清华大学教授赵福全对话安筱鹏：专业模型必须基于大模型构建

赵福全：展望未来，大模型将如何演进呢？这个行业的竞争格局将会是什么样的？请您和大家分享一下。

安筱鹏：我们今天讲大模型，主要是指大语言模型。当然，除了大语言模型之外，还有图像理解和生成的大模型，以及其他的一些大模型，即所谓多模态的大模型。

目前这个方向的基本情况是：第一，大模型技术仍在快速迭代和演进中，有多种不同的技术路线都在发展。第二，本轮人工智能大模型中最重要的一个分支，或者说主赛道、主战场，即大语言模型，也在快速发展中。比如GPT就有GPT3.5、GPT4、GPT5的不断演进。而且大语言模型正在把文本、声音、图片和视频等多种模态加载进来，像近期发布的GPT-4o，就可以实时处理文本、音频和图像。

未来大模型产品会呈现出怎样的产业形态和竞争格局呢？先看美国。美国基础性的大语言模型已经极度收敛了，根据我的观察，现在美国的大语言模型大概就是“3+1+1”的格局，即主要有5个大模型。其中，核心的“3”分别来自微软OpenAI联盟、谷歌、Anthropic公司，这三家提供的都是闭源导向的大语言模型；中间的“1”来自Meta，就是Facebook的母公司，它发布的是开源导向的大语言模型；最后一个“1”来自埃隆·马斯克的xAI，这家公司刚刚成立一年多，目前估值已高达约200亿美元。以上5家公司基本上主导了美国的基础大语言模型产业。

可能有人会问，为什么美国的大语言模型主要就是这5家、而不是50家公司来参与竞争呢？原因在于大模型的开发和训练代价高昂，是资本、人才、数据和算力等都高度密集的行业。这和全球只有空客、波音和中国商飞这三家大型民用飞机制造商的道理类似，因为开发一款大型民用飞机可能需要10年时间和100亿-200亿资金，而且要销售至少一两千架飞机才能收回研发成本。也就是说，产业特点和市场规律决定了大型民用飞机市场上最多只能容纳两三家企业。这个规律同样适用于大模型行业，所以随着大语言模型的不断演进，就逐渐形成了这样一种收敛的竞争格局。当然，也有人认为目前的人工智能技术路线会遇到天花板，届时竞争格局还会生变，不过至少现在我们尚未看到。

赵福全：安博士，那中国的情况会怎样呢？现在有个说法，叫做“百模大战”，中国真的有那么多大模型吗？为什么和美国相比，我们大模型的数量会如此之多？您认为，最终中国会有多少个大模型？

安筱鹏：我个人判断，国内大模型行业未来可能会与美国差不多，只有少数几家企业能留在这个赛道上。今天很多人都在讲“百模大战”，但其实中国并没有“百模大战”，甚至没有“十模大战”，不少所谓的大模型并不是真正的大模型。在我看来，当前中国真正在大语言模型主赛道上的企业可能只有五六家或者稍多一点，这是符合产业发展和市场竞争规律的。

赵福全：下面一个问题，大模型和专业类模型之间的共性连接体现在哪里？或者说，大模型是如何支撑及驱动专业类模型进步的？专业类模型又是怎样补充及拉动大模型发展的？您觉得在专业类模型的开发过程中，应该如何在思路、方法和手段上与大模型有效地结合呢？

安筱鹏：首先，专业类模型的开发有两种类型：一种是使用开源大模型，即基于开源的大模型，结合本行业的知识、经验、方法以及核心技术等，开发出相应的专业类模型，部署在公有云或者私有云上。现在有很多开源模型都可供使用。另一种是为解决某个行业的特定问题，在基础大模型之上开发专业类模型。具体可以是法律、医疗、教育、汽车等的任何一个行业。

后一种类型的具体实现路径又有四种：

一是SFT即监督微调方式。就是基于一个基础大模型，用特定行业的专业术语进行微调。通过该行业的大量数据训练之后，就可以得到某个领域的专业模型。比如，律师事务所可以训练律师行业的专业模型，包括刑法、婚姻法、知识产权法等各个细分领域。这种SFT方式对成本和人才的要求较高，训练周期也比较长。

二是RAG即检索增强生成方式。这种方式不需要专门训练模型，只要把某个行业现有的知识、经验以及结构化和非结构化的数据等做成外挂系统，然后通过检索增强技术，使其与大模型结合起来，就可应用于专业领域。例如生成一份医疗报告、一份法律文本或者一个汽车外形等等。这相当于把专业知识与基础大模型进行了整合。

