1、2、3、4、5、6、7、8、9、10……

谁能想到，在现如今大模型当道的节点上，别家都是一次发布一个或几个。

百度呢？

一口气，10个！

如果把它们归拢归拢，打开方式是这样的，主要涵盖三大类：

• 基础大模型
• 任务大模型
• 行业大模型

值得一提的是，“行业大模型”是属于业界首发的那种。

然后百度还说了，“好马得配好鞍”啊。

于是乎，为了能让开发者使用大模型时用得舒服，顺便推出了一系列开发套件、大模型API、开放平台。

还为了让开发者们基于大模型迸发更多富有想象力的新事物，打造了一个新社区——旸谷大模型创意与探索社区。

而作为支撑大模型的底座，位居中国深度学习平台综合市场份额第一的飞桨，也迎来了六个方面的全新升级。

这就是在每年约定俗成的深度学习开发者盛会——WaveSummit 2022中，百度提交的最新“AI大作业”。

除此之外，纵观整场发布会，百度提及的两个关键词显得格外醒目：

一个是“AI越来越普惠”；另一个是“大模型产业落地关键年”。

通俗点来说，可以理解为把AI门槛降下去（降维），让强模型用起来（出击）。

那么百度真的让“用AI”这事，变得够easy了吗？

以“难用”著称的大模型，今年要在产业落地的解法又该是什么？

我们不妨一同来看一看。

时隔半年，大模型要规模化“上岗”

说起搞大模型这事，早在去年12月份，飞桨便有过一次大动作。

当时发布的是全球第一个千亿级知识增强大模型——鹏城-百度·文心大模型（下文简称“文心大模型”），参数量达到了2600亿之多。

而此次时隔仅半年再发的10个大模型，正是基于此。

对比着来看，“基础通用大模型”和“任务大模型”有8个新的大模型上线：

例如：

• NLP大模型

新增了ERNIE 3.0 Zeus，它是一个任务知识增强千亿级大模型。

可以使用统一的接口和方式同时处理各类应用任务，包括开放问答、信息抽取、情感分析、语义匹配等。

• 跨模态大模型

ERNIE-SAT，语音-语言跨模态大模型。在预训练过程中将中英双语对应的音素作为输入，让模型学习不同语言间音素的对齐以及语言与语音的对齐，同时对语言和语音做联合掩码学习。

ERNIE-GeoL，地理-语言跨模态大模型。有了它，像搜索“北京西火车站”这样不规范词语时，可以理想地对应到真实地理坐标上的“北京西站”（已经用在了百度地图）。

• CV大模型

VIMER-UFO 2.0，参数规模170亿，是业界规模最大的多任务统一视觉大模型。

它的一大特点，是在训练的时候可以把多个任务放到一起来联合学习，例如可以同时完成机动车、非机动车、行人等特征的提取。

VIMER-UMS，可以通过融合编码来学习图像及其相应文字的统一表征（已经用到了商品搜索）。

VIMER-StrucTexT 2.0，可以融合学习“语义”和“结构”信息，支持文档图像理解的全场景任务。

• 生物计算大模型

HELIX-GEM，是融合了几何级别的自监督学习策略，学习化合物键长、键角等空间结构知识，提升化合物性质预测的效果（例如提升药物筛选成功率）。

HELIX-Fold，是蛋白结构分析大模型，在国产DCU环境，可以将千万级别蛋白的训练时间从AlphaFold2的7天缩短到2.6天。

从上面的大模型不难看出，飞桨文心大模型一个非常明显的标签便是“知识增强”。

这就使得文心大模型不仅拥有解决基础问题的能力，在面对专有任务问题时，也能处理得游刃有余。

而除了8个扩充之外，文心大模型还多了2个“新增”——行业大模型。

具体来说，包括联合国家电网研发的知识增强的能源行业NLP大模型国网-百度·文心，以及联合浦发银行研发的知识增强的金融行业NLP大模型浦发-百度·文心。也正如刚才所述，这是业内史无前例的行业大模型。

