從今年年初以來，大模型的市場百花齊放，對于大模型未來的發展方向和分化趨勢，商界和學界眾說紛紜。6月26日，在世界互聯網大會數字文明尼山對話主論壇上，百度公司創始人李彥宏、阿里云智能集團董事長兼CEO張勇再次發表對大模型發展方向的表態。

而在前幾日，騰訊大模型也姍姍來遲，在發布會上，騰訊集團云與智慧產業事業群CEO湯道生也表達了產業觀點。

對于大模型的發展方向，大boss們目前達成了一些基本的產業共識：

與實體經濟相結合是大模型未來的發展路徑，云廠商正在嘗試將大模型落地到垂直領域，打造出金融、醫療、電力等領域的專業大模型。

大模型都絕不是曇花一現的風口，而是影響人類發展的重大技術變革，是拉動全球經濟增長的引擎，是絕對不能錯過的重大戰略機遇。

大模型是當下全球科技創新的焦點、全球人工智能競賽的主戰場，同時也帶來了諸多治理挑戰。

圖：互聯網大佬尼山聚首

以下是互聯網大佬近期的部分演講實錄：

李彥宏：大模型將滲透進更多的領域，并以“周”迭代

大模型如何重塑數字世界？我想從技術和應用兩個層面來談談。‍

技術層面，人工智能時代，IT技術棧發生了根本性改變，從原來的芯片、操作系統和應用三層架構，變成了芯片、框架、模型、應用四層架構：

底層是芯片層，主流芯片從CPU變成了GPU。芯片之上是框架層，主流框架包括百度飛槳，Meta的PyTorch，谷歌的TensorFlow。框架上面是模型層，ChatGPT和文心大模型就在模型層。大模型成為了人工智能時代的操作系統，所有應用都將基于大模型開發。模型之上是應用層，包括各種各樣的AI原生應用。

可以預見，大模型將滲透到越來越多的領域，以大模型為關鍵驅動的數字經濟，與實體經濟深度融合，將做強做優做大實體經濟，創造可觀的增量價值,帶來經濟社會發展和產業的深刻變革。

圖：百度公司創始人李彥宏

周鴻祎：公有大模型缺乏行業深度‍‍

“人工智能的發展要‘以人為本’，大模型不能引發大規模裁員，而是要幫助企業員工提升能力和效率，成為易用的工具。”360集團創始人周鴻祎首次提到現有公有大模型存在四方面不足之處：

第一，公有大模型雖然是通才，但它缺乏行業深度。“我們之前認為GPT什么都會，但如果你是一個行業專家，你會發現GPT在安全、金融這些垂直領域，知識深度是不夠的。很多公司自己訓練大模型都發現了這個特點，想讓它能力很均衡，就會犧牲深度。”周鴻祎表示。

他認為，未來垂直大模型是重要的發展方向，通用模型和各領域專有的知識數據結合，讓大模型從“萬事通”變成政府通、行業通和企業通，這才是真正的價值，“最新資料表明，GPT4也是由8個垂直模型組成的，從側面印證了這個觀點。”

第二，公有大模型容易造成企業內部數據泄露。一方面，公有大模型不是本地部署，它與外部進行信息交流時必然存在數據泄露的風險；另一方面，公有大模型也無法實現組織內部權限的分級管理。因此，政府、企業使用公有大模型必然存在安全風險。

第三，對企業來講，公有大模型無法保障內容真正可信。周鴻祎表示，大模型存在“幻覺”，也就是常說的“一本正經地胡說八道”，經常出現張冠李戴的問題，需要通過企業的內部搜索、內部知識庫進行矯正。

第四，公有大模型無法實現成本可控。他舉例稱，許多企業其實只需要大模型寫代碼的能力，百億級垂直大模型就能滿足需求，如果使用千億級大模型就是成本的浪費。在控制成本方面，垂直大模型將會有很大優勢。在用公開數據訓練的“通識”大模型基礎上，訓練專有大模型，就能做到“事半功倍”，為企業降本增效。

圖： 360集團創始人周鴻祎

張勇：未來將打造更多企業專屬模型

中國人工智能發展具備基礎扎實、場景豐富、數實融合這三方面的優勢，隨著社會各界的高度重視和創新生態的發展壯大，這些優勢正在不斷鞏固和加強。從數字化走向智能化，計算成為基礎設施不可或缺的組成部分。2009年阿里云寫下中國自研云計算操作系統的第一行代碼，開啟中國的云計算時代，經過14年的努力，中國已經形成全球第二的算力規模，算力產業年增長率近30%。阿里云的目標，是提供高質量、高性能的算力，“讓算力更普惠，讓AI更普及”。

今年4月，阿里云“通義千問”大模型開放對外測試，目前已有超過20萬企業用戶申請接入，幾乎覆蓋所有新興和傳統行業。與此同時，阿里云啟動了“千問伙伴計劃”，與行業伙伴攜手共建創新生態，已經覆蓋油氣、電力、交通、金融、酒旅、企服、通信等行業，未來將打造更多企業專屬模型，推動各行各業更快更好地分享智能化紅利。

圖：阿里云智能集團董事長兼CEO張勇

湯道生：大模型行業針對性與精準度不夠，數據噪音過大

大家對通用大模型期待很高，但它不一定是滿足行業場景需求的最優解。

目前，通用大模型一般都是基于廣泛的公開文獻與網絡信息來訓練的，網上的信息可能有錯誤、有謠言、有偏見，許多專業知識與行業數據積累不足，導致模型的行業針對性與精準度不夠，數據“噪音”過大。但是，在很多產業場景中，用戶對企業提供的專業服務要求高，容錯性低。企業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，企業使用的大模型必須可控、可追溯、可修正，而且必須經過反復與充分測試才能上線。

我們認為，客戶更需要有行業針對性的行業大模型，再加上企業自己的數據做訓練或精調，才能打造出實用性高的智能服務。企業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，訓練數據越多，模型越大，訓練與推理的成本也越高。實際上，大部分的企業場景，可能也不需要萬能的通用AI來滿足需要。因此，如何在合理成本下，選擇合適的模型，是企業客戶所需要思考與決策的。

接下來談談數據。數據是大模型的原材料，針對具體場景，相關數據的覆蓋與質量都至關重要，標注數據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，往往需要把企業自身的數據也用起來。在模型研發過程中，既要關注敏感數據的保護與安全合規，也需要管理好大量的數據與標簽，不斷測試與迭代模型。

接著講講應用。騰訊自身的企業級應用，已經率先應用了行業大模型，針對不同應用場景提供更智能的服務，為用戶提高工作效率。

圖：騰訊集團云與智慧產業事業群CEO湯道生

最后講講算力。算力是模型持續運轉的基礎，高性能、高彈性和高穩定的算力需要借助專業的云服務。

在大模型的訓練和使用過程中，需要大量異構算力的支持，對網絡速度與穩定性要求也很高，加上GPU服務器比一般服務器穩定性更低一些，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。

回顧過去，人工智能的發展是結合開放數據的積累、算法的創新與算力的突破共同推動的；也是全球科技企業、高校與研究機構共同努力，通過代碼的開源與研究成果的分享，開放共建的成果。

本文來自「華爾街科技眼」，作者：侯煜，編輯：羅卿‍‍‍‍，36氪經授權發布。