导语：

当百度在今年3月16日率先在国内公开生成式大模型文心一言内测时，包括笔者在内的一部分业者，都觉得似乎仓促了些，效果不算尽善尽美。

但站在今天这个档口，也就是文心千帆内测的时刻，再回去看当时的决策，又会觉得百度非常善于把握机会。

率先推出，就有率先收获第一批客户的机会。在目前群“模”乱舞的当下，这个窗口期拿捏的恰到好处。

当然，真正决定生成式大模型能否“落得下来”和“立得住”的，还是是否满足了用户的需求，解决了具体的痛点。

在AI商业化落地的大局面迟迟没有彻底打开的当下，生成式模型的出现，仿佛天启，对AI落地来了一次神助攻。

但如果没有踏实的服务能力和对客户需求的精准把握，再好的大模型也难言胜算。

笔者访谈了多位业内人士，他们对以文心一言为代表的生成式大模型探索商业化落地，给出了许多真知灼见。

百度内测文心一言大模型后，在上海、北京办了两次名为“技术交流会”的闭门会议。

所谓的“技术交流会”，其实就是客户会。据说此前在上海办的一场，参与者多到无法下脚。

而北京的这一场也不例外，会场被挤的水泄不通。更重要的是，我看到了很多的、不同企业的老熟人、老朋友。

这么多的人来，目的只有一个——探讨如何尽快的接入文心一言，把生成式大模型的能力用起来。

这让我非常感概，因为自从alpha go战胜人类棋手，象征着AI进入公众视野并成为一个重要风口以来，一个核心问题一直存在，就是AI的商业化落地效率不尽如人意。为此，我还专门写过一篇文章探讨这个问题（AI落地的范式创新，比一个ChatGPT更激动人心）。

从现在的角度回头看3月的文章，其实该文有一个重要的缺点就是——我一直是按线性发展去预测AI的落地规律，但没有考虑到chatGPT这种奇点的出现。

文心一言（其大模型服务平台叫文心千帆，下同）哪怕还不完美、哪怕还被人喷……这都不要紧，现场的贵客盈门、观者如堵，说明了一个问题——当真正的机会到来时，能发现机会的聪明人是从来都不缺少的。

也许，多年以后我们回顾AI发展史，会把这一天真正的定义为AI商业化落地大浪潮的“D日”。

那这么多人都来看什么呢？来看的就是正在内测的“文心千帆大模型平台”。

按照百度的官方说法，文心千帆是全球首个一站式的企业级大模型生产平台，不但提供包括文心一言在内的大模型服务及第三方大模型服务，还提供大模型开发和应用的整套工具链。

是不是全球第一，我不敢断言。但可以肯定的是，围绕用户如何高效、低成本得获取大模型能力，以及如何挑选到最合适的大模型服务，甚至在没有独立开发大模型能力的情况下，把大模型导入自己的领域做私有化部署并发挥作用，文心千帆是最早给出答案的。

就凭这一点，文心千帆至少又在国内市场上，为百度争夺到了3-6个月的机会窗口期。

用白话说就是，文心千帆可以干两件事：

第一，百度把文心一言放到了云上，使得文心千帆可以以文心一言为核心提供大模型服务，帮助客户改造产品和生产流程，这是“直接用”。

第二，作为一个大模型生产平台，企业可以在文心千帆上基于任何开源或闭源的大模型，开发自己的专属大模型，这是“间接用”。还顺便给百度的“云智一体”打了一个最好的广告。

那么，文心千帆真的可以帮助企业快速运用大模型的能力开展业务么？

在客户会的现场，我们可以看到很多熟悉的企业，比如全球PC老大联想、国内办公领域的老大金山办公、比如国内ERP市场的老大用友网络……这些企业到现场来，并不是仅仅捧场的。

为什么这么说呢，因为来的大都是技术负责人，而不是企业的CEO。

管技术的人来开会，也从某个侧面说明了，一部分先知先觉的国内企业已经在很短的时间里解决了“要不要用”的下决心问题，而已经开始关注“怎么用”的问题。

那么，为什么如此多的企业，甚至是我们认为技术实力很强大的一些企业，都要来关注如何用文心千帆呢？

某种程度上，是这段时间内的群“模”乱舞，给了我们一定程度上的错觉——好像大模型谁都可以做，谁都能做好、用好。

行业内似乎有一种很轻松的论调，认为——1000张卡、10亿美金、100人以内的团队，3个月就可以做出一个千亿级大模型。

这话倒也不完全错，毕竟国际上开源模型很多，拿来套个壳很容易，但是好不好用就没法说了。

就比如，我也相信楼下修车铺的老师傅，我给他足够多的时间和零件，他能攒出一台可以开动的汽车来……但是，如果我是要用这辆车去参加巴黎-达喀尔拉力赛呢？

事实上，国内业界能达到世界级水平的生成式大模型，目前看来最多一只手就数得出来。所谓的“千卡开模”，只是一个入门的通俗说法。据我了解，目前bat在生成式大模型上投入的A100级别的卡，就没有一家是少于1万张的，而且上不封顶。

