合，AI也將真正成為人們的工作和生活助手。

首先，基于多模態(tài)的大模型，計算機視覺從“能看”到“看懂”。

在銀行業(yè)務中，要處理很多的回單、發(fā)票、申請書、業(yè)務郵件等數(shù)據(jù)，例如我們合作的一家商業(yè)銀行，在資產(chǎn)托管業(yè)務中，每天需要處理1萬多件郵件和傳真。來自投資、保險、融資等等不同的業(yè)務系統(tǒng)，內容有票據(jù)、證件照片等等，多種樣式?？咳斯ぬ幚?，錄入系統(tǒng)，費時費力，就需要借助更智能的機器識別。

在傳統(tǒng)的算法模型下，需要輸入2千張的單據(jù)，機器才能識別一種單據(jù)，也沒有整理成表格或者標簽的能力。

現(xiàn)在，基于大模型能力，我們的TI-OCR只需要50張被標注的單據(jù)，就可以快速識別一種類型的單據(jù)。同時可以根據(jù)分析能力，自動提煉核心標簽，生成電子數(shù)據(jù)文件，進行后續(xù)的商業(yè)分析。

大語言模型不僅懂多種人類語言，還掌握多種程序語言，還可以幫助程序員寫代碼。

我們也打造了騰訊云新一代AI代碼助手，實現(xiàn)AI對代碼的理解，輔助程序員編寫、排錯與測試，為軟件研發(fā)的全流程助力，提高開發(fā)效率與代碼質量。

這是上周新發(fā)布的一段視頻。騰訊Robotics X機器人實驗室的機器狗Max，能力又升級了。大家可以看到，兩只機器狗正在進行一段障礙追逐賽，把他們隨機放到場地中，一個追，一個躲，還有一面隨機出現(xiàn)的旗子。躲的機器狗，要努力在不被抓到情況下，摸到旗子，摸到旗子后，角色調轉。

在這個過程中，兩只機器狗要實時的根據(jù)對方的行動，判斷自己的行為，同時還要惦記著目標，也就是碰到旗子，或者抓住對方。同時，在碰到旗子后要馬上修正自己的策略。

通過這個視頻，我們能看到，機器狗的行動，也因為預訓練AI模型和強化學習的加入，具有了更好的靈活性和自主決策能力。

大語言模型不僅能與人溝通，更重要的是通過模型的精調，可以按需求產(chǎn)生一系列的執(zhí)行步驟，比如聯(lián)網(wǎng)調用不同插件的能力，加上多模態(tài)讓AI同時能看懂圖，聽懂話，會規(guī)劃，能行動，這樣就可以做出更強大的應用，讓AI更像真正意義上的智能助手，完成更高級的任務。

比如，線上廣告投放員，每天需要刷新大量廣告素材，確保廣告投放的ROI，如果結合廣告效果數(shù)據(jù)與文生圖能力，可以不斷地根據(jù)數(shù)據(jù)分析，生成投放策略，調整投放渠道，并且針對性的生成投放素材，自動化程度與效率都會更高。

三、企業(yè)擁抱大模型的方式和路徑

這么多變革匯聚在一起，也意味著海量的創(chuàng)新即將爆發(fā)。大模型只是起點，未來，應用落地的產(chǎn)業(yè)變革是更大的圖景。

事實上，不管哪個行業(yè)，都應該積極擁抱AI，過去的研發(fā)、生產(chǎn)、銷售、服務等環(huán)節(jié)中，都有很多依賴人來判斷、協(xié)調與溝通的地方，今天都值得我們去看看哪些環(huán)節(jié)，可以疊加AI的生產(chǎn)力，來提質、降本與增效。

目前，海外一些大型企業(yè)，已經(jīng)開始投資及采用大模型技術。比如，摩根士丹利直接接入 GPT-4，用它整合、解析，海量的投資策略和市場研究報告，給投資顧問提供直接的參考。

根據(jù)自媒體《量子位》的分析，我們可以看到，生成式AI（AIGC）對不同行業(yè)的影響程度與接受程度。圖中能看到，內容與電商產(chǎn)業(yè)受到影響最明顯，像文生圖的技術，將會大大改變內容制作的流程與成本。