行业大模型也是先基于文心大模型的通用能力，来挖掘相关行业中的知识；而后再结合实际行业特色的数据和知识，进行大规模无监督的联合训练。

而且在算法层面上，团队针对不同行业领域设计了具有特色的算法，这就让训练后的行业大模型能够更好的解决实际场景中的“疑难杂症”。

可以说，百度已经找到了大模型应用产业落地的关窍。

用吴甜的话来讲：

大模型如果能学习到行业特有数据和知识，会更接近于行业场景的需要，有利于大规模产业落地。

例如在保险行业这个真实场景中，一个老大难的问题便是合同数量庞大且重要。

但在行业大模型能力的加持之下，保险公司可以合同中的条款文本进行自动解析识别，关键信息的维度可以高达39个。

如此能力之下，业务的效率也是猛增，以前一份合同人工处理要花上30分钟的时间，而现在仅需1分钟！

这也更加印证了飞桨文心大模型“知识增强”标签之外的另一个特点——“产业级”。

除此之外，不难看出此次这10个新大模型具有一个共性，那便是都基于文心大模型的通用性。

颇有一种“一生二，二生三，三生万物”的感觉了。

但百度飞桨要做的可不只是打造大模型这么简单，他们还要让大模型用着方便。

就像我们刚才提到的“好马配好鞍”，在这方面，百度飞桨所提出的是一套工具平台：

• 大模型开发套件
• 大模型API服务
• 开发平台EasyDL和BML

据了解，开发平台EasyDL和BML能够涵盖30000多个任务，并且可以让数据标注量平均下降70%、效果平均提升10.7%。

这就让开发者在不挑算法能力的情况下，就可以“丝滑”地去用文心大模型。

值得一提的是，与飞桨虽“异曲”却“同工”的文心大模型，也是共享飞桨生态的升级，同步发布了一个生态系统——旸谷大模型创意与探索社区。

（旸谷在古书、神话中是指“日出的地方”。）

在这个社区里，开发者可以通过大模型的创意产品，擦碰出更多富有想象力的新事物。

……

而细品百度飞桨这一波操作之后，不难提炼出“量产”、“易用”这两个关键词。

由此，百度飞桨大模型“上岗”的路径也逐步明朗了起来——开始构建并走向规模化生产和产业级应用。

但要走好这条路，单是在文心大模型上发力还是不够的，还需要它背后关键的支撑点，飞桨。

飞桨：我最懂中国AI场景

百度飞桨作为一个深度学习平台，虽与文心大模型“异曲”，但从出发点和目标来看，却又有着“同工”之妙——加速AI的落地。

为此，在今年的Wave Summit峰会中，飞桨也由内到外地来了个六大全新发布。其中特别亮眼的，当属飞桨与硬件伙伴进一步深化合作、全面共创，推出了飞桨硬件生态共创计划。

同样也是“归拢归拢”着来看，飞桨全新发布可以分为三大类，分别是技术、场景和生态。

首先是飞桨框架升级到了2.3版本，在开发、训练、推理部署全面升级，提升深度定制开发和自动化能力。

这是在技术层面上的能力提升，也是飞桨每年在WaveSummit上必秀的一块肌肉。

而与往年有所不同之处的是，它在场景层面上还喊出了“最懂中国AI场景”的口号。

为此，百度飞桨先是发布了一张训推一体导航图。

这张导航图是基于去年发布的推理部署导航图升级而来，目的就是为AI 产业应用落地提供从开发、训练到推理部署的全流程智能导航。

其次，百度飞桨推出了一个产业模型选型工具。有了它，就有一种“妈妈再也不用担心我选模型了”的感觉。

因为产业模型选择工具，是飞桨长期在产业长期“打拼”所总结的经验心得，还手把手教你的那种。

紧接着，飞桨还把产业级模型库做了开源。

这个模型库包含超过500个开源算法，而且以产业场景出发，能够在性能和精度做到平衡的特色模型，也从原先的13个增添到了23个。

在更聚焦的赛道上，飞桨在已有的量桨（量子机器学习）、螺旋桨（生物计算）基础上，还再添了一位新成员——PaddleScience赛桨。

赛桨是飞桨在面向AI for Science领域的全新发布，具备支持多领域多场景算例、算法和开发接口、端到端核心框架功能支持、广泛适配异构硬件四大优势。

而它的作用，依旧是为了加速加速前沿技术在产业中的应用落地。

为了让上述模型能够更方便地开发、部署和迭代，飞桨又推出了移动工作站。

只需预装飞桨EasyDL桌面版和智能边缘控制台，便可实现本地化开发和边端部署。

而在技术、场景之后，飞桨最后的一大升级，便是来自生态。

具体而言，包括三大“共创”计划，均是基于飞桨大航海计划2.0而来：

• 飞桨产业实践范例库共创计划：联合更多伙伴打造深度学习行业应用标杆，共享生态收益。
• 飞桨AI for Science共创计划：协同产学研合作伙伴打造AI for Science开源生态，推动科研创新与产业赋能。
• 飞桨硬件生态共创计划：从共聚、共研到共创，携手合作伙伴，软硬融合创新，共建繁荣硬件生态。

