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。

1、贵客盈门

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？

2、难与痛

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。

3、文心千帆真的让事情简单了么？

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。

原文链接：https://www.bilibili.com/read/cv23659345/