腾讯云吴运声：通用大模型与行业大模型并不对立
图片来源：由无界 AI 生成
“我们宁可100%解决客户的一个问题，也不要70%-80%地解决客户的100个问题。”
7月7日，2023年世界人工智能大会（WAIC）腾讯论坛上，当被问及先推出面向行业的大模型原因，时，腾讯云副总裁、腾讯云智能负责人吴运声如此回复。
大模型是今年AI界，当之无愧最火的话题。对比百度、阿里等巨头先推出底层的通用大模型，腾讯把眼光直接聚焦到产业中——在WAIC举办前，6月19日，腾讯云正式公布MaaS（模型即服务）全景图，目前已为10大行业输出了超过50个解决方案，涵盖文旅、金融、传媒、教育、政务等多个不同场景。
自然而然地，场景应用和落地成为贯穿整场WAIC腾讯论坛的主题。
“通用大模型不是模型应用的唯一方向，面向垂直产业的模型，会成为大模型价值的引爆点。”腾讯副总裁、腾讯政企业务总裁李强在论坛上如此预测。
吴运声以OTA（在线旅行社）智能客服为例，解释到，用户在实际交流过程中，往往是多个意图混杂的。交流的过程中，意图也可能随时进行切换。
“（用户）刚提出要定10号的酒店，机器正准备回答，突然又说，再帮我看看11号的酒店。”面对客服场景下极其复杂的流程，通用大模型并不能完美地完成任务，因此必须结合具体场景，重构一些复杂的模型。
但当前通用大模型尚在研发初期，在行业应用会要面临成本高昂的问题，吴运声则表示，在一些具体场景里，通用大模型既然不能100%满足需求，那么“判断解决成本的高低，没有太大意义”。而尽管不同行业和场景的解决方案会有很大差别，但总体而言提升企业30%以上的效率，没有问题。
腾讯云副总裁、腾讯云智能负责人吴运声。来源：腾讯
论坛上，腾讯云也介绍了近期围绕大模型的重要升级。其两大技术底座——星脉网络、向量数据库都进行了能力升级。升级后的星脉高性能计算网络，可以提升GPU利用率的40%，节省模型训练成本的30%-60%，提升AI大模型的通信性能近10倍。
而就在7月4日，腾讯云正式发布AI原生向量数据库，相比传统方式，将其用于大模型预训练数据的分类、去重和清洗，数据库可以实现10倍效率的提升。将其作为外部知识库用于模型推理，则可以将成本降低2-4个数量级。
今年的WAIC上，也出现了一个有趣的现象：会上30多款通用、行业大模型齐齐亮相，都说要做大模型。同质化问题随即成为讨论焦点：如今AI领域的创业是否还有意义？各个大厂都有自己的大模型，人有我有的前提下，大模型是否还会是Game Changer？
吴运声认为，在大模型发展的初期，不需要对这些问题急于发表论断。“我更希望看到，在行业百花齐放的阶段，通过技术和产业的结合，探索各种各样的可能性，提升产业和行业的效率。”吴运声表示。
这种判断，也来自他对AI大模型商业潜力的乐观。在上一波单点突破的AI浪潮中，许多AI企业陷入做项目、做私有化的交付实施困境中，无法实现盈利。
“在大模型时代，情况或许会和之前有所不同。”吴运声认为，随着技术的发展，包括底层算力、GPU芯片等的发展，以往动辄千亿的模型参数正在越来越小；腾讯在训练加固、推理加固上也有许多进展，成本正在快速下降。另一方面，大模型应用方面的可能性正在不断拓展，价值正在不断上升。
如今，腾讯正在围绕AI大模型拓展技术和应用生态，也在加强与行业的联动。7月6日，联合国工业发展组织与华为等合作伙伴在WAIC上，共同宣布成立“全球工业和制造业人工智能联盟”。
吴运声同时也强调，技术底座的升级，是“修炼内功”：“不管通用大模型，还是行业大模型，都需要有底层的支撑能力，包括巨大的算力、数据等等 。”
“大模型时代，开放非常重要，所有人都要开放。底层技术变化太快，外延能力非常广，结合到具体行业中，有大量的研发成本。”吴运声表示，只有通过开放，让更多行业专家、各类人员加入，才能培养起更健康的生态体系，产生更多可能。
以下是媒体与吴运声的采访实录，经36氪编辑：
媒体： 腾讯云一开始推出了面向行业的大模型，而不是通用大模型，是不是收入的考量？
吴运声： 这和成本、投入没什么关系。我们一直强调希望解决客户的问题，宁可100%解决客户的一个问题，也不要70%-80%地解决客户的100个问题。我们可以把问题做得少，但一定要解决这个问题。
