2022年底，谷歌被危機(jī)感所淹沒了。彼時，以ChatGPT為代表的大模型技術(shù)引發(fā)了一場科技海嘯；而幾乎大多數(shù)人、甚至可能連谷歌自己都認(rèn)為，首先被淹沒的“舊時代殘黨”，會是傳統(tǒng)的搜索引擎。因此，谷歌內(nèi)部拉響了紅色警報，預(yù)示著存在當(dāng)前、緊急、直接的危機(jī)。

然而，這一切似乎只是虛驚一場。

2023年2月，微軟推出新一代搜索引擎New Bing，融入了ChatGPT的AI聊天功能。上線首月，Bing的網(wǎng)頁訪問量增長了15.8%，但市場份額只增加了0.01%；隨后，Bing便徹底失速。

截止至5月，Bing的全球市場份額為6.81%，甚至低于改版之前[2]。

搜索市場啞火是ChatGPT現(xiàn)狀的一個切面。4月，摩根士丹利做過一次抽樣調(diào)查，數(shù)據(jù)顯示僅有19%的人用過ChatGPT，其中一半已“退坑”，而每周使用的活躍用戶僅有8%左右[3]。

3月的一場發(fā)布會上，黃仁勛曾將ChatGPT形容成“iPhone時刻”。如今看來，這個比喻其實相當(dāng)貼切：

一方面，初代iPhone一些設(shè)計確實影響了日后的智能手機(jī)，揭開了移動互聯(lián)網(wǎng)時代的序章；但相對應(yīng)，初代iPhone產(chǎn)品本身又有很強(qiáng)的局限性，它只有15個應(yīng)用程序、不能拍視頻、不支持彩信等等。和當(dāng)時的諾基亞相比，初代iPhone更像個偏極客風(fēng)格的玩具。真正顛覆手機(jī)市場的，是后續(xù)的iPhone 3G等產(chǎn)品。

眼下，大模型同樣沒能完全擺脫“玩具”的屬性，距離兌現(xiàn)潛力還有不少路要走。但幸運的是，大模型可以摸著石頭過河。

CNN的啟示

上一個從“玩具”活成“工具”的AI，叫卷積神經(jīng)網(wǎng)絡(luò)（CNN）。這個AI算法雖名字拗口，但應(yīng)用場景卻相當(dāng)廣泛且接地氣，包括安防和人臉識別等場景。每一張交通罰單，都有它三分功勞。

卷積神經(jīng)網(wǎng)絡(luò)成為工具的起點，是那個眾所周知的時刻：2012年，“AI教父”辛頓用卷積神經(jīng)網(wǎng)絡(luò)AlexNet，將圖像識別率達(dá)到了一個前所未有的高度，從此一鳴驚人。但不為人知的是，從“玩具”到“工具”，中間其實時隔了32年。

最終成功熬出頭，是因為卷積神經(jīng)網(wǎng)絡(luò)的開發(fā)者做對了兩件事。

最早的卷積神經(jīng)網(wǎng)絡(luò)可追溯至1980年。當(dāng)時，日本科學(xué)家福島邦彥發(fā)明了“新認(rèn)知機(jī)”，它是一個結(jié)構(gòu)巧妙的多層神經(jīng)網(wǎng)絡(luò)，成功識別出了手寫的文字，堪稱里程碑式突破。然而，“多層神經(jīng)網(wǎng)絡(luò)”的理念在當(dāng)時有些過于超前了，一些關(guān)鍵技術(shù)缺陷無法解決，新認(rèn)知機(jī)最終沒能在歷史上留下太多筆墨。

直到1989年，在貝爾實驗室工作的計算機(jī)科學(xué)家楊立昆，以新認(rèn)知機(jī)原有設(shè)計為基礎(chǔ)，加入了全新的反向傳播算法，這才形成了今天的卷積神經(jīng)網(wǎng)絡(luò)。

楊立昆做對了第一件事情：通過反向傳播算法解決了核心技術(shù)缺陷。至此，卷積神經(jīng)網(wǎng)絡(luò)第一次具備成為工具的潛力。

90年代，楊立昆利用卷積神經(jīng)網(wǎng)絡(luò)開發(fā)了一個識別銀行支票的系統(tǒng)，一度拿下了美國10%的市場。不過，彼時的卷積神經(jīng)網(wǎng)絡(luò)并沒法展現(xiàn)全部潛力，與市場上其他技術(shù)拉不開差距，且無法識別文字、數(shù)字以外更復(fù)雜的圖像。

為了解決這一問題，楊立昆曾設(shè)計了一款酷似日后GPU的特殊芯片來訓(xùn)練AI。但隨著他后續(xù)被貝爾實驗室開除，相關(guān)芯片研究也無疾而終，卷積神經(jīng)網(wǎng)絡(luò)再一次被掃進(jìn)了歷史的垃圾箱內(nèi)——直到辛頓把它翻出來。