既然大模型這么重要，在座的企業(yè)家與管理者，可能也會問，我們如何把它用在企業(yè)上，抓住技術變革的紅利？

我可以給企業(yè)管理者一些建議：

第一，聚焦企業(yè)自身業(yè)務，挑選具體場景，讓AI成為服務的增量。

第二，確保訓練數(shù)據(jù)質量，梳理出測試用例，建立上線評估流程。

第三，確保服務合規(guī)，同時關注數(shù)據(jù)的產(chǎn)權與隱私。

第四，使用云廠商工具，搭建一體化的模型服務，這樣效率比較高，節(jié)約訓練、運維的成本和時間。

在具體實施中，模型、數(shù)據(jù)和算力是大家需要格外關注的三個點。

首先是模型。雖然大家對通用大語言模型的聊天機器人期待很高，但它不是唯一的大模型服務方式，也不一定是滿足行業(yè)場景需求的最優(yōu)解。

目前，通用大模型一般都是基于廣泛的公開文獻與網(wǎng)絡信息來訓練的，上面的信息可能有錯誤、有謠言、有偏見，許多專業(yè)知識與行業(yè)數(shù)據(jù)積累不足，導致模型的行業(yè)針對性與精準度不夠，數(shù)據(jù)“噪音”過大。但是，在很多產(chǎn)業(yè)場景中，用戶對企業(yè)提供的專業(yè)服務要求高、容錯性低，企業(yè)一旦提供了錯誤信息，可能引起巨大的法律責任或公關危機。因此，企業(yè)使用的大模型必須可控、可追溯、可修正，而且必須反復與充分測試才能上線。

我們認為，客戶更需要有行業(yè)針對性的行業(yè)大模型，再加上企業(yè)自己的數(shù)據(jù)做訓練或精調，才能打造出實用性高的智能服務。企業(yè)所需要的是，在實際場景中真正解決了某個問題，而不是在100個場景中解決了70%-80%的問題。

另外，訓練數(shù)據(jù)越多，模型越大，訓練與推理的成本也越高。實際上，大部分的企業(yè)場景，可能也不需要通用AI來滿足需要。因此，如何在合理成本下，選擇合適的模型，是企業(yè)客戶所需要思考與決策的。

其次，數(shù)據(jù)是大模型的原材料，針對具體場景，相關數(shù)據(jù)的覆蓋與質量都是至關重要，標注數(shù)據(jù)的管理也是模型迭代中的重要工作。

模型最終要在真實場景落地，要達到理想的服務效果，往往需要把企業(yè)自身的數(shù)據(jù)也用起來。在模型研發(fā)過程中，既要關注敏感數(shù)據(jù)的保護與安全合規(guī)，也需要管理好大量的數(shù)據(jù)與標簽，不斷測試與迭代模型。

再次，算力是模型持續(xù)運轉的基礎，高性能、高彈性和高穩(wěn)定的算力，需要借助專業(yè)的云服務。

在大模型的訓練和使用過程中，需要大量異構算力的支持，對網(wǎng)絡速度與穩(wěn)定性要求也很高，加上GPU服務器比一般服務器穩(wěn)定性更低一些，服務器的運維、問題的排查更頻繁，整體運維的難度與工作量會高很多。在訓練集群中，一旦網(wǎng)絡有波動，訓練的速度就會受到很大的影響；只要一臺服務器過熱宕機，整個集群都可能要停下來，然后訓練任務要重啟，這些問題會使得訓練時間大大增加，投入在大模型的成本也會飆升。

基于這些企業(yè)現(xiàn)實問題和需求的思考，就在前兩天，騰訊也正式公布了騰訊云MaaS服務全景圖。

基于騰訊云TI平臺打造的行業(yè)大模型精選商店，將覆蓋金融、文旅、政務、醫(yī)療、傳媒、教育等10大行業(yè)，提供超過50個解決方案。在這些能力模型基礎上，伙伴們只需要加入自己獨有的場景數(shù)據(jù)，就可以快速生成自己的“專屬模型”。

我們也推出基于騰訊云TI平臺的，行業(yè)大模型精調解決方案。幫助模型開發(fā)者與算法工程師，一站式解決模型調用、數(shù)據(jù)與標注管理、模型精調、評估測試與部署等任務，減輕創(chuàng)建大模型的壓力。我們也可以通過TI平臺，實現(xiàn)模型的私有化部署、權限管控和數(shù)據(jù)加密等方式，讓企業(yè)用戶在使用模型時更放心。

比如，我們和國內的頭部在線旅游公司，基于“文旅大模型”，打造了機器人客服，可以自動判斷用戶意圖，并自動調用相應的API，高質量完成用戶咨詢及服務。

假如一個用戶問“端午節(jié)三天不出江浙滬，有什么行程推薦，應該怎么安排？”如果是基于通用大模型的客服機器人，只能給出一些簡單的景點介紹和路線規(guī)劃。

但當我們加入行業(yè)數(shù)據(jù)，進行模型精調之后，客服機器人的回答變得更加細致，能夠規(guī)劃出每天的交通、景點安排，包括不同檔次的酒店推薦、介紹，甚至可以直接提供預訂鏈接，平臺優(yōu)惠券信息。智能客服系統(tǒng)，不僅可以實現(xiàn)人性化的服務體驗，也具備了更強的銷售轉化能力。