媒体：听上去通用大模型和行业模型有对立的感觉，您怎么看两者之间未来的关系？
吴运声： 首先，我要明确，我个人肯定没有将两者对立起来。基础大模型是类似底座的东西，可以解决没有特别定制的需求。行业模型要在通用大模型基础上，有效地提高生产力，为大众服务。只有深入行业，才能解决特别重要的问题。
文生图功能也会有非常细节和具体的行业之分——就比如针对一款包生成广告图，也会有客户有特别需求，比如要做一些特别的认证。面对实际问题时，要用不同的方式进行。
媒体： 腾讯今年将聚焦哪些领域，有哪些发展目标？最近有哪些升级和迭代？
吴运声： 我们的大策略是专注于实际问题的落地，希望在每个特定场景里，100%解决客户问题，而不是找100个产品解决70%-80%的问题。所以，我们会聚焦特定行业，与客户深入打磨，来解决行业问题。
比如，在文旅行业，OTA（在线旅行社）领域的客户，会结合自身业务场景，在业务流程中运用大模型技术，并利用数据相关资源对大模型进行精调。在技术发展方面，我们的模型、算力网络都有迭代和升级，我们也会持续迭代相关技术。
媒体： 上次发布产业大模型到现在，接入大模型的企业数量有明显变化吗？
吴运声： 和我们接触公司确实非常多，我们会很坦诚地研究客户实际的场景，以及如何满足当前的业务需求。“接入”这件事情没有特别明确的定义，探索过程中有各种各样的需求，可能大家平时见的比较多是AIGC。
我说点稍微不一样的。我们有一家做企业级软件的公司客户，需要制作智能表单。比如管理层开会，新增一个表单，表单下面的项有些必填，有些不必填，有些下拉只能选4、5个选项。选项完成后，要把它变成一个流程，经过A、B、C三人审批，每个人审批的方面不太一样。
原先的做法是，在系统里把表单用自己的工具和语言代码设计出来，编出整个流程，再调用内部机构实现流程。而现在的需求是，拍张照片放到系统里，用系统的代码（自己的脚本语言）描述出来，个人只需要简单的自然语言交流和沟通，比如哪些必填，哪些不必填，第一步到哪，第二步到哪，用自己系统的语言设计对接流程。
这个例子是非常具体的需求，通用大模型无法完全解决。所以，我们就会和企业深入交流，要看表格大概是什么字段，脚本语言是什么。通用技术可能可以直接解决60%-70%的问题，但是客户要的是100%解决问题，就需要更多深入交流。
媒体： 行业大模型的落地，将为企业节约多少成本？与通用大模型相比，行业大模型在哪些领域会有优势？
吴运声： 节省的成本，其实在不同的企业、不同的场景里有很大区别。举个例子，在客服场景里，客服本身在企业占多大规模，有多少预算，都有很大区别。从实际感受来说，我觉得提升30%以上的效率是没有问题的。
通用大模型在面对具体行业时，不一定能彻底解决行业遇到的问题。比如，客服需要的不是简单的问答聊天，而是机器人、大模型能够理解人类意图，检索数据库，提取所需信息，再组合成人类可理解的文字进行回复。
最关键的是，用户实际交流过程，往往是多个意图混杂的，一个描述里有很多需求，交流过程时意图可能随时切换，难度很大，流程非常复杂，尤其是与客户的系统交互有非常复杂的模型。这个流程一定不是通用大模型能解决的，需要结合具体场景。
媒体： 腾讯能把企业大模型成本控制在怎样的范围内？
吴运声： 我们强调通过这个技术，使企业降本增效、提高生产效率，但我们一定不会说把成本控制在什么水平。我们产品发布还不到一个月，前期有一些合作，但肯定给不出整体性的数据。
36氪： 上一波AI浪潮里，是以CV（图像识别）为首的技术应用，应用更偏单点，比如调用api计费，但做到后面，公司都开始做项目、做私有化，导致盈利艰难。未来，AI大模型会经历一样的事情吗？
吴运声： 我还是持乐观一点的态度，从现在的时间节点看，会有比较大的挑战。但不管往前看半年，还是往后预测半年，技术的发展非常快，包括底层算力、GPU芯片。大模型以前动不动千亿参数模型，但随着技术发展，模型参数越来越小，能力还是维持在很强的水平。同时，我们在训练加固、推理加固上有非常多进展，成本正在快速下降中。