三是Promote Engineering即提示词工程方式。通过设定合适的提示词，来提高大模型解决特定行业问题的能力。这种方式比较简单，同时效果相当不错。也就是说，提示词工程是一种成本投入较低、产出效果较好的大模型应用方式。

四是Agent即智能体方式。这种方式相对比较复杂，需要开发面向特定行业的智能体。以汽车产业为例，如果把大模型比喻为发动机，那么还要给发动机配上底盘、车身、轮胎等等，在安装调试好之后，汽车才能行驶起来。同样的，只有大模型解决不了专业问题，也要给它配上周边系统，如感知系统、记忆系统、执行系统等，并经过调试后，才能使其具备解决特定问题的能力。所有这些要素及资源整合在一起，形成的能够解决某个特定问题的整体，就是一个智能体。目前，这种方式的相关技术还在迭代和演进中。

以上就是当前专业类模型与大模型相结合的四种方式，每个行业及企业在面对特定问题时，都可以选择其中一种方式来构建所需的专业模型。当然，基础大模型的能力还在演进中，基于大模型构建专业类模型的技术也在演进中，未来二者的结合可能还会有新的变化。

赵福全：安博士讲得非常透彻。目前关于大模型，业界还有一个问题存在争议，就是有些专家认为“大模型”这个名称不太准确，可能会造成误导，实际上应该称为LLM即大语言模型。毕竟名称可以传递很多重要信息。比如现在电动汽车不再有传统发动机了，可依然被称为“汽车”，在某种意义上也是在强调其交通工具的属性并没有改变。对此，您是怎么看的？

安筱鹏：我是这样理解的：大模型的“大”，主要是指模型的参数多，且“参数越多，效果越好”，这是一个普适规律。基于这一规律构建的模型最初就是针对语言的，即大语言模型。不过除了语言之外，对于图像的识别和理解也是一样的，比如提供一张照片，模型就能识别出上面显示的是什么地方，或者为其配上一段说明文字；其他诸如音频、视频等的处理，也完全适用于上述规律，都可以构建相应的大模型，这就是所谓的不同模态。当然，此前最重要的大模型还是大语言模型。

而现在大模型的发展方向之一就是把各种模态进行集成，尤其是OpenAI公司今年刚刚发布的GPT-4o，已经整体集成了这几种模态。为什么说是整体集成呢？我们不妨对比一下此前的大模型，比如GPT4，可以与人进行语音对话。不过在其内部每轮对话都是通过三个模型协作来完成的：你问一个问题，大模型先用a模型把你的语音转换成文字，并传递到b模型；然后b模型针对你的问题给出文字形式的答案，并传递到c模型；最后c模型再把文字转换成语音，反馈给你。所以，尽管对你而言，就是用语音问了大模型一个问题，然后得到了它的语音回答，但其实这背后是经过了转换的，而在转换过程中就难免会产生时延、偏差等问题。与此同时，你在说话时可能还打了手势、做了表情，而这些信息都被屏蔽掉了，大模型仅仅采集了语音信息。

而现在的GPT-4o，可以同时采集你的声音、手势、动作和表情，然后把这些信息集成起来作为输入，这样其能力自然就更全面、也更强大。此外，它的输出主要是语音，但也可以有表情，显示出喜怒哀乐等情绪，这意味着其输出也是多模态的。显然，这是一个非常重要的变化。

赵福全：关于大模型和专业类模型的话题，是所有产业的模型应用者以及潜在应用者，也包括AI大模型的推动者，都非常关注且必须面对的问题。而这其中涉及到的一些重要概念，大家的理解可能还不太一样。刚才通过与安博士的交流，我们澄清了概念、理清了逻辑。特别是安博士的分享既专业严谨，又浅显易懂，更融入了自己在这方面的独到理解和深刻感悟，相信大家肯定都很有收获。下面，我简单做个小结。

实际上，专业类模型并不是新生事物。早在ANI弱人工智能时代，很多行业就已经有专业类模型了，可以解决特定领域的某个问题。这种专业类模型的效果通常都还不错，问题在于只能解决特定的问题，无法向其他领域拓展，因此有明显的局限性。另外，这种专业模型后续不断升级的工作量也很大，其投入产出比是比较低的。

当大模型出现之后，我们开始进入AGI强人工智能时代。大模型在数据、算法、算力等方方面面的能力都有了革命性的提升，可以作为普适的、通用的AI基础模型，像基础设施一样发挥作用。基于AI基础模型，各行各业的专业人士可以开发各自的专业模型，或者说垂直模型，从而将大模型应用到各个专业领域。但是此专业模型非彼专业模型，因为其基础不再是ANI模型了。新的专业类模型一定是基于AGI大模型的，是使用了大模型这一基础设施的。这个差别非常大，就好比同样是汽车，但跑在高速公路上和跑在乡间小路上，速度是完全不同的。在此情况下，如果企业没有基于大模型来做专业模型，那就和以前没有区别，虽然也可以做出来，但模型的能力及潜力都会非常有限；而如果企业以大模型为基础来做专业模型，其模型效果以及拓展性就会有质的提升。这就是我作为一个IT业外人士的理解。