在算力服務上。騰訊云所提供的穩(wěn)定計算、高速網(wǎng)絡與專業(yè)運維，可以為算法工程師大大減輕設備運維的壓力，讓他們把精力放在模型的構建與算法的優(yōu)化上。

騰訊云也打造了面向模型訓練的新一代HCC（High-Performance Computing Cluster）高性能計算集群，搭載最新次代GPU，結合多層加速的高性能存儲系統(tǒng)，加上高帶寬、低延遲的網(wǎng)絡傳輸，整體性能比過去提升了3倍，獲得了很多客戶的高度認可，幾家大模型獨角獸，都與我們展開了算力的合作。

在計算集群的“硬實力”之外，我們最近也推出了更適合AI運算的“軟能力”——向量數(shù)據(jù)庫，它能更高效地處理圖像、音頻和文本等非結構化數(shù)據(jù)，支持單索引10億級規(guī)模，比單機插件式檢索規(guī)模提升10倍，數(shù)據(jù)接入AI的效率，也比傳統(tǒng)方案提升10倍。

四、AI發(fā)展的挑戰(zhàn)和應對之策

AI價值巨大，發(fā)展速度驚人，但從社會的層面，我們也要注意，帶來的風險與挑戰(zhàn)。

最近，杰弗里·辛頓(Geoffrey Hinton)因為擔心AI無法控制，離開了谷歌，他在接受采訪時提到：人工智能的信息架構可能比人腦的信息架構更強大。

人類大腦中大概有860億個神經(jīng)元，這些神經(jīng)元之間形成了大概100萬億個連接。雖然GPT4的參數(shù)沒有披露，但普遍估算參數(shù)量只有人腦神經(jīng)元連接的百分之一，大概是5000億到1萬億。

但GPT4裝載的知識卻是普通人的千倍萬倍，學習效率也更高。這說明，在某程度上，當前的神經(jīng)網(wǎng)絡可能比人腦擁有一個“更優(yōu)”的處理信息的架構與學習算法，一旦得到足夠算力來訓練，就可以更快速地學習大量信息與知識。

還有一點值得一提，AI通過在線連接，就可以把模型下載與復制，在相對短時間內，就讓一臺新機器復制好海量的知識，而且各自學習不同知識后還可以相互同步。而人類的知識和智慧傳承，必須通過復雜多變又不太精確的語言，作為傳遞信息的媒介，每個人的培養(yǎng)幾乎是從0開始（除了基因中hard code的記憶），都需要從小開始，花數(shù)十年時間來學習，花數(shù)十年來積累經(jīng)驗。

AGI強大且不斷泛化的能力，讓很多人都非常擔心，人類會逐漸失去對AI的控制。尤其AGI能聯(lián)網(wǎng)，能編程，能操控其他系統(tǒng)（因為可以調用其他系統(tǒng)的API），讀懂人（因為模型里導入大量書籍，了解人類千年文明發(fā)展歷史，了解人們的思考方式與弱點，每天還跟很多人互動，甚至交流情感），它掌握語言（因此可以影響人的思考與行為），它能產(chǎn)生圖與視頻（因此可以讓人產(chǎn)生視覺錯覺），可能還有更多能力我們還沒發(fā)現(xiàn)。

因此Hinton也提出，AI對人類產(chǎn)生四重威脅。他不惜從工作了10年的谷歌離職，推動大眾對人工智能潛在風險的關注，并建立安全使用AGI的規(guī)范。

面對人工智能帶來的各種問題，還有很多值得思考的東西。包括人類發(fā)展、倫理、教育等等。

這些問題，相信我們在座每一位，都有自己的思考。但是有一點我想講的是，技術的發(fā)展、演進、變化，總是超出人的想象，而人類擁抱變化的勇氣，創(chuàng)新的智慧，化挑戰(zhàn)為機遇的能力，也往往超出我們自己的想象。就像工業(yè)革命早期，也有過對于農(nóng)村經(jīng)濟瓦解、工人生存狀況堪憂等等情況的擔心，但是，最終我們以人類特有的方式，走了過來，并且讓全人類的生產(chǎn)效率、生活質量以幾何指數(shù)飆升。

毫無疑問，AI對世界的改變，一定也是通過與產(chǎn)業(yè)的融合實現(xiàn)的。機器決策、自主生成、自然交互等一系列變革，推動產(chǎn)業(yè)實現(xiàn)更高效率、更低成本、更好體驗和更大創(chuàng)新。未來的企業(yè)，也將向智能原生進化。

面向未來，騰訊也愿意持續(xù)貢獻自己的能力，以開放的心態(tài)和無窮的好奇心，和各位專家學者、企業(yè)管理者一起，共同探索、創(chuàng)新，擁抱智能時代的新機遇。

— 完 —

量子位 QbitAI · 頭條號簽約

關注我們，第一時間獲知前沿科技動態(tài)

關鍵詞：