辛頓做對了第二件事：以一種可工程化的方式，挖掘出了卷積神經(jīng)網(wǎng)絡(luò)的潛力。

改變世界的AlexNet

所謂工程化，指的是產(chǎn)品可落地、可復(fù)用、可迭代。相比于楊立昆80年的研究，辛頓的AlexNet其實并沒有太多技術(shù)上的大革新，而是使用了現(xiàn)成的GPU來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。當(dāng)時，GPU主要用于游戲圖形處理，在商店隨時可以買到，卷積神經(jīng)網(wǎng)絡(luò)的落地不再是一件難事。

技術(shù)和工程改造，是卷積神經(jīng)網(wǎng)絡(luò)迭代背后的兩大關(guān)鍵詞。

如今，大模型再度站上相同的歷史節(jié)點，全球的企業(yè)和科學(xué)家已然躍躍欲試，一場改造大模型的科技競賽正式打響。

瓶頸下的突破

6月，法國舉辦了一場關(guān)于AI威脅的公開辯論。楊立昆作為“AI末日說”的堅定反對者，現(xiàn)場拋下了一句驚呆所有人的觀點：“（大模型）缺少一些非常重要的東西，它的智力不僅達(dá)不到人類水平，甚至不如狗。[6]”

楊立昆認(rèn)為，GPT等大模型存在一個關(guān)鍵缺陷：它們只學(xué)習(xí)了文本或者其他單一數(shù)據(jù)，對現(xiàn)實世界的了解十分淺顯。人類的知識和文明不全是從書本上獲得的，“書呆子”AI未必有多聰明。

楊立昆

在計算機(jī)科學(xué)家的圈子里，上述觀點得到了不少認(rèn)同。公認(rèn)的“AI教科書”《人工智能：現(xiàn)代方法》作者羅素教授，在接受國內(nèi)媒體采訪時曾做過這么一個比方：

“如果拿著我一張寫滿智慧的紙朗讀，或許會讓聽眾豁然開朗，但沒人會認(rèn)為紙張是聰明的，因為智慧屬于作者。如今的GPT-4，我認(rèn)為介于紙張和作者之間。它在很多場景下表現(xiàn)得優(yōu)異，但如果給它更困難的問題，大模型總是會輸出錯誤的答案。這種情況下，它似乎更像一張紙，而不像一個人類。[7]”

翻譯一下就是，有一些智能，但不夠多。

因此，許多研究員試圖像當(dāng)年的楊立昆那樣，從技術(shù)層面來改造大模型：谷歌DeepMind試圖融入AlphaGo的技術(shù)，讓大模型更加智能；而楊立昆自己則提出了“世界模型”的理念，打算讓AI學(xué)習(xí)現(xiàn)實世界的運轉(zhuǎn)邏輯。

不過，技術(shù)攻堅并非是大模型落地的唯一解。

2023年，國內(nèi)的8個礦井已經(jīng)搶先用上了大模型工具——盤古礦山大模型。該工具由華為云研發(fā)，僅靠一個大模型平臺，就覆蓋了包括煤礦的采、掘、機(jī)、運、通等業(yè)務(wù)流程下的1000多個細(xì)分場景。僅從試點的效果測算，僅盤古礦山大模型的智能洗選煤功能，就可以讓精煤回收率提升0.1%到0.2%；以1000萬噸焦煤選煤廠為例，每提升0.1%精煤產(chǎn)率可增加1000萬元/年利潤。

除生產(chǎn)力的提升之外，盤古礦山大模型還有望減少安全事故的發(fā)生：大模型的監(jiān)測系統(tǒng)可以一天24小時不間斷巡檢，及時發(fā)現(xiàn)礦井中的異常狀況。
過去，煤礦存在著生產(chǎn)場景復(fù)雜、人員素質(zhì)參差不齊等問題，很難用AI技術(shù)來改造。隨著盤古礦山大模型取得突破，AI才有機(jī)會真正成為一項生產(chǎn)力工具。

上述所有突破，其實都發(fā)生在大模型軍備競賽的另一個“隱藏戰(zhàn)場”——工程競賽。

改造大模型

礦山大模型能夠融入煤礦生產(chǎn)，源自其對大模型技術(shù)的工程改造：華為云針對具體的工業(yè)場景，設(shè)計了一套由L0-L1-L2三個層級構(gòu)成的大模型平臺。L0層是通用大模型，囊括了類似GPT-4的大語言模型，以及其他多模態(tài)大模型；L1是針對工業(yè)場景的大模型，而L2則是面向更加細(xì)分場景的推理模型。

