作者 | GenAICon 2024

2024中国生成式AI大会于4月18-19日在北京举行，在大会第一天的主会场大模型专场上，云天励飞“云天天书”大模型技术负责人余晓填以《多模态大模型技术演进与落地应用探索》为题发表演讲。

2022年底，ChatGPT横空出世，搅起了AI行业的发展热潮。2024年初，文生视频大模型Sora推出，AGI（通用人工智能）发展驶入快车道。余晓填以Sora的发布以及美国利用脑机接口帮助瘫痪病人实现自主行动等案例，展示了AI技术惊人的迭代速度及其潜力。余晓填认为，大模型技术从前几年的崭露头角，发展到现在的如日中天，人类已然迈入了AI的新时代，并朝着AGI的大道全速前进。

在AI蓬勃发展的新时代，大模型技术成为AI领域的焦点之一。以Transformer结构为核心的大型模型被认为是一种高效、可扩展的学习器，能够在短时间内对海量数据进行学习和信息压缩。然而，大模型技术的发展仍旧面临挑战。其中突出问题之一便是数据支持的不足。

如何克服这一难题？余晓填认为，解决的关键在于顶尖AI人才的培育，顶级的人才、专家才是支撑着大模型技术快速发展的基石。

多模态大模型作为大模型技术的重要发展方向，也引起了各界的广泛关注。余晓填提到，多模态大模型信息压缩策略主要分为两种类型：分阶对齐结构和端到端对齐结构。前者利用文本数据的广泛覆盖优势，加速学习收敛速度；后者则通过一次性对各种信息进行交叉并发，实现高效的信息压缩。然而，多模态大模型的落地应用面临诸多挑战。

在此背景下，云天励飞又将如何打破大模型应用的“三角约束”，为大模型技术在各行各业的应用提供新的可能？

以下为余晓填的演讲实录：

在梳理大模型技术近期的重要事件中，如大模型的发布、算力的提升，我看到了两点重要信息：第一，AI技术的迭代速度惊人，世界各地的科技巨头均在竞相争夺领先地位；第二，以大模型技术为核心的AI领域正在经历前所未有的快速发展，并且这种加速度正持续提升。

我们梳理了三个可视化的例子。

首先，去年特斯拉在其投资者日公开展示了一个视频，展示了一个人形机器人正在尝试组装机器。这预示着我们可能即将迈入机器人制造机器人的时代。

其次，最近OpenAI发布了名为Sora的项目，并与Figure合作，开发了具备人形外观的智能机器人。这种机器人具备了高度交互性，能够与人类进行流畅的沟通，并执行人类的指令。

另外，上个月，美国首例利用脑机接口帮助瘫痪的病人已经开始使用自己的意念来发推文，甚至在半夜使用意念玩游戏。这些令人震惊的应用展示了AI技术带来的巨大潜力，表明人类已经迈入了AI的新时代。

一、从ChatGPT到Transformer，大模型在信息压缩与学习中的演进

ChatGPT的根基是围绕着Transformer结构的演化，但是，什么是Transformer？我们认为，它是一个很高效的、可扩展的海量数据的学习器。简单来说，它是一种信息压缩机制，能够在短时间内将人类历史上的所有知识进行压缩，并从中发现语言的规律。

GPT的结构并不偏好任何特定的领域或模态，它能够对各种知识和多种模态进行压缩。这种信息压缩的关键条件包括巨大的参数规模、强大的计算能力以及海量的数据支持。参数规模已经发展到了千亿或万亿级别。在计算能力方面，英伟达一直在为其提供强大支持。

然而，从数据层面，一些学者表示，以后数据将不足以支撑大模型的训练，那这时候怎么办？可能是采用数据合成，用大模型去制造更多的数据进行博弈的学习。

我们认为大模型的一个核心根基是人才，顶尖的AI人才。这种人才可以把大参数、大算力、大数据有机地结合在一起，形成真正算法结构下的高效信息压缩，而这种顶级的专家人才则是支撑着美国大模型技术快速发展的基石。

可以看到，大模型技术的发展以及大模型的能力，归纳起来就是海量信息的压缩，并学习到其中的统计规律。目前在文本方面，我们可以把海量的数据进行压缩，得到了文本的规律，形成了语言的理解和生成。视频、图像、声音等也可以通过海量的数据进行压缩，训练数百万小时的视频，最终用眼睛去看和理解这个世界，甚至在未来进行多种模态的数据交互，这时候，自然而然就会引出来下一个真正要讨论的主题——多模态大模型。