另一方面，在应用上，我们看到更多的可能性，在应用和所能产生的价值趋势是不断上升的。
媒体： 怎么看待底层能力建设与场景落地方面之间的平衡？
吴运声：我们一直不希望以单一的视角看待大模型。不管通用大模型，还是行业大模型，都需要底层的支撑能力，包括巨大的算力、数据等等，这是内功的维度。而场景是另一个维度，解决一个实际问题，用五成的内功，另外三成外功，再加另外两成，在大模型生态里，我们是从不同的视野看待问题。但是如果纯讲内功，肯定也没有问题。
媒体： 很多CEO提过，大模型对计算行业是game changer。现在所有大厂都推出大模型，这个判断是不是不成立了？我们需要这么多通用大模型吗，是否已经冗余了？
吴运声： 看怎么定义game changer。现阶段来看，大模型行业处于比较初级的阶段，诞生了非常多可能性。同时，我们看到大模型带来技术的变革，潜力非常大。
我个人的观点是，现在不需要太急于发表论断，我更希望看到，在行业百花齐放的阶段，通过技术和产业的结合，探索各种各样的可能性，提升产业和行业的效率。
媒体： 模型与行业结合处于早期阶段，这个阶段当中会存在哪些问题？有观点认为，行业大模型相比通用大模型，未必在成本上有所优化，可能反而更高，怎么看这个观点？
吴运声： 大模型技术出现的时间还很短，在快速发展中。行业对大模型的理解，也在早期阶段——不知道大模型能干什么，能与行业结合到什么深度。行业大模型和基础大模型的关系、成本的问题，确实都存在变化。
确实有观点认为，一个大模型如果解决所有问题，成本会更低，也有观点认为针对某个行业，不需要大模型，用小的模型就可以。
这个问题不能用单一维度判断，要客观完整地看待这个问题。我一直在强调，通用大模型可以解决通用的、与行业结合并不紧密的问题。但如果要再深入的话，就要在场景上进一步深化了。许多问题看上去是一样的，但深纠下去也许解决的不是同样的问题。这种情况下，判断解决的成本高低，没有太大的意义。
媒体： 从行业的角度，怎么判断大模型技术变革对整个云计算市场带来的市场增量，和增量场景？
吴运声： 可以看到，大模型时代来临后，对算力需求有非常大的推动，尤其是对于AI相关的算力。但在云计算的具体量化上，很难给出数字，还在持续发展过程中。
场景上，现在各行各业都在结合大模型，场景很丰富，既有通用场景，也有行业场景。通用的场景包括会议智能升级的工作，腾讯619发布的企点客服、企点分析，也在做智能工作，我们也做一些云上代码助手。在普世应用上，效率升级上，也有非常多应用。另外，各行业有各行业的应用，也会带来大量需求。
媒体： 除了大模型落地场景侧之外，腾讯会不会为其他的大模型企业提供服务？火山引擎说七成大模型用户在火山，腾讯的数据是怎样的？
吴运声： 我们对独角兽企业，或是其他大模型的方案，提供一系列的云的支持或能力。我们发布了高性能计算机HCC、向量数据库，提高了加速能力，这些都可以提供给厂商。
除了底层能力，我们还有一体化的基于TI平台大模型精调的解决方案，也有一系列的工具、流程和服务的支持。
媒体： 很多SaaS服务商沉淀了很多年，我们的MaaS（模型即服务）是面向他们，还是面向头部的行业客户？
吴运声： 这些都是我们的客户。
媒体： 与产业结合，是目前腾讯的打法，打不过就加入大企业的生态。昨天华为成立了联盟，是不是意味着竞争更容易形成巨头间的较量？
吴运声： 我倒不这样看待这个问题。我觉得大模型时代，开放非常重要，所有人都要开放。底层技术变化太快，而且技术的外延能力非常广，结合到具体行业中，有大量的花费。这种情况下，只有开放才能发挥最大的价值，通过开放让更多行业专家、各类角色人员加入，才能让整个生态体系更加健康，产生更多可能。
媒体： 对每个公司的开放是一样的吗？
吴运声： 我说的开放是指能力建设上，还有生态的开放。比如建设金融大模型，不是一个人概括所有的金融大模型，不同人在不同领域有很深的经验，一起共建是一种开放。直接对行业客户开放，也是一种开放。
另外，合作伙伴基于大模型提供的能力，做效率工具的应用升级，或是行业解决方案的升级，不同形态的应用联合在一起。在大模型内功方面加强，合作伙伴百花齐放，大家呈现不同的应用，这也是一种开放。