大模型代表了人工智能发展的新范式
大模型出现以后改变了人工智能很多发展的范式，我们认为至少在四个方面跟以前人工智能显著不一样：第一，有规模扩展性：尤其是大语言模型，DeepMind率先发了一个研究报告，他们发现堆数据、算力、扩大参数可以让模型效果变得越来越好，这是在2020年的时候发的文章。之后Open AI在GPT上也发现这个规律，持续堆这些资源，可以让性能变得越来越好。到现在为止大语言模型还没有看到规模扩展性的瓶颈，所以全世界对AGI到来的乐观理由就是规模扩展性还在持续。同时不光是大语言模型的规模扩展性，现在视觉模型上可能会探索出来，这是乐观最重要的一个原因，规模可以让性能变好，以前小模型是没有这样的特性。
第二个最重要特性，现在是多任务的：一个模型可以处理很多能力，下游任务的适应性非常多。最近的变化不仅是多任务，而且是可以走向跨模态，实际上所有物理上的信号可以被编码到同样一个高维的向量空间。一只狗或一张图片在被输入之后可以在向量空间中离得很近，这就让大模型具有了实现跨模态生成理解的能力，所以多任务适应性是非常强的。大家一致在探索，这也是为什么既可以生成文本也可以开车，也可以搞RT2*的具身智能，这是非常大的变化。大家越来越认为平台化的机会出现了，以前人工智能都是一个个烟囱，企业恨不得有几百个模型，形不成很好的规模效应，有了多任务适应性之后，人工智能在企业场景中可以规模部署，这也是一个很好的消息。
* RT2：（Robotic Transformer 2）是一种全新的视觉-语言-动作（VLA）模型，它从互联网数据和机器人数据中学习，并将这些知识转化为机器人控制的通用指令。
同时，表现出来了复杂理解推理能力：不仅靠自己可以进行复杂推理，也可以教它一步步怎么做，就是思维链让大模型表现出越来越强的复杂推理能力。前几天微软发了一个研究报告，不去微调模型，只靠把内容写得越来越细，就让GPT4发现在医学上很多惊人的能力，所以可塑性非常强。
最后知识吸收能力是超强的：这不仅是自身可以记忆信息，同时我们现在业界都在探索，把它和知识图谱跟向量数据库结合起来，让它的记忆更准确，防止出现幻觉。
所以整体上这四个方面是展现出大模型代表新的人工智能发展范式。发展范式也在启发新的人工智能技术的发展，大家都朝着这个方向在努力，这就会让技术日新月异的发展。
现在大家都在探索人工智能大模型的发展之路，我们看到了一纵一横的路线。一横就是仿真式Model的能力越来越强，他们认为不需要垂直模型，一个模型就搞定所有事，这是理想主义者的路线。当然也不排除很多用小模型，用垂直模型解决行业里的专业问题，这是现实主义路线。这个路线不能说谁对谁错，只是适应性的问题，我们需要因地制宜地看待它，但都不能忽视。万一仿真式Model可以干任何的事情，真正的AGI来了以后，这些垂直模型可能就面临非常大的压力，所以两条路都要得到重视。
企业到底怎么落地大模型，把大模型拿回去怎么做，要么是从零开始训练，准备原始的数据，从零开始把参数一个一个确定，当然这会消耗巨大的算力，相信很少有用户会这么做。我也相信，中国所谓有200多个大模型，大部分不是自己直接从零练出来的，大部分是调出来的，微调是用户正确选择，但是微调也有深浅，也有投入大小的问题。SFT投入可能比较多，指令微调投入非常小，也是看你从可控性、投入成本、产出来选择不同的大模型引入的路径。当然可以直接用，比如用华为云云上服务也可以。
大模型的应用，可以用在很多场合，几乎没有它不适合的场景。通过调研发现，目前来看，现在中国企业各个行业，包括金融机构这些行业，他们的预算比较紧，要降本增效。所以刚需场景肯定是最开始使用的，刚需场景有三个很显著的场景：一是内容生产：替代文案、营销、办公，可以成为辅助生产力。二是知识管理：这也是非常明确的，每个企业都需要有一套员工培训系统、客服系统、信息检索系统，这是把企业沉淀下来的知识能够很好管理和使用起来。三是软件开发：开发测试、文档生成对软件开发行业是非常的重要生产力提升。
四方面抓手促进人工智能工程化，加速AI赋能千行百业
现在来看，还有很多挑战，这就是需要SE4AI*，我们需要用软件行业、软件工程里的很多经验让人工智能更顺畅地落地。第一个现在面临的挑战：企业引入的时候工具链不是很完善，很多要自己动手，非常复杂。所以企业在大规模引入AI时，首先需要一套完善的工具链，需要一个平台，而且大模型有一种通用性，这也给大型企业成体系的规划人工智能平台或者中台创造了条件。产业界也需要跟上，很乐观看到这种开源工具，让MaaS服务越来越成熟，让技术工具的门槛降得越来越低。* SE4AI (Software Engineering for AI)：软件工程赋能AI研发。
数据治理：如果企业要把人工智能引入，不可避免地要把私域数据激活，客观来看，国内企业数据治理水平还是很差的，这使得行业经验差距比较大。全国有40万家企业，现在才有2000家企业通过了数据管理能力成熟度的评估，为AI准备的数据管理能力当然更差。如何配合人工智能的全栈引入、微调等等，做好面向AI的数据治理，这也是非常重要的抓手和挑战。
运营管理：软件工程的经验有Devops，AI也需要一个拉通、研发、使用测试整个环节的管理体系。现在MLOps也是非常火的，在大模型时代也需要把研发管理体系建立起来，适应AI。
风险：引入AI不可能没有风险，但是也不能因为有风险就不往前走，一定要做风险的度量、风险管控、成体系的规划、风险水位的监测和应对处置的机制。只有这四个抓手抓实了，才能真正为人工智能到行业赋能做好充分的准备。
人工智能在软件工程里头的应用是无处不在，环节、场景是非常多的。我们也看到好多头部企业已经尝到甜头，在代码自动补全、生成、测试、使用、研发等各个环节都发挥很大的作用，尤其是像金融机构、互联网公司，已经在研发部门全员普及这样的文化。
未来人工智能大模型对于研发模式和组织架构的影响，现在是生产工具、生产力的变革，当应用到一定程度和深度的时候一定会激发模式变革和组织架构变革。我们看得不是特别清楚，但是有两个模糊的感觉：一个是以前软件开发从瀑布式到敏捷开发的模式，大模型来了以后一定会有新的发展，我们需要提前思考。另外一个组织角色、人力分配的变化，以前软件开发是一种大兵团作战，现在由于编码效率、测试效率的提高，我们未来可能是架构师和少量软件代码工程师的配合，是一种特种兵的作战模式。这是初步的思考，化学反应还正在发生，可能需要进一步观察。
国家提要走新型工业化的道路，中国要走中国式现代化，要创新驱动，要绿色发展，要普惠、国际化等等。其实我们提应用现代化，实际上是微观层面的，我们的目标是让新型工业化中的数据驱动发动机就是应用，应用是要围绕新型工业化中很多目标做数字化转型、智转、数改等宏大的目标，最终是为了支撑中国式现代化，这三个化是一脉相承的。其中最大的变量是AI，尤其是未来即将到来的通用人工智能，人工智能是我们国家发展新型工业化最大的技术变量，这个最大技术变量用到新型工业化是非常合适的。当然对于应用现代化，对于整个中国式现代化也是适用的，通用人工智能将是未来中国发展最大的技术变量。
