打造類ChatGPT，雲知聲的優勢在哪？

　　在ChatGPT上線後，一些人認為它只是一個聊天的人工智慧，但對於雲知聲等AI企業而言，已經把ChatGPT放在了向通用AI演進這樣的級別來看待的，並著手打造ChatGPT醫療行業版，同時基於ChatGPT行業版構建平臺，快速擴充套件到其他領域，訓練得到通用人工智慧。

　　密切關注前沿科技，實現了多年經驗技術積累

　　雲知聲是一個深度思考行業趨勢，密切關注行業前沿技術發展的團隊，同時也在行業裡有了多年積累，已形成全棧能力，給新一輪技術升級奠定了紮實的基礎，也為打造以大模型為基礎的MaaS（Model as a Service，模型即服務）平臺做好準備。

　　在最層的算力層面，受AlphaGO的啟發，2016年開始雲知聲團隊開始建立大規模超算平臺Atlas。Atlas在希臘神話裡是泰坦族擎天神，用雙肩支撐蒼天。當時，他們看到能同時排程上千塊GPU去完成一個任務的能力，會是一家人工智慧公司的重要壁壘。當他們部署超算平臺時，矽谷的專家甚至驚訝，一家成立四年的創業公司考慮這個問題還太早。

　　但今天來看，底層算力平臺對於上層支撐的價值已經凸顯，這也成為雲知聲能快速入局ChatGPT的關鍵。

　　雲知聲考慮產業實際應用的成本和部署等因素

　　相比較各巨頭匆匆入局ChatGPT，雲知聲走得有條不紊。雲知聲表示：今年不只是要做好大模型，還要考慮產業實際應用的成本和部署等因素。雲知聲認為，大模型訓練成功後，以目前的算力成本，可能需要把大模型引數量透過蒸餾技術壓縮10倍才能滿足實時性和規模化應用要求，這要視具體應用場景而定。雲知聲在做BERT模型時，就積累了豐富的經驗，透過模型蒸餾提速近百倍，而實際效能損失很小。

　　同時，雲知聲還認為以一個通用大模型來解決所有行業深度問題是不現實的。雲知聲致力以少2個數量級的引數規模，在特定行業領域的問題上，達到甚至超過ChatGPT的表現。同時，引數規模的大幅減少，也將大大降低了訓練和服務成本，讓大語言模型技術實現真正廣泛應用。事實上，雲知聲基於“AI軟硬體一體化解決方案”，可讓客戶站在更高的設計起點，以更低的成本在更短的時間內打造出更穩定可靠的產品。

　　率先入局醫療領域，實現ChatGPT工具化

　　在落地行業上，雲知聲率先以醫療為切入點，此前他們在這兩個領域投入和積累最多。但兩個行業的側重點並不一樣。在醫療行業，問題的側重點則是精準度和可控性。這需要結合知識圖譜和行業問題進行強化學習。雲知聲2016年進入醫療行業，主要利用人工智慧技術，解決病歷的語音錄入、缺陷檢查、醫保控費等問題。如果有了比較好的生成式AI能力，雲知聲可以根據已收集的資料，協助醫生生成高質量的病歷和診療方案。

　　在美國休斯頓的MD安德森癌症中心，已有醫生向ChatGPT詢問病人現在的情況以及治療方案，得到的結果和中心診斷的結果幾乎一模一樣。雲知聲表示：“大模型在醫療行業的終極目標，肯定是成為一個輔助診療工具，但還有相當長的路要走，精準度和可靠性是必須解決的問題。”

　　比爾蓋茲曾說“我們經常高估了今後一兩年內將發生的變革，但又常常低估了今後10年內將要發生的變化”。對於ChatGPT，雲知聲始終抱著“謹慎的樂觀”態度，加入到ChatGPT演進發展中去，致力於人工智慧走入更大規模、更多場景，走向通用人工智慧。