二、多模态大模型如何做信息压缩？探索分阶对齐结构、端到端对齐结构

多模态大模型是怎么去做信息压缩的？我们认为有两大类型。

第一大类型，分阶的对齐结构。第一个阶段先去压缩文本的信息，第二阶段再压缩其它的信息，其它的信息包括视觉、声音等。

为什么要这么做？因为文本的数据覆盖面更广，全量，而且是高知识量的。以此为基础，就可以获得更快的学习收敛速度。这里可以类比人，人学习的过程最重要的三大来源：说话、眼睛看世界、耳朵听东西，这三个信息可能最开始要引导的教育过程，是引导他讲东西，这也就是分阶段对齐的核心要义。从图来看，LLM Backbone以语言对齐为核心，分阶段去做多模态大模型的信息压缩，找到其中的信息系规律。

第二大类型，端到端对齐结构。就是对不同模态的数据同时学习，同时输入图像、文本各种各样的信息，直接把所有信息交叉并发，把所有的信息进行压缩，抽取里面的规律，最终达到理解这个世界，去驱动跟这个世界进行交互。

三、解读大模型技术发展三阶段，场景反哺技术阶段仍面临挑战

大模型能够帮我们做什么？我们很清楚大模型技术只是一个工具，从技术的角度去看，它帮我们把很多信息压缩，更高效地找出其中的规律。大模型要体现出价值，就要落实到各行各业、各种业务的闭环应用里面去。

借鉴AI技术发展的路径，我们认为大模型技术发展定义也有三个阶段。这三个阶段实际上也是技术跟数据或者算法的关系。

一开始，我们设计算法时通常会使用少量数据进行验证，这被称为技术找场景。在第二阶段，场景反哺技术，我们则采用更多数据来提升算法和技术的能力。第三阶段，场景找技术，即所有应用和需求都能通过同一个算法、模型来解决，这标志着我们迈入AGI时代的大道。

那么，技术找场景现在的进展如何？我们已经走完了技术找场景在大模型技术发展应用的这段路。许多应用，例如智能问答、文生成图以及像ChatGPT这样的生成式大模型单点应用，已经验证了大模型技术的应用和算法成熟度。

目前，我们正处于第二阶段，即场景反哺技术的阶段。我们可以看到，多模态大模型的落地还有很长一段路要走，其困难之处在于行业场景的复杂性。尽管我们希望在各行各业中广泛应用大模型，但行业场景的知识深度对大模型的能力提出了严峻的考验，仍存在着参差不齐、远未满足需求的情况。

因此，我们需要积极推动多模态大模型技术的落地，并应对挑战寻找解决方案。

四、如何打破大模型应用的“三角约束”？云天励飞提出“算法芯片化”

我们要考虑主要的变量是什么？从智慧城市中的城市治理、智慧交通，我们归纳出，要在多模态大模型进行落地变现，应注意三个变量的“三角约束”。

如今，对话系统备受关注，其精度已经接近人类，跟人没有差异，但在对垂域的深度支持和行业的价值，大模型没法去做。在真实生产环境中，很多任务是很复杂的，由于对垂域专业知识的不足，以及数据优化结构的增加，大模型面临着成本和效率方面的挑战。

因此，我们需要在精度、成本和效率之间寻找平衡点，以推动多模态大模型技术在对话系统中的落地应用。我们相信，我们正在积极解决这一问题，并与AI领域的同仁一道不断推进技术进步。

云天励飞是如何突破“三角约束”的？我来分享一下我们的解决方案。

自2014年云天励飞建立之初，我们就定义了“算法芯片化”的技术发展路径。算法芯片化不仅仅是简单地将算法应用于芯片，还需要高度专业的人才，需要专家人才对算法有深刻理解，对不同场景和行业数据有专业认知，并能够通过协同设计算法与场景，最终体现在芯片侧、算子侧，包括推进可伸缩的指令集、优化计算架构以及工具链的优化。

这样的技术支持使得我们能够应用包括Transformer、各种深度学习算法框架等多种算法。最重要的一点，它的成本、效率是制约多模态大模型落地的关键。

过去打造的云天天书多模态大模型包含了几个维度，包括语言、CV、文本问答、目标检测分割等。这些大模型的落地采取了分层解耦的策略，通过设计算法芯片化平台，我们构建了一个通用大模型。这个通用大模型具备基础能力，它在行业知识和场景经验方面可能只达到60到70分，但在通用性方面可以达到80分、90分甚至满分。

再往上走就是行业大模型、场景大模型，要在具体的场景业务里面拿到90分，需要低成本的算子层面优化，并通过与边缘侧数据的高效迭代训练来满足客户需求。

过去十年，云天天书算法研究经历了长时间的迭代发展。从2017年之前研究以ResNet卷积神经网络的深度学习，到Transformer结构起来之后，我们第一批启动了Transformer结构适配整个算法芯片化的平台。去年公司上市后，我们加大了对大模型技术的研发投入，并持续跟进海内外的先进技术。我们成功地研发了从百亿级到千亿级的语言多模态大模型。

