老被人說在大模型競賽中掉隊的華為，這次終于帶著它的家伙事兒來了。

這不，在昨天的華為開發(fā)者大會 2023 上，華為就狠狠地秀了一把。

將近三個小時的發(fā)布會，還是繼承了華為以往大雜燴的風(fēng)格，看得世超是眼花繚亂。

不過，總結(jié)下來其實也就突出了一個主題：盤古大模型 3.0 。

其實就在前幾天，當(dāng)別的大模型還在比各種評分的時候，盤古靠著世界頂級期刊 Nature 認證的金字招牌，以一種別具一格的方式進入了大家的視野。

據(jù)說，加入了盤古大模型，氣象預(yù)測的速度提高了 10000 倍以上，幾秒鐘就能出結(jié)果，臺風(fēng)打哪來，幾點來，啥時候走，都能給你預(yù)測得明明白白的。

最主要的是，它的預(yù)測精度甚至超過了號稱全球最強的歐洲氣象中心的 IFS 系統(tǒng)，算是頭一個 AI 預(yù)測贏了傳統(tǒng)數(shù)值預(yù)測的產(chǎn)品。

要知道，以往的 AI 氣象預(yù)測多是基于 2D 神經(jīng)網(wǎng)絡(luò)開發(fā)，但氣象這玩意實在是太復(fù)雜了，2D 著實有點兒吃不消。

而且，之前的 AI 模型會在預(yù)測的過程當(dāng)中不斷累計迭代的誤差，容易影響到結(jié)果的精確性。

所以 AI 預(yù)測方法一直都不咋受待見。

而盤古氣象大模型牛就牛在，他們用了個叫 3DEST 的三維神經(jīng)網(wǎng)絡(luò)來處理氣象數(shù)據(jù)， 2D 干不了的那就換 3D 來。

3DEST 的網(wǎng)絡(luò)訓(xùn)練和推理策略

針對迭代誤差的問題，模型還用了個 “ 層次化時域聚合策略 ” 來減少迭代誤差，從而提高預(yù)報的精度。

這詞兒雖然聽起來挺容易被唬住的，但其實很好理解。

就比如，之前的 AI 氣象預(yù)測模型 FourCastNet ，在臺風(fēng)來之前，它會提前 6 小時進行預(yù)測，在這 6 個小時里，模型會多次計算臺風(fēng)到底啥時候來。

可能一會兒算出來 5 個小時，一會兒又算出來 4 個半小時，這些結(jié)果加到一起誤差就大了。

但盤古氣象大模型想了個法子，訓(xùn)練了 4 個不同預(yù)報間隔的模型，分別是 1 小時迭代 1 次，還有 3 小時、 6 小時和 24 小時迭代 1 次。

再根據(jù)具體的氣象預(yù)測需求，選擇相應(yīng)的模型進行迭代。

就比如說，咱們?nèi)绻A(yù)測未來 7 天的天氣，那就讓 24 小時的模型迭代 7 次；預(yù)測 20 個小時就是 6 小時的模型迭代 3 次 +1 小時的迭代 2 次。

迭代次數(shù)越少，誤差也就越小。

這波操作，讓天氣預(yù)報又邁向了一個新的 level 。

不過，可能有差友開始犯嘀咕了，人家的大模型都是生成圖像和文字，怎么到華為這就變成了天氣預(yù)報了？

有一說一啊，這盤古大模型跟咱之前接觸到的 ChatGPT 、 Midjourney 的確不太一樣，人家做的是行業(yè)的生意。

簡單來理解，就是盤古大模型咱個人一般用不上。

它并不是大家期待的 ChatGPT“ 克星 ” ，而是針對平時不太能接觸到的To B 市場。

咱先不提難與不難，至少華為這么多年積累下來的企業(yè)客戶資源，確實很容易變現(xiàn)。

而且華為這次的發(fā)布會可不止帶來了氣象預(yù)測模型這一個狠角色。

40 多年都沒發(fā)現(xiàn)新的抗生素，盤古藥物分子大模型一來就找著了超級抗菌藥 Drug X ，而且藥物的研發(fā)周期從數(shù)年縮短至幾個月，研發(fā)成本降低 70% 。

盤古礦山大模型也能深入到采煤的 1000 多個工序之中，而且光是里頭挑選精煤的這一個環(huán)節(jié)，就能讓精煤回收率提升 0.1% 到 0.2% 。

要知道，一家年產(chǎn) 1000 萬噸焦煤的選煤廠，每提升 0.1% 精煤產(chǎn)率，每年就能多 1000 萬的利潤。

這可都是白花花的銀子啊。。。

事實上，除了上邊兒咱提到的天氣預(yù)測、藥物研發(fā)和選煤，盤古大模型在很多行業(yè)里都已經(jīng)用起來了。

發(fā)布會上，華為云人工智能首席科學(xué)家田奇就表示，華為云人工智能項目已經(jīng)應(yīng)用在了超過 1000 個項目中，其中 30% 用在客戶的核心生產(chǎn)系統(tǒng)里，平均推動客戶盈利能力提升了 18% 。

