大模型越大越好吗?商业化落地，究竟是做B端容易还是C端?7月5日，清华大学计算机系长聘副教授，面壁智能联合创始人、首席科学家刘知远现身上海，在WAIC2024的一场分论坛作了主题分享。会后，围绕大模型领域的热点话题，南都记者对话了刘知远。

刘知远说，当前大模型技术还在快速迭代中。技术较量的阶段可能持续两到三年甚至更长时间，再往后还会夹杂商业模式、产品运营设计等多方面的比拼，为此也有必要探索属于AGI和大模型的商业模式，才能支撑其向前发展。

模型越大越好吗?

知识密度、制程才是本质

从ChatGPT到Sora，频频打出“王炸”的OpenAI验证了规模法则(Scaling　Law，也称尺度定律)，即随着模型规模的增加，其性能也会相应提高。但是，在这一法则驱策下，持续无限制地把模型越训越大，就一定好吗?

7月5日，在2024年世界人工智能大会(WAIC　2024)的一场加速大模型应用落地的分论坛上，刘知远认为相比而言，大模型的知识密度、制程才是更为重要的本质。

何为知识密度?刘知远举例说道，同样测试100道题，有人需要吃十顿饭才有力气做完，有人只需一碗饭即可高效完成，很显然后者的知识密度更高。他还用了一个公式总结，知识密度=模型能力/推理算力消耗。简单来说，一个知识密度越高的模型意味着它的能力越强，每一次计算所需要的参数规模越小。

为找到更高知识密度、更高效的模型，面壁智能选择“卷”端侧大模型。但如何在端侧算力、内存、能耗有限的条件下，把知识浓缩到更小的参数规模里，是刘知远遇到的一个更大挑战。对此，训练大模型前，他选择先在“模型沙盒”中进行成千上百次的演练，然后将寻找到的最优数据和超参配置，外推至大模型。

据刘知远介绍，大模型时代将拥有自己的“摩尔定律”——按照他们的观察，模型知识密度呈现出每8个月提升一倍的规律。要让这一规律持续下去，则需要在数据、模型框架以及算法方面，不断探索科学化的方法，从而提升模型制程。

刘知远表示，大模型数据驱动的技术方向大致已经确定，但是模型的架构、算法、数据相关的技术方案仍然在高速迭代。接下来，更重要的是持续改进模型制程、持续高速迭代相关技术方案。“模型制程的提升，会带来模型知识密度的持续增强，二者交汇将会揭示端侧智能的巨大潜力。”

据面壁智能介绍，相比OpenAI于2020年发布的1750亿参数的GPT-3，2024年初，面壁发布具备GPT-3同等性能但参数仅为24亿的MiniCPM-2.4B，把知识密度提高了大概86倍。今年WAIC大会上，面壁智能还正式官宣，开源业内首个端侧大模型工具集“MobileCPM”，帮助开发者一键集成大模型到APP。

刘知远认为，未来的大模型是端云协同的模式。出于隐私保护、算力等考虑，把模型放在离用户更近的地方，具有重要的价值和意义。据他透露，面壁智能将在半年或一年内把GPT3.5水平的模型能力放到端侧运行，争取未来两年内在端侧实现GPT4.0能力。

市场机遇在B端还是C端?

先要有过硬技术

自2022年底ChatGPT横空出世后，国内外掀起了一波大模型热潮，百模大战一年多后，国产大模型追赶到了什么水平?