上个月，我们发布了云天天书3.5V的大模型。在图文理解、生成以及问答等方面，这些模型表现非常可观。在语言大模型方面，我们去年已经多次获得了权威榜单的第一名。

五、云天励飞是怎么取得可观成绩的？背后有4项关键技术

我们如何实现这些可观的成绩？尽管我们面临了诸多挑战，但我们总结归纳后认为有四个关键点值得分享：

第一，解决成本的问题。精度可以通过数据堆积解决，在真正落地的时候，推理的成本是绕不过去的，我们的核心要义是解决高效的推理引擎问题。

为此，我们自主研发了Space推理引擎，它与算子层高效融合，实现了无损的推理，并将推理速度提升了50%以上。具体来说，像生成式大模型，通常是进行单字符的向前预测，但我们想办法一次性预测多个字符，同时保持无损、精度不变。在这种情况下，我们通过对算法结构进行改进，实现了一次性预测多个词条，从而提升了推理效率。

第二，降低核心成本。我们致力于提高效率和减少GPU存储需求，通过研究分布式切块，包括自适应的稀疏缓存解码等技术，我们成功将GPU需求降低了50%。

第三，优化训练技术。优化训练是大模型落地的根基，所有的应用都在这个根基上长起来。我们研发了一套可伸缩的大模型训练技术，简单来说，训练一个大模型，这个大模型要考虑如果扩展它的参数或者说扩展它的规模、优化它的结构，能不能复用原有的大模型？

答案是肯定的，这种方法也节省了训练成本。从深度和广度的角度来看，通过复用已训练的参数，达到深度扩展和宽度扩展，使训练效率翻倍，同时降低了达50%的训练成本。

第四，神经网络处理器和推理芯片是我们近十年来的重点。如今已经历了四代迭代，从第一代NNP100到目前的NNP400T，我们已经完全灵活适配多种深度学习架构，特别是在Transformer架构下，我们进行了指令集优化、算子的协同设计以及高效的联合设计，支撑了Transformer结构的高效推理。此外，我们还是最早一批使用Chiplet结构适配大模型的公司之一。

利用这四项核心技术，我们构建了支持边缘大模型的算法芯片化系统。我们的底层技术支持了神经网络处理器和自主研发的推理芯片，促进了国产化进程，避免了对供应链的依赖，并在此基础上实现了多模态大模型的运行。从行业应用的角度来看，我们有基于行业到边缘的场景大模型。更重要的是，我们支持用户进行无感知的在线微调，同时保护用户的数据隐私，而且成本极低。

六、实现每秒30字高效推理，多模态大模型已落地G端

云天天书的多模态大模型在文本理解和生成方面表现卓越，每秒可实现30字的高效推理速度，并能处理超过45万字的上下文。通过指定要求，快速生成符合特定格式的通知、决议等文件，从而有效推动办公自动化。大家可以看到整个生成过程内容极其简洁，速度极其快。

此外，我们也支持带参考内容的文章修改和润色，可以复制一部分已有的参考内容，高效地进行润色、修改，变成大家所需要的东西。目前这一块的内容已成功地在多个地级市、省厅局委办落地。采用我们的多模态大模型进行办公赋能，对于项目报告的内容生成也是非常灵活。

最后，在文本内容的理解和生成方面，很重要的一点是生成的质量。我们自带校阅功能，生成完之后可以多次优化里面的内容，达到自迭代、自进化的效果。云天天书多模态大模型支撑视频数据的理解和生成，很多数据训练过程结束之后，有一些数据是需要优化、编辑的，尤其在消费端的场景，比如对图片编辑，对3D数据合成。

我们可以通过多模态大模型进行数据的合成，达到我们想要的3D数据。对于图片的数据理解，比如通过指令去渲染，通过指令去编辑整个图片，让大模型去理解，根据指令操作图片，甚至画出不同的风格。多模态大模型的Agent能力，以开源目标检测为例，这种技术为城市发展提供了支持，正如我们之前提到的，我们发布了一个AI模盒，旨在促进AI技术在城市领域的应用，其中就包括基于多模态大模型的支持。

我们非常荣幸，能够身处在这个AI蓬勃发展，引领各行各业不断变革的时代。如今，AI大模型技术在各行各业遍地开花，我们希望携手各行各业的专家及朋友，共同引领多模态技术的落地，并迈向AGI大方向。

以上是余晓填演讲内容的完整整理。