行业大模型标准体系及能力架构研究报告（附下载），58页pdf

随着众多国内外公司纷纷推出各种大规模模型，包括通用大模型、行业大模型、垂直大模型以及专属大模型，这些超强模型服务的背后都是基于拥有千亿或万亿参数的基础模型。大模型的诞生标志着人工智能领域取得了重大进展，可以在各种任务中实现更高的准确性，降低了应用开发的门槛，并增强了模型的泛化能力。这些因素共同催生出新的场景和产业模式，并加速产业智能化应用落地的进程。

一、大模型技术应用不断演进，迎来发展新机遇

随着ChatGPT这一对话生成式预训练变换模型的诞生，大模型进入一个快速发展的时代。这些超强模型服务背后是拥有千亿或万亿参数的基础模型，它们通过学习丰富的知识，成为与人类进行交互以及连接万物的强大工具。

通用大模型的发展

自2016年Open AI发布Gym强化学习平台以来，模型参数从GPT-1的1.17亿开始，经过不断迭代，增长到GPT-4的1.76万亿的参数规模，通用大模型的性能也得到显著提升。

斯坦福大学的研究发现，GPT-3已经可以解决70%的心智理论任务，相当于7岁儿童；至于GPT3.5，更是解决了93%的任务，心智相当于9岁儿童！2022年11月，ChatGPT正式发布，是基于GPT-3.5架构并通过强化学习训练后的大语言模型，目前仍以文字方式互动，支持包括自动文本生成、自动问答、自动摘要等多种任务。

自2017年6月以来，Google陆续发布了BERT、T5等预训练模型，参数规模也在逐步提升。近期，Google发布的通才模型PaLM-E包含5620亿参数，可用于控制机器人，为通用人工智能（AGI）的实现提供了可能。

Google PaLM-E 大模型控制机器人

二、MaaS 支持大模型应用落地全流程能力构建

MaaS（模型即服务）提供一套完整的大模型服务工具链和开放平台，允许行业用户基于行业基础大模型，利用整体模型套件经过微调再训练，生成满足特定场景需求的专属大模型。与提供基础设施的IaaS（基础设施即服务）、提供工具的PaaS（平台即服务）和提供软件的SaaS（软件即服务）不同，MaaS以模型作为交付产品。

基于MaaS构建的一站式行业大模型构建和应用解决方案，围绕模型的生命周期提供各种的产品和技术辅助，行业用户实现从数据预处理、模型构建、模型训练、模型评估到模型服务全流程能力构建。MaaS解决了企业构建行业大模型成本高、时间长、难度大的问题，降低数字化转型的成本和风险，支撑客户快速实现大模型应用的产品化和商业化，更快地实现数字化转型和升级。

MaaS 解决方案

三、场景化需求快速推动大模型价值释放

随着技术能力的提升和多样化场景需求的推动，大模型已成为人工智能领域最重要的动力源泉。不仅推动人工智能从技术积累、行业应用和产业变革，更是赋能千行百业的基础设施。

大模型在场景中的应用

四、行业大模型应用落地亟需建设路线指引

通用大模型在满足行业用户直接需求方面存在一定难度，主要是由于模型参数量巨大，训练和部署对算力消耗巨大，导致成本高昂；其次，模型的可解释性仍然较弱，通常需要增加内容管控手段来保证结果的安全性；最后，模型对训练数据的依赖性较强，对于超出训练数据的任务效果不尽如人意。更重要的是，在某些特定行业，通用基础大模型的表现并不理想，因此行业大模型应运而生。

行业大模型通常基于该行业领域的数据进行训练和优化，更好地理解和处理该行业的专业术语、规范和语义。行业大模型更加专注于某个特定的行业，满足对应行业的需求。目前的产业解决方案中，行业大模型结合自身在算力方面的优势，为行业模型训练提供强大的支持和动力，助力构建专属大模型及智能应用。然而，行业大模型最终要在真实场景中落地并达到理想的服务效果，需要充分解决行业用户的痛点。目前行业用户面临的问题主要包括计算资源不足、数据质量差、投入成本较高以及缺乏专业人才等突出问题。

报告来源：新华社品牌工程&凯度&牛津大学