如果你想要一臺冰箱，結(jié)果只能買到壓縮機(jī)，金屬面板、塑料儲物盒，需要自己進(jìn)行組裝；如果你想要一臺汽車，結(jié)果拿到一坨橡膠，需要自己從頭造輪胎，你將會是什么心情？

目前AI開發(fā)的狀態(tài)與上面舉的例子很像。熟悉AI的朋友知道，AI應(yīng)用開發(fā)是碎片化、定制化的，場景稍有變化就要重新進(jìn)行數(shù)據(jù)處理，海量參數(shù)調(diào)優(yōu)，反復(fù)迭代。如果模型達(dá)不到期望的目標(biāo)，還要把這個(gè)過程推倒重來，模型開發(fā)周期動輒一個(gè)月，甚至數(shù)月。這種耗費(fèi)大量人工的方式說明AI開發(fā)還處于作坊模式中。

在2021WAIC期間，華為云盤古預(yù)訓(xùn)練大模型被評選為大會的“鎮(zhèn)館之寶”，為AI帶來了工業(yè)化開發(fā)新模式。我們不妨就著“鎮(zhèn)館之寶”四個(gè)字，來掰扯掰扯盤古大模型究竟是什么，預(yù)訓(xùn)練模型又與AI工業(yè)化之間存在著怎樣的關(guān)聯(lián)。

2018年GPT 和 BERT的橫空出世，引發(fā)了AI行業(yè)內(nèi)外的共同關(guān)注。NLP領(lǐng)域的大規(guī)模預(yù)訓(xùn)練模型，從邏輯上來解釋的話，就是采用自監(jiān)督學(xué)習(xí)能力在大規(guī)模算力的支持下學(xué)習(xí)海量參數(shù)的數(shù)據(jù)。這不僅讓NLP算法能力有了革命性突破，還將大量原本需要用戶完成的訓(xùn)練任務(wù)預(yù)先完成。打個(gè)比方，這就像學(xué)校先把各種知識教給學(xué)生，讓他有了基本的行業(yè)常識，而不是等到進(jìn)入企業(yè)之后再從頭識字，從而降低了企業(yè)的培訓(xùn)成本。

如今，大規(guī)模預(yù)訓(xùn)練模型已經(jīng)成為全球主流AI廠商、研究機(jī)構(gòu)的“必備功課”，訓(xùn)練參數(shù)與算力投入量也水漲船高。OpenAI在2020年發(fā)布的GPT-3已經(jīng)達(dá)到了1750億參數(shù)量、上萬GPU的驚人訓(xùn)練規(guī)模。可以說，大規(guī)模預(yù)訓(xùn)練模型既要考驗(yàn)廠商的算法創(chuàng)新、調(diào)參與優(yōu)化能力，又是對數(shù)據(jù)能力、并行計(jì)算能力、網(wǎng)絡(luò)架構(gòu)能力、開發(fā)工具和能力的全面大考。想要讓AI在廠商一側(cè)就變成工業(yè)化、標(biāo)準(zhǔn)化的“準(zhǔn)完成品”，需要投入的技術(shù)實(shí)力與產(chǎn)業(yè)資源都遠(yuǎn)超大部分AI產(chǎn)品。

想要“鎮(zhèn)”住AI工業(yè)化中出現(xiàn)的種種挑戰(zhàn)，練就真正能解決問題的AI大模型，需要同時(shí)具備高效算法、澎湃算力，海量數(shù)據(jù)吞吐能力基礎(chǔ)。

在2021WAIC開幕式上，華為輪值董事長胡厚崑在演講中介紹了盤古大模型。他認(rèn)為當(dāng)前AI的普及應(yīng)用的瓶頸首先不在技術(shù)上，技術(shù)已經(jīng)有了相當(dāng)?shù)陌l(fā)展，也不在應(yīng)用上，因?yàn)閼?yīng)用的需求都已經(jīng)蓬勃而出了。它的瓶頸在于開發(fā)的效率上，現(xiàn)在的開發(fā)效率太低，AI應(yīng)用的開發(fā)太慢，它嚴(yán)重阻礙了技術(shù)和需求的結(jié)合。

為了提高AI的開發(fā)效率，華為云聯(lián)合伙伴推出了盤古系列預(yù)訓(xùn)練大模型，包括業(yè)界首個(gè)兼具生成與理解能力的中文語言（NLP）大模型和視覺（CV）大模型。

想要具體感知到華為云盤古大模型的能力，我們到WAIC的展館中一探究竟。盤古大模型在現(xiàn)場展示了成語填空、閱讀理解、快速分類三種能力。甚至連 “明明明明明白白白喜歡他，但他就是不說”這種奇葩句子，盤古大模型也能判斷出“白白喜歡誰？”“誰喜歡明明？”等問題。

優(yōu)質(zhì)的大模型需要三個(gè)核心能力，即：可以吸收海量數(shù)據(jù)的超大型神經(jīng)網(wǎng)絡(luò)、強(qiáng)壯的網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)秀的泛化能力。華為云盤古預(yù)訓(xùn)練大模型除此之外，還有哪些獨(dú)特優(yōu)勢呢？

首先，盤古預(yù)訓(xùn)練大模型擁有領(lǐng)先的技術(shù)創(chuàng)新。

盤古NLP大模型首次使用Encoder-Decoder架構(gòu)，兼顧NLP理解與生成的能力，且性能領(lǐng)先；在NLPCC生成任務(wù)上，Rouge score取得第一，比第二名提升60% 以上。該架構(gòu)多任務(wù)學(xué)習(xí)的方法，能夠讓大模型訓(xùn)練更加穩(wěn)定；同時(shí)基于提示的微調(diào)， 能夠在小樣本學(xué)習(xí)上超越GPT系列。訓(xùn)練盤古NLP大模型使用了40TB的文本數(shù)據(jù)，包含了大量的通用知識，同時(shí)也沉淀了華為云的許多行業(yè)經(jīng)驗(yàn)。盤古CV大模型在業(yè)界首次實(shí)現(xiàn)了模型的按需抽取，不同部署場景下抽取出的模型體積差異，動態(tài)范圍可達(dá)三個(gè)數(shù)量級；提出的基于樣本相似度的對比學(xué)習(xí)，憑借小樣本學(xué)習(xí)能力在ImageNet上取得了業(yè)界領(lǐng)先的成績。

其次，盤古預(yù)訓(xùn)練大模型擁有豐富的技術(shù)沉淀及應(yīng)用實(shí)踐。

盤古預(yù)訓(xùn)練大模型已經(jīng)在多個(gè)行業(yè)、100多個(gè)場景成功驗(yàn)證，包括能源、零售、金融、工業(yè)、醫(yī)療、環(huán)境、物流等等。其中，在能源領(lǐng)域，盤古預(yù)訓(xùn)練大模型幫助行業(yè)客戶實(shí)現(xiàn)設(shè)備能耗的智能控制，可以節(jié)約電力成本50%；在金融行業(yè)中的異常財(cái)務(wù)檢測，讓模型精度提升20%以上； 在塵肺檢測中，病例識別準(zhǔn)確率提升22%等等。

盤古已經(jīng)在近百個(gè)行業(yè)場景中進(jìn)行了應(yīng)用，未來，華為云盤古預(yù)訓(xùn)練大模型還將上線華為云AI資產(chǎn)共享社區(qū)（AI Gallery），將AI能力進(jìn)一步開放出來。

既名“盤古”，便應(yīng)該去開辟一些什么。翻過AI工業(yè)化的山丘，彼端每一家企業(yè)、每一位開發(fā)者的心中都應(yīng)該有一個(gè)“盤古”。