而華為能夠量產(chǎn)這些各不相同的行業(yè)大模型，要歸功于華為盤古大模型 3.0 的 5+N+X 三層架構(gòu)。

正是這種結(jié)構(gòu)，讓盤古能夠快速落地到各個行業(yè)里。

為什這么說呢？

因為 AI 落地行業(yè)，數(shù)據(jù)是一大難點。

張平安在發(fā)布會上就說， “ 由于行業(yè)數(shù)據(jù)獲取難，技術(shù)與行業(yè)結(jié)合難，大模型在行業(yè)的落地進展較慢。 ”

而盤古則很巧妙，通過 5+N+X 的三層架構(gòu)，直接把這個大難題拆成了 3 個小問題來解決。

首先，是先讓盤古 L0 層的 5 個大模型，學(xué)習(xí)了上百 TB 的百科知識、文學(xué)作品、程序代碼等文本數(shù)據(jù)，以及數(shù) 10 億張帶文本標(biāo)簽的互聯(lián)網(wǎng)圖像。

咱們可以理解為，先讓第一層 L0 的大模型（ 自然語言大模型、視覺大模型、多模態(tài)大模型、預(yù)測大模型、科學(xué)計算大模型這 5 個基礎(chǔ)大模型 ）建立起基本的認知，也就是有點像咱們大學(xué)前的素質(zhì)教育階段。

然后，在第二層 L1 中的模型，則是讓 L0 中的某一個基礎(chǔ)大模型學(xué)習(xí) N 個相關(guān)行業(yè)的數(shù)據(jù)形成的。這就像大學(xué)的本科階段，需要選擇各種專業(yè)去學(xué)習(xí)。

打個比方，醫(yī)院里的 CT 影像檢測跟工廠的圖像質(zhì)檢雖說用的都是視覺大模型。

但畢竟一個是醫(yī)院，一個是工廠，使用場景完全不一樣，光靠基礎(chǔ)大模型那肯定行不通，但如果把行業(yè)數(shù)據(jù)加進去，可能就有驚喜了。

最后的 L2 ，則類似研究生，會在具體行業(yè)的基礎(chǔ)上再細化到某個場景。比如在倉儲物流行業(yè)里，貨物的運輸、入庫、出庫可能都需要用到不一樣的部署模型。

與此同時呢，華為還在里頭加入一個反饋環(huán)節(jié)，有點進公司實習(xí)內(nèi)味了。

根據(jù)他們的說法，過去開發(fā)一個 GPT-3 規(guī)模的行業(yè)大模型，通常需要 5 個月；而有了這套東西，開發(fā)周期能縮短至原來的 1/5 。

同時很多行業(yè)數(shù)據(jù)集小的限制也能被解決。比如造大飛機這種很細很細的行業(yè)，也能有大模型。

除了這一套大模型，華為這次還提出了個非常有意思的東西——算力國產(chǎn)化。

眾所周知，咱們在 AI 算力方面，確實是比較尷尬。

一來， AI 行業(yè)的核心設(shè)備英偉達的 H100/A100 咱們買不到，二來，即使英偉達 “ 貼心 ” 出了平替 H800 ，但是也有所保留。比如，在傳輸速率上就砍了不少。

在大模型動輒幾個月訓(xùn)練時間的背景之下，這就很容易被算力更強的國外同行彎道超車。

而這一回，針對這個問題，華為還是掏了些真家伙出來的。

比如，在紙面性能上，華為的昇騰 910 處理器已經(jīng)夠上了英偉達 A100 。

不過實際應(yīng)用起來，還是有一些差距的。而且 A100 這也不是英偉達的終極武器。

但是，昇騰已經(jīng)受到了不少友商的認可。華為甚至在發(fā)布會上，直接表示 “ 中國一半大模型的算力都是由他們提供的 ” 。

當(dāng)然，華為這會兒在算力上的亮點，更像是整個軟件生態(tài)帶來的。

比如，根據(jù)發(fā)布會的說法，算上 AI 昇騰云算力底座、計算框架 CANN 。。。等環(huán)節(jié)，華為在訓(xùn)練大模型方面，效率是業(yè)界主流 GPU 的 1.1 倍。

還有，他們給用戶制定好了全套的應(yīng)用套餐。

例如，美圖僅用 30 天就將 70 個模型遷移到了華為生態(tài)。同時華為還表示，在雙方的努力下，AI 性能較原有方案提升了 30% 。

還是挺可觀的。

而且華為還說，他們現(xiàn)在有近 400 萬的開發(fā)者，這個數(shù)量，是和英偉達 CUDA 生態(tài)對齊了。

這一系列的動作，算是把短板補上了一部分。

總的來說，一場華為發(fā)布會看下來，差評君覺得華為在 AI 方面的布局是很深刻的，他們早就開始思考 “AI 真正能帶給我們什么 ” 這個問題了。

過去半年里， AI 行業(yè)雖然掌聲雷動，但是真正落到行業(yè)層面，多少有些尷尬。

而華為的這一次動作，恰好印證了如任正非說的：

“ 未來在 AI 大模型方面會風(fēng)起云涌的，不只是微軟一家。人工智能軟件平臺公司對人類社會的直接貢獻可能不到 2% ， 98% 都是對工業(yè)社會、農(nóng)業(yè)社會的促進。 ”

AI 領(lǐng)域，真正的大時代還在后頭。