这已经把99%的企业拦在了外面，但这还不是最重要的。

重要的是，我们要仔细从“数据、人才、场景”三个角度，看看国内生成式大模型投入应用的实际痛点和难点。

首先说数据。现场的说法是，起步的数据是500GB数据、2500亿字的文本语料。

而这只是指的在文心大模型的基础上，训练一个行业大模型需要的起步数据量，并不是具有通识能力的AGC（通用人工智能）大模型。

而中文语料也不是光是字数多就可以，要的是精品内容，比如论文、书籍、研报、专业资料等等……用一个最通俗的比喻就是，起码达到百度百科或者知乎上高赞回答的程度。

我举一个例子，前不久，我国某高校的一个开源大模型在国际上的一个著名榜单上排行第五（这个排位已经很高了），它用的是什么训练数据集呢？

官方资料显示，用的是一个包含超过1000亿词汇量的中英双语数据集进行预训练。该数据集涵盖了各种类型和领域的文本数据，包括新闻、百科、社交媒体、小说、电影剧本等。

业内的说法是，真正的核心数据，来自国际上两个已经经过20多年打磨的开源数据集，一个是法律方向的，一个是生命科学方向的。

为了让这些训练数据为中文大模型所用，对中文做针对性优化，据说发动了近千名的大学生，逐条校对翻译结果，最后才达到良好的训练效果。

那你问我有没有金融、艺术、汽车、旅游……等等的开源数据集，抱歉真的没有，就算有，也没有达到上面两个训练数据集这个水准的。

所以，对于大多数想用好文心大模型（还只是用好，而不是开发）来训练行业大模型的企业，要过的第一关就是数据关。为什么金山、用友这些企业很积极，因为它们创立时间久，积累的专业数据量多，这就是优势。

接下来，说一点人才方面的问题。

这次开会我遇到了一个企业的高管，他告诉我说，他这次来也是为了引入文心千帆去打造自己所在行业的大模型的。

我问他，你们企业有多少程序员。他告诉我，有5000+。

我很惊讶的问，有这么多人才，还不能自己开发？

他的回答是，搞大模型的人是贵精不贵多，openAI的员工长期只有100多人（现在接近500了），而其中搞大模型核心的不过20多个人。

而我们看看欧美大厂——亚马逊从事人工智能领域的员工最多，有 10113 人；微软在人工智能领域有 7133 名员工，而谷歌有 4970 名（以上都是专职的AI开发人员，不是泛指的软件工程师）。而openAI搞出ChatGPT时只有154人。

把视角切换到国内，咱们就不说能开发大模型的人，就说能把大模型引入行业内落地的人，平均下来有多少？

最后说的是场景。

现在有一句话又流行起来了，叫“用ChatGPT把所有领域重做一遍”。

这句话很上头，但如果把时间线拉到20年，我觉得都不一定能成。

比如，大家觉得，大型政企机构有钱、有人、有多年积累的数据，是较好的能够落地的机构。

但事实上，一个特大型机构落地一个新技术体系，本身就很难，特别是前沿的数字技术。绝大多数特大企业的信息化建设都很早，多年来的累积建设，如同叠屋架床，体系非常复杂。如果是在体系外围做单点式创新还不算难，但如果要把AI技术融入大企业、大行业的技术底座，其复杂性难以想象，其失败也是有相当概率的。

简单说就是，安排什么场景，重点发力什么场景，这些都要又结合“人才、数据、场景”三要素，重新推敲一遍。

可能读者看到这里就要问了，你把问题说的那么多、痛点那么多，你到底是鼓励，还是劝退呢？

这就是接下来我要说的，文心千帆要是想生存下去、发展起来，就要帮助行业解决这些难题和痛点，这就是它的机会，也是它的考验。

文心千帆的核心能力是什么？

核心能力是处处从用户的需求出发。

我们之前说过，99%的企业会因为成本问题遇到挑战。

笔者当天在现场和负责文心千帆的百度集团副总裁侯震宇聊了一会，他说的一番话，让我印象深刻。他说：“对企业来说，做大模型可能有点贵，但用大模型没有那么贵。现在文心一言（推理）的成本只有之前的十分之一了，以后还会降。”

为什么呢？很多人会疏忽掉大模型的全称，全称叫“预训练大模型”。

换句话说，就是大模型在面向实际任务建模前，需在海量通用数据上进行预先训练，能大幅提升AI的泛化性、通用性、实用性。

也就是说，拿给你用的时候，是训练好的模型，这就已经帮你省了很多钱和很多事。而且，不管是做再训练还是微调，所使用的数据规模和处理数据的算力规模，都和从零开始训练千亿大模型完全不在一个量级上。