這一設(shè)計的目的，是為了解決三個具體的痛點：

其一，工業(yè)場景下的數(shù)據(jù)并不如互聯(lián)網(wǎng)那么豐富。大模型技術(shù)固然先進(jìn)，但需要海量數(shù)據(jù)作為支撐；但工業(yè)數(shù)據(jù)的體量，有時未必能支撐起一個大模型。

因此，華為云而是利用了L0層的通用大模型，讓它額外去學(xué)習(xí)一些行業(yè)數(shù)據(jù)，打造一個行業(yè)大模型。因為通用大模型已經(jīng)具備較強(qiáng)的通用能力，相當(dāng)于一個剛剛畢業(yè)的大學(xué)生；只需要再教授一些專業(yè)知識，大學(xué)生也能很快上手工作。

其二，通用大模型面對一些具體難題表現(xiàn)并不好。對此，盤古大模型通過增加L1、L2兩個層級來充當(dāng)大模型的“手腳”，以解決工業(yè)場景下的具體工作。而L0的通用大模型，則充當(dāng)了“大腦”的功能。它能夠自動分解任務(wù)，并調(diào)用“手腳”分布處理復(fù)雜環(huán)境下的作業(yè)，實現(xiàn)了長短互補(bǔ)。

其三，是新產(chǎn)生的數(shù)據(jù)難以再利用的難題。對此，華為云給盤古大模型設(shè)計了一個完整的反饋鏈條，通過記錄各行業(yè)的處理日志等數(shù)據(jù)，反哺到通用大模型訓(xùn)練數(shù)據(jù)語料中，進(jìn)而不斷提升其智能。

在這三層架構(gòu)的基礎(chǔ)上，華為云還設(shè)計了L0.5層。簡單來說，L0.5層匯總了L0層通用大模型的各項能力，比如文字問答、寫代碼、文生圖、圖像分割等等，相當(dāng)于一個“AI技能商店”。由于不同行業(yè)場景下，對大模型需求截然不同；有了L0.5層之后，企業(yè)便可以根據(jù)自身業(yè)務(wù)需求挑選對應(yīng)的能力，進(jìn)而開發(fā)出更適配的大模型工具。

工程端發(fā)力的同時，華為云也沒有放棄技術(shù)層面的研究，畢竟好的算法能讓工程落地效果事半功倍。華為的大模型研究始于2019年，并為此招募了一支平均年齡不到30歲、50%為博士的團(tuán)隊。圍繞Transformer架構(gòu)，華為云改造出了許多獨特的算法。

例如在2022年底，華為云在一篇論文中發(fā)表了全新的盤古氣象大模型——這是世界上第一個超越傳統(tǒng)天氣預(yù)測方式的AI。論文中提到，在預(yù)測熱帶風(fēng)暴的任務(wù)中，盤古氣象大模型的預(yù)測精度顯著超過了歐洲氣象中心的高精度預(yù)報。

7月6日，權(quán)威科學(xué)期刊《Nature》的正刊收錄了盤古氣象大模型的論文。審稿人評價稱，“盤古氣象大模型讓人們重新審視了氣象預(yù)報模型的未來。”

毫無疑問，華為云正在成為大模型競賽中一個不可忽視的玩家。

工程的戰(zhàn)爭

過去這半年，隨著越來越多的退休企業(yè)家們先后投大模型技術(shù)，國內(nèi)的科技媒體們給這股熱潮取了個新名字——“百模大戰(zhàn)”。這個名字改編自曾經(jīng)的“百團(tuán)大戰(zhàn)”：彼時，數(shù)十家互聯(lián)網(wǎng)初創(chuàng)公司正圍繞著團(tuán)購市場打的不可開交。如今，一眾AI創(chuàng)業(yè)公司正埋頭研發(fā)大模型算法，替日后的短兵相接做好準(zhǔn)備。

然而，AI不是互聯(lián)網(wǎng)，模型算法也不能簡單和互聯(lián)網(wǎng)產(chǎn)品劃等號。許多人只將注意力放在了一篇篇論文上，卻忽視了大模型競賽比拼的，實際還有工程能力。

AI由算法、數(shù)據(jù)以及算力三大要素構(gòu)成，后兩個因素實際對企業(yè)的工程能力有很高要求。90年代，楊立昆正是因為只有算法沒有算力，因此始終沒能邁出最關(guān)鍵的一步。

如今，數(shù)據(jù)和算力同樣對大模型能否落地起到了關(guān)鍵性作用：

數(shù)據(jù)收集、篩選是第一道坎。雖然互聯(lián)網(wǎng)上存在著近乎無限的內(nèi)容，但其中也包含著大量低質(zhì)、無效的內(nèi)容。如果教科書粗制濫造，AI不免越學(xué)越“笨”。

