界面新闻记者 | 崔鹏
(资料图片仅供参考)
6月21日上午，在一场北大光华管理学院的活动上，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生表示，人工智能（以下简称“AI”）对世界的改变，一定是通过与产业融合实现的，大模型只是起点，未来应用落地的产业变革才是更大的图景。
汤道生在演讲中回顾了AI发展的历史，表示算法创新、算力增强、开源共创三大因素的叠加，构成了AI的“增长飞轮”。
他认为，现在的企业应该积极拥抱人工智能技术。过去传统的研发、生产、销售、服务等环节中，有很多依赖人来判断、协调与沟通的地方，都可以叠加AI的生产力来提质、降本与增效。而通用大模型缺乏专业知识和行业数据积累，导致模型的行业针对性与精准度不够，数据“噪音”过大，企业客户更需要有针对性的行业大模型产品。
在汤道生看来，企业使用的大模型必须可控、可追溯、可修正，而且必须反复与充分测试才能上线。如何在合理成本下选择合适安全的模型，是企业客户所需要思考与决策的。
以下为汤道生演讲摘要（有所删减）：
随着大语言模型的发展，我们正在进入一个被AI重塑的时代，从生产销售、组织人才，到产业革新、社会发展，都会发生剧烈的变化。
许多企业管理者也在思考，如何把大模型技术应用到自己的企业场景中，比如在客服与营销环节，为业务经营带来更多降本增效？如何在使用大模型时，保护企业数据的产权与隐私？如何降低大模型的使用成本？这些都是企业管理者需要考虑的现实问题。
最近，OpenAI给ChatGPT API增加了函数调用能力，这意味着大模型也能使用工具了。自己不具备的能力，可以靠各种第三方服务尝试解决，大大增加了通用大模型解决问题的能力。
大语言模型代表人工智能的发展已经达到了一个新的高峰。用大量数据预训练的模型也推动机器视觉、语音识别、机器人等AI能力发生新的突破。
大语言模型不仅懂多种人类语言，还掌握多种程序语言，还可以帮助程序员写代码。我们打造了腾讯云新一代AI代码助手，实现AI对代码的理解，辅助程序员编写、排错与测试，为软件研发的全流程助力，提高开发效率与代码质量。
大语言模型不仅能与人沟通，更重要的是通过模型的精调，可以按需求产生一系列的执行步骤，比如联网调用不同插件的能力，加上多模态让AI同时能看懂图、听懂话、会规划、能行动，这样就可以做出更强大的应用，让AI更像真正意义上的智能助手，完成更高级的任务。
比如线上广告投放员，每天需要刷新大量广告素材，确保广告投放的ROI。如果结合广告效果数据与文生图能力，可以不断地根据数据分析，生成投放策略，调整投放渠道，并且针对性的生成投放素材，自动化程度与效率都会更高。
企业应该如何拥抱AI？
事实上，不管哪个行业都应该积极拥抱AI，过去的研发、生产、销售、服务等环节中，都有很多依赖人来判断、协调与沟通的地方，今天我们应该看下哪些环节可以叠加AI的生产力来提质、降本与增效。
既然大模型这么重要，在座的企业家与管理者，可能也会问我们如何把它用在企业上，抓住技术变革的红利？
我可以给企业管理者一些建议：
第一，聚焦企业自身业务，挑选具体场景，让AI成为服务的增量；
第二，确保训练数据质量，梳理出测试用例，建立上线评估流程；
第三，确保服务合规，同时关注数据的产权与隐私；
第四，使用云厂商工具，搭建一体化的模型服务，这样效率比较高，节约训练、运维的成本和时间。
在具体实施中，模型、数据和算力是大家需要格外关注的三个点。
首先是模型。虽然大家对通用大语言模型的聊天机器人期待很高，但它不是唯一的大模型服务方式，也不一定是满足行业场景需求的最优解。
目前，通用大模型一般都是基于广泛的公开文献与网络信息来训练的，上面的信息可能有错误、有谣言、有偏见，许多专业知识与行业数据积累不足，导致模型的行业针对性与精准度不够，数据“噪音”过大。
但是在很多产业场景中，用户对企业提供的专业服务要求高、容错性低，企业一旦提供了错误信息，可能引起巨大的法律责任或公关危机。因此，企业使用的大模型必须可控、可追溯、可修正，而且必须反复与充分测试才能上线。
我们认为，客户更需要有行业针对性的行业大模型，再加上企业自己的数据做训练或精调，才能打造出实用性高的智能服务。企业所需要的是，在实际场景中真正解决了某个问题，而不是在100个场景中解决了70%-80%的问题。
另外，训练数据越多，模型越大，训练与推理的成本也越高。实际上，大部分的企业场景可能也不需要通用AI来满足需要。因此，如何在合理成本下选择合适的模型，是企业客户所需要思考与决策的。
其次，数据是大模型的原材料。针对具体场景，相关数据的覆盖与质量都至关重要，标注数据的管理也是模型迭代中的重要工作。
模型最终要在真实场景落地，要达到理想的服务效果，往往需要把企业自身的数据也用起来。在模型研发过程中，既要关注敏感数据的保护与安全合规，也需要管理好大量的数据与标签，不断测试与迭代模型。
再次，算力是模型持续运转的基础。高性能、高弹性和高稳定的算力，需要借助专业的云服务。
在大模型的训练和使用过程中，需要大量异构算力的支持，对网络速度与稳定性要求也很高，加上GPU服务器比一般服务器稳定性更低一些，服务器的运维、问题的排查更频繁，整体运维的难度与工作量会高很多。
在训练集群中，一旦网络有波动，训练的速度就会受到很大的影响；只要一台服务器过热宕机，整个集群都可能要停下来，然后训练任务要重启。这些问题会使得训练时间大大增加，投入在大模型的成本也会飙升。
腾讯能做些什么？
基于这些企业现实问题和需求的思考，就在前两天，腾讯也正式公布了腾讯云MaaS服务全景图。
基于腾讯云TI平台打造的行业大模型精选商店，将覆盖金融、文旅、政务、医疗、传媒、教育等10大行业，提供超过50个解决方案。在这些能力模型基础上，客户只需要加入自己独有的场景数据，就可以快速生成自己的“专属模型”。
我们也推出基于腾讯云TI平台的行业大模型精调解决方案，帮助模型开发者与算法工程师一站式解决模型调用、数据与标注管理、模型精调、评估测试与部署等任务，减轻创建大模型的压力。我们也可以通过TI平台实现模型的私有化部署、权限管控和数据加密等方式，让企业用户在使用模型时更放心。
在算力服务上。腾讯云所提供的稳定计算、高速网络与专业运维，可以为算法工程师大大减轻设备运维的压力，让他们把精力放在模型的构建与算法的优化上。
腾讯云也打造了面向模型训练的新一代HCC（High-Performance Computing Cluster）高性能计算集群。其搭载最新次代GPU，结合多层加速的高性能存储系统，加上高带宽、低延迟的网络传输，整体性能比过去提升了3倍，获得了很多客户的高度认可，几家大模型独角兽，都与腾讯展开了算力合作。
在计算集群的“硬实力”之外，腾讯最近也推出了更适合AI运算的“软能力”——向量数据库，它能更高效地处理图像、音频和文本等非结构化数据，支持单索引10亿级规模，比单机插件式检索规模提升10倍，数据接入AI的效率也比传统方案提升10倍。
毫无疑问，AI对世界的改变，一定也是通过与产业的融合实现的。机器决策、自主生成、自然交互等一系列变革，推动产业实现更高效率、更低成本、更好体验和更大创新。未来的企业，也将向智能原生进化。