这就是“前人栽树，后人乘凉”。

但是，有一个问题是，大模型虽然有极强的泛化能力和通用能力，但进入任何一个具体行业，还是要对于行业特性进行精细的优化，其中根据调整参数的多寡，成本各自不同。

但是，能够调，和不能够调，对最终的效果影响巨大。而即使是微调，也有很高的技术门槛。

所以，文心千帆演示的一个非常重要的功能就是——微调。

而且，是百度智能云AI与大数据平台总经理忻舟亲自在现场演示的。

据我所知，这也是国内首次公开演示如何微调行业专属大模型的全过程。

和很多人想象的满屏都是各种命令符和代码不同，这个微调是完全在可视化的图形界面下完成的，而且因为具有了可视化的开发工具链，使得用户能够轻松的使用数据生成、标注、回流等功能，形成了围绕数据的闭环管理。

说人话就是，用户以少量数据即可发起模型微调，最快几分钟就可获得自己的专属大模型。

从开始演示到结束，我看了一下表，忻舟用了70秒钟的时间。

当然，拿出来演示的，可能是一个相对比较通用、简单的场景，但这已经足以让在场的观众惊叹，以至于演示结束后，现场响起了掌声。

为什么？这意味着大部分用户单位，都可以自己搞定微调问题。

打个比方就等于，不能进行可视化微调的大模型，就相当于你买了一台超级计算机，得有几十上百的专业人士去做调试；后者，就相当于你买了一台电视机，自己看看说明书，动手调调就可以看了。

对于AI人才极为金贵稀缺的当下，这相当于把“微调自由”还给了企业，让企业真正可以掌握自己的行业大模型，我相信这是文心千帆的一个非常重要的功能。

每家企业都希望用到大模型。就好像是家家都需要用电；但文心千帆的出现，就使得没有必要每家都搞一个电厂，也没有必要每家都置办一个发电机 ，也同样可以安全放心的使用大模型能力。

最后我还要强调一个特点就是，因为百度“云智一体”的能力，百度智能云可以完美的承载和分发大模型的能力，这使得百度智能云的价值提升了，更使得大模型的快速普及有了可能性。

比如，你用公有云模式，那就再简单不过。你可以直接调用大模型的推理能力，也可以基于自己的需求微调，从而通过高质量的精心标注，高效训练出特定行业的大模型；你甚至不建设机房，直接用托管模式，将模型发布在百度智能云，以实现更加稳定高效的运行。

不过，笔者在现场和几个行业的代表聊了聊，他们中的不少人都认为，私有化部署，也很有吸引力，特别是对数据监管有严格要求的企业。

为什么呢？这就和目前国际上很多金融、高科技制造业纷纷禁止员工在业务中使用chatgpt有关。

比如，某个投行的一个经理，把一份写好的研报交给chatgpt修改。那么，在一定概率上，这部分研报就可能成为chatgpt自我训练的一个内容，进而可能泄密。

所以在这种情况下，文心千帆也支持私有部署，其中，软件授权模式比较接近于传统软件的授权模式，直接提供在企业环境中运行的大模型服务；或者干脆购买整合了大模型服务和硬件的一体机，甚至还可以租用，针对那些不是那么高频的用户。

客观说来，这次发布比文心一言的发布，更令人感到冲击。如果说后者主要是功能上的炫酷，前者就是商业模式上以用户为需求的精心设计。

和很多很酷但还在路上的大模型相比，文心千帆已经把模型开发、训练、调优、运营等复杂过程封装起来，成为了成熟的产品。其具有的海量数据处理、高质量数据标注、再训练/微调/强化学习、大模型评估及高效压缩、自动化prompt工程、快速应用编排等能力，都极大的降低了企业在数据、成本、人才上的需求，使得用户可以直视场景，根据行业的特性和需求，充分而自由的使用“模型及服务”的能力，真正的实现“大模型自由”。

同时，由于百度是全球唯一在芯片、框架、模型和应用这四层进行全栈布局的人工智能公司，层与层之间顺畅的配合，可以推动大模型快速迭代升级。这将成为百度智能云的超级差异化竞争点，为这个一直在寻找弯道超车机会的业务，提供了重要的推力。尽管一切也许还不够完美，但这条路径的正确，似乎无可争议。

某种意义上，这是百度自20年前启动搜索后之后，遇到的又一个命运级的机会窗口，如果百度能够用自己的大模型能力深度赋能社会，不仅百度自身会获得更好的发展，也为中国的智能化浪潮提供了一个世界级的引擎。