如果具體到一些現(xiàn)實場景，數(shù)據(jù)收集往往會更加困難。前文曾提到，工業(yè)領(lǐng)域的數(shù)據(jù)本就不如互聯(lián)網(wǎng)那么豐富。且對企業(yè)而言，工業(yè)數(shù)據(jù)等同于公司機(jī)密，顯然不可能輕易對外公開，進(jìn)一步拉高了數(shù)據(jù)的門檻。

至于算力，隨著英偉達(dá)的王牌產(chǎn)品H100/A100對中國禁售，國內(nèi)的企業(yè)不得不尋找下位替代。對此，英偉達(dá)很貼心地推出了特供版的H800。相比于H100，H800保留了其大多數(shù)的配置，但在傳輸速率上一刀砍了1/3——這意味著用H800訓(xùn)練大模型需要花費更多時間，注定比國外同行慢一步。

正因為如此，華為從2018年涉足AI領(lǐng)域之初，便提出了全棧自主，全場景布局的AI戰(zhàn)略。

過去數(shù)年，華為云盤古大模型學(xué)習(xí)了上百TB的百科知識、文學(xué)作品、程序代碼等文本數(shù)據(jù)，以及數(shù)10億張帶文本標(biāo)簽的互聯(lián)網(wǎng)圖像。除了學(xué)習(xí)大量通用知識以外，盤古大模型還學(xué)習(xí)了10多個行業(yè)的公開數(shù)據(jù)，涵蓋金融、政務(wù)、氣象、醫(yī)療、健康、互聯(lián)網(wǎng)、教育、汽車、零售等，每個行業(yè)數(shù)據(jù)量超過500億 tokens（一段文本中的最小單位，是構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的基本單位之一）。

在這基礎(chǔ)上，華為云還向平臺上的開發(fā)者，推出了盤古大模型工程化平臺，提供了數(shù)據(jù)處理、模型訓(xùn)練和應(yīng)用開發(fā)三大功能，以降低大模型開發(fā)難度。過去，開發(fā)一個GPT-3規(guī)模的行業(yè)大模型，通常需要5個月；隨著工程化平臺的推出，開發(fā)周期能縮短至原來的1/5。

而在算力層面，華為云過去訓(xùn)練盤古大模型時，曾使用了上千個昇騰芯片持續(xù)訓(xùn)練了數(shù)月；如今，華為云發(fā)布了昇騰AI云服務(wù)，支持億參數(shù)規(guī)模的大模型訓(xùn)練一個月以上不中斷。

昇騰AI云服務(wù)的算力能實現(xiàn)穩(wěn)定輸出，離不開其華為云數(shù)據(jù)中心在冷卻系統(tǒng)上的創(chuàng)新。數(shù)據(jù)中心是個典型的能耗大戶，對散熱高度剛需，并催生了一個百億規(guī)模的市場。華為云數(shù)據(jù)中心的全液冷設(shè)計，能夠做到分類分級按需冷卻，降低能耗。

華為云還通過昇騰AI云服務(wù)幫助更多企業(yè)解決算力難題——今天，華為云宣布單集群2000P Flops算力的昇騰AI云服務(wù)在華為云的烏蘭察布和貴安AI算力中心同時上線。

如今，華為已是國內(nèi)少有實現(xiàn)從AI芯片、AI框架、全流程支持MLOps的AI平臺ModelArts，再到基礎(chǔ)大模型全棧自主的企業(yè)。

當(dāng)人們爭論誰才是中國版OpenAI時候，華為云已經(jīng)開始以一種低調(diào)、務(wù)實的方式改變世界了。

尾聲

人們在記述科技史的時候，或多或少都會夾雜一些個人英雄主義的色彩。

大模型引起轟動之后，OpenAI的創(chuàng)始人阿爾特曼便成為了全球矚目的焦點。過去幾個月，阿爾特曼沿著歐亞大陸四處奔波，幾乎將各國的領(lǐng)導(dǎo)人見了個遍，也因此收獲了“AI政治家”的戲稱。

毫無疑問，一項新技術(shù)的開拓者固然意義重大。例如改造蒸汽機(jī)的瓦特，將人類社會推向了工業(yè)時代，并催生了一系列社會變革；而OpenAI掀起的大模型革命，大概率將再一次重塑社會。但讓普通人生活發(fā)生翻天覆地變化的，其實是那些令新技術(shù)走進(jìn)商場的人。直到喬治·斯蒂芬森發(fā)明的蒸汽火車開始在鐵軌上奔馳，工業(yè)的時代才真正意義上到來了。

那些真正重塑普通人生活的企業(yè)和個人，同樣值得喝彩。