可见，大模型是专业类模型的基础。而更多的专业类模型基于大模型开发，又可以让大模型发挥更大的作用。这一点至关重要，因为如果只有大模型而没有专业类模型，大模型在整个经济社会中的影响和价值也会大打折扣。就像百度董事长李彦宏总最近强调的，没有应用模型的基础大模型，无论是开源还是闭源的，都一文不值。所以，希望各个行业、众多领域的专业模型能够百花齐放。为此，做专业模型的人要拥抱大模型，而做大模型的人也要拥抱专业模型，双方相向而行、共同奔赴理想的目标。

在这个过程中，我们必须清楚，大模型并不是谁都能做的。因为开发大模型需要规模超乎想象的算力、数据、人才和资本等资源，而且不是一次性的投入，后续还要不断迭代、优化才能确保持续引领，这远非一般企业所能承受。所以，真正有能力做大模型的企业数量将非常有限，而其他企业更应该把资源用于专业类模型的开发。正因如此，最终大模型的数量不会很多，事实上也不需要很多。这就像高速公路不需要到处都有，且一定是在政府主导下由大企业来建设的；相比之下，乡间小路由村里集资就可以建了。

至于到底应该叫大语言模型还是大模型，如果从人工智能进入AGI阶段的高度来看，叫大模型应该要比大语言模型更有普适性，也更有指引意义。另一方面，虽然大模型最初主要就是大语言模型，但是目前早已拓展到语音、图像和动作等更多模态了，甚至已经有大模型能够集成处理不同模态的信息，并产生相应的数据训练模型了。所以，简单地叫“大语言模型”可能会有一定的局限性。当然，无论是开展实际工作的专家，还是从事相关研究的学者，都更应该注重大模型的发展及应用，而没必要过分关注其称谓。

安筱鹏：我再补充一点，就是未来人们使用大模型时会形成一个供给侧与需求侧互动的生态。事实上，大模型的应用一定是一个多主体联动的过程，其中只有一部分情况是大模型直接提供服务，即所谓API（应用程序编程接口）方式，而更多、更复杂的业务场景涉及到多个利益主体、多条技术路线的不断协同和反复互动，要靠各方有效协作来为客户提供服务，这就构成了生态。如果以足球比赛类比，大模型企业就像是守门员，通常无法一脚直接把球踢到对方的球门里，而是要与球队的后卫、中场、前锋等一起配合来取得进球。

赵福全：安博士强调的这一点非常重要。我之前曾经多次讲过，在万物互联的时代，各类不同主体将有效协同、相互赋能，共同驱动整个人类社会迈入超级智能时代。届时每一个人造物都将是互联的，且由人工智能赋能，从而构成了智能化的大环境，可以使其中的每一个人造物都把智能化的能力发挥到极致。所谓车路协同也是同样的道理，即智能的车必须跑在智能的路上，而智能的路也只有当智能的车行驶时才能体现出其智能的价值。由此，道路、车辆、车内外的人员以及网络、云端等所有智能的主体，将互联而成一个超级智能的大生态。参与其中的各类主体相互协同，把各自的力量都融合到一起，最终实现1+1+1远大于3的效果。

安筱鹏：是的，各类企业都有自己的优势。到了人工智能大模型广泛应用的时代，生态系统本身就是企业竞争与合作的一种必然形态。现在中国和美国都有很多开源社区，比如阿里的开源社区叫做魔搭社区。现在可能有很多人对这种生态还没什么认知，实际上其作用是巨大的。我经常举一个例子，要攀登珠穆朗玛峰，从地面一直爬到山顶的难度非常大，但如果从海拔5200米的珠峰大本营出发，爬到山顶就容易多了。

同样的道理，包括开源的软件、大模型、社区等在内的生态，就像一架直升机，可以先把你从地面运到珠峰大本营，然后你再爬完剩下的3000多米，这自然可以帮你节省很多体力或者说资源。实际上如果没有生态这架直升机，你可能永远都无法登顶。目前美国在AI领域就有很多这样的“直升机”，可以把企业直接运到“珠峰大本营”，这就大大降低了AI应用的门槛。中国在这方面也需要加紧努力，因为对于一个国家或地区的大模型普及应用来说，繁荣的产业生态至关重要。