刘知远表示，从全球范围看，OpenAI推出的大模型仍处于世界一级水平，但中国大模型展现出了超强的追赶能力。大概在去年下半年，很多国内一线大模型公司完成了GPT3.5的建设，现在则达到了接近GPT4.0的水平。

“单看已发布的模型能力，基本上会认为中美大模型存在一年左右的代差。”但刘知远强调，更应该关注的是国外尚未公布的模型——比如美国一些科技公司完全具有持续不断推出模型的能力，而国内的大模型公司基本上还是带着目标在追赶，整体大的创新性仍不足。

大模型价值在于落地应用，但其市场机遇在B端还是C端，业内有不同的看法。有观点认为B端落地快、商业价值更大，但包括零一万物CEO李开复在内的人则坚持认为，走C端模式更有机会。与此同时，也有越来越多人在讨论:AI是一门烧钱的生意，投入越多但回报存疑，市场耐心开始不足了。

对于这样的讨论，刘知远认为还为时尚早。OpenAI推出的ChatGPT拉开了通用人工智能的序幕，它的意义类似于2000年左右的互联网浪潮。“在这样早期的阶段，就去讨论C端好做还是B端等特别具体的小问题，有点虚无缥缈，或者说似乎不那么重要。”

刘知远告诉南都记者，应该把大模型看得更“大”一点，它是相当于互联网甚至芯片级别的一个大浪潮，将带来深远影响。

他认为，当前大模型还处在一个初级阶段，初步验证了从数据到知识的一个学习和提取的通用方法，能够帮助各个行业更好地管理专业领域的知识，并且进行自动化应用。

而这项技术还远远没有“收敛”，仍在快速迭代之中。一家公司若从未专门做过大模型方向的积累和研究，那在后续的竞争中将难以保持模型制程的领先。

“如果一个花费几千万元训练出来的模型，跟别的公司相比有代差——在模型效果、所需算力和能耗上都没有竞争力，那一定会被市场淘汰。总之，你得先有更强的技术能力，才能赶上这波大模型的发展浪潮。”刘知远说。

在刘知远看来，未来5到10年内，大模型之争更取决于相应技术上的迭代。尽管如此，在技术发展过程中也应去探索属于AGI、属于大模型的商业模式。因为越往后，大模型的较量将夹杂更多商业模式、产品运营设计等综合方面的比拼，而行业也会经历一轮又一轮的洗牌。

大模型未来怎么走?

应深入垂直专业领域

在面壁智能首席科学家之外，刘知远还有一个身份是老师。

他在清华大学开设的课程中，有一门课叫《迈向通用人工智能》。为了回答同学们关于这门课的问题，他开发了一款“AI教师”的工具来辅助回答。在获得几百位学生的积极反馈后，刘知远计划把这一应用推广——为每位2024级入学的新生配备一个成长助手，用AI帮助学生处理可能遇到的各种课业难题。

“现在大模型所体现出来的通用知识管理能力，我认为今年下半年，应该会在很多领域开始看到不同创新应用。光是在清华做的这种AI+教育的创新，我就觉得非常有意思。”刘知远对南都记者表示。

其实不仅在教育领域，大模型在司法领域也有创新应用。今年6月28日，深圳中院上线运行面壁智能参与研发的系统，这一系统覆盖法院立案、阅卷、庭审、文书制作等审判业务的85项流程，还能针对一些典型纠纷，预判调解难点，智能推送法律知识和典型案例。

“为什么法律领域的大模型落地速度快?”刘知远认为，一个原因在于借助AI技术可以帮助法官提质增效，从大量重复性的劳动中解放出来。面对案多人少的突出矛盾，法院拥抱AI的积极性非常高。

另一个重要原因，则是信息化程度高——包括金融、互联网领域也一样，“它们的数据是天然的，所以大模型用起来很顺。”在刘知远看来，“现在限制大模型广泛应用的瓶颈不在于技术，而在于相关的信息化、数据化的准备上。”

谈及大模型发展趋势，刘知远认为大模型将持续深入各个专业垂直领域。此外，数据质量决定了模型的上限——即便手握大量的数据，但无法从中提取出高质量的内容，那么所训练出的模型也将受限。因此刘知远认为，将来还会出现专门的数据治理团队，助力各个领域更好地挖掘数据价值。

采写:南都记者 李玲 见习记者 杨柳 发自上海