以上便是百度飞桨在Wave Summit 2022中的核心发布内容。

但随之而来的一个问题便是：

为什么非要把AI门槛降下去？

落地，落地，还是落地。

这也是从此次发布会中，能够感受到的最强信号。

但若是回溯到2019年那个最初的起点，将这三年的Wave Summit铺开来看，个中原因就会一目了然。

在第一届峰会中，百度CTO王海峰便提及：

深度学习正在推动人工智能进入工业大生产阶段。

王海峰当时认为，正因深度学习具备通用性，以及深度学习平台在不断发展，所以它们正在推动AI步入一种新的模式。

这种模式可以归结为“三化”，即标准化、自动化和规模化，这也就意味着人工智能在进入工业大生产阶段。

到了2020年，“企业版平台”被纳入到了飞桨的全景图之中，并且还发布了预训练模型的开发模式。

这也就迈出了通过预训练大模型来降低AI门槛的重要一步。

而在去年，吴甜在峰会中则是提出企业AI应用三阶段：AI先行者探路、AI工作坊应用、AI工业大生产。

并且针对每一个阶段分别阐述了企业将面临的困难和挑战，以及相应的解决方案。

与此同时，在同年的12月份，文心大模型也随之正式亮相。

……

从百度走了三年的这条路来看，一个大的BGM便是“AI工业大生产”，而主旋律可以说是“降低AI门槛、应用落地”。

而能够嫁接二者的“桥梁”，便是具备通用性质的人工智能技术。

正如历史中每一次的工业大革命，都是有通用技术的普及一样，例如机械技术、电气技术和信息技术。

而在人工智能时代的当下，这种信号也是越发的强烈：

• 深度学习技术：通用性越来越强
• 深度学习技术平台：标准化、自动化和模块化越来越显著
• 深度学习应用：产业智能化越来越广泛和深入

正如飞桨三年的观察那般，AI工业大生产已然如火如荼开展起来。

以文心大模型为例，目前已经在诸如保险、银行、农业、生物医药、工业、搜索，甚至是智能音箱等领域和场景中有所涉足，在提高垂直业务效率的道路上各显神通。

平台方面，据IDC的报告，飞桨已经取得了国内深度学习平台综合市场份额第一的成绩。

而且开发者社区已经凝聚477万开发者、服务18万个企业，并且已经创建56万个模型。

基于此，接下来的一步，就是要让人工智能技术更广泛地走进千行百业。

但以大模型为代表的人工智能通用技术，因为规模过大、算力需求过强等原因，长久以来一直成为开发者诟病之处。

那么这一局，又该如何破解？

吴甜在此次峰会中说“今年是大模型产业落地的关键年”，与此同时她也给出了一种“解法”：

要做好落地，需要解决的关键问题是，前沿的大模型技术如何与真实场景的方方面面要求相匹配。

而刚才我们提到的10个新大模型、1个配套工具平台和1个生态系统，正是此“解法”的具体内容：

• 首先，是建设更适配应用场景的模型体系，包含学习了足够多数据与知识的基础大模型，面向常见AI任务专门学习的任务大模型，以及引入行业特色数据和知识的行业大模型。
• 其次，是要有更有效的工具和方法论来让大模型发挥作用，充分考虑落地应用的全流程问题。
• 最后，是要有开放的生态，以生态促创新。

若是归结为一句话，或许可以是“框架打出去，模型用起来”。

以上便是百度飞桨为什么要致力于不断降低AI门槛的原因了。

值得一提的是，虽然此次百度飞桨“前无古人后无来者”地提出了行业大模型，但它并不是否定其它大模型厂商的分类模式。

这更像是站在传统大模型的基础上，为了让它更好地能被产业用起来，而提出的一种新范式。

……

那么最后，百度飞桨已经在大模型该如何“上岗”、人工智能在工业大生产阶段发展路径等问题上，交出了一份“AI大作业”。

你觉得值得参考吗？

“