通往AGI的路不只有一條，雲知聲站在巨人肩膀上開啟“終南捷徑”

　　今天你ChatGPT了嗎？隨著ChatGPT的大火，全球範圍內關於AI的討論喧囂塵上。從全球範圍來說，通用人工智慧（AGI）還處於市場探索階段，要達到穩定輸出、成熟商業化的境界，還有很長的路要走。面對人工智慧技術發展的“高熱度”和“不確定性”，AI老兵雲知聲卻顯得很從容，走得有條不紊。

　　ChatGPT是通用人工智慧（AGI）的開端

　　ChatGPT走紅之後，外界驚歎ChatGPT的表現，而對於人工智慧業界而言，這意味著技術正規化的轉變，更意味著通向AGI的大門可能正在開啟。

　　實際上，此前10年，深度學習帶來了一波人工智慧的增長，但並未改變AI的正規化。在2012年9月的ImageNet視覺識別挑戰賽上，AlexNet異軍突起，碾壓了所有對手。它的創造者之一Hinton教授，2006年在Science發起“深度學習”革命後，在重大技術評測上獲得突破性進展，展示了深度學習的威力。深度學習雖然比傳統的統計學習展現出了更大威力，但並未跳出舊的AI正規化——預先定義任務目標，採集該任務的大量資料並進行人工標註，透過模型訓練達到最優效果，切換不同任務目標時，往往需要重新採集資料和訓練，無法實現不同任務間的高效遷移——被稱為“窄AI”或“弱AI”，本質上是某種“自動化”。

　　真正推動AI進入2.0時代的，還是2022年11月，ChatGPT的推出。它作為一個人工智慧語言大模型，擁有自然語言理解、上下文學習、常識推理和高質量應答等特點，效果驚豔四座。對此，雲知聲認為“這是一個從專用AI轉向通用AI（AGI）的突破口。”

　　雲知聲投身變革浪潮，先質後量，打通大模型新正規化

　　入行25年的AI老兵和團隊創立公司11年後發現，自己正置身當下最火熱的跑道上，而這群AI老兵要投身新一輪變革浪潮的熱情依然澎湃。雲知聲給這場大模型的角力劃定了時間表，“今年之內肯定要有一個行業內認可的千億級大模型成果出來”。

　　在ChatGPT推出後，雲知聲已開始訓練模型，但數智前線獲悉，在雲知聲看來，本輪技術升級並非只是簡單的“大力出奇跡”，而是開啟了新的“資料動力學正規化”，需要從資料規模、質量和模型調教下手，才能真正解決問題，“大力”只是“必要不充分條件”。

　　雲知聲表示：“首先把它的端到端打通，再針對性地去解決問題，有些可能是從演算法角度去最佳化，有些可能要透過資料層面去最佳化，包括併入醫療資料後，哪些跟現有的知識不能很好的融合，都要針對性做研究。”雲知聲以前基於BERT模型，現在需要切換到以GPT為模式的框架。兩者本質上都基於Transformer模型，有不同的優缺點和特性。此次變革，雲知聲並不需要從底層開始幹，而是進行模型架構的切換，這會比從頭做的變數要少很多，而且有行業應用場景、客戶和資料的積累。

　　十年磨劍，雲知聲為大模型為基礎的MaaS平臺做好準備

　　正如一句名言：“過去每一步都算數。”

　　作為一支深度思考行業趨勢，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平臺做好準備。

　　在算力平臺之上是資料中心模型最佳化(DCML)層。雲知聲在2016年開始進入醫療行業後，發現根據不同應用場景資料，需要對模型進行高效的針對性最佳化，本質上是如何根據應用資料對模型進行快速調優，GPT模型的強化學習也是在這層完成的。這一層的構建目標就在於此，其作用是能夠提高產品的標準化程度，透過模型而非程式碼來解決應用場景差異，大幅提升人效比。

　　再之上是模型層。這也是目前正在改變的地方。在此前的AI正規化下，無論是人機互動，還是各種行業應用，實際上要先做好各單元模型，再把各種單元模型整合起來實現業務目標，現在則要轉變為以GPT為核心的大模型來做。而過去各種部件級模型，像語音降噪、語音識別、語音合成等標準模組仍會持續最佳化，但也會借鑑大模型的思路，比如加大無監督預訓練資料規模，實現多語種聯合建模、輕量級定製和個性化等，可以顯著降低成本，同時提升效果和效率。

　　球已經到了腳下，接下來要做的事情變得確定。面對ChatGPT帶來的機遇，雲知聲已經做好準備，一季度就擴充了30%算力，去做大模型的轉軌，年底算力預計將翻幾倍，“升級下一代以GPT為核心的架構”。在以大模型實現智慧物聯（廣度）和智慧醫療（深度）兩個行業技術升級後，MaaS模式也將完成驗證，再結合各行業應用需求，逐步擴充行業大模型，最終將MaaS平臺做到萬億級以上引數，實現從專用走向通用！