专家访谈｜王本友：分不清9.11和9.9谁大？大模型该做擅长的，而不是事事完美

作为生成式人工智能的代表，大模型已经进入全新的发展阶段。

红星新闻、红星资本局与OpenEval平台联合发起“巢燧杯”大模型创新发展大赛，已于本月正式启动。2024“巢燧杯”大模型创新发展大赛由通用大模型评测、行业大模型评测大赛、专项挑战赛、大模型应用场景挑战赛四个大赛组成。

近日香港中文大学（深圳）数据科学学院助理教授、深圳市大数据研究院研究科学家王本友在接受红星资本局专访时谈到，有了垂类模型不代表就能找到垂直应用，“最后一公里”涉及的问题非常复杂。他认为，垂类模型更像“先驱者”，有望比通用大模型更早实现“收大于支”。

对于近期很多大模型在“9.11和9.9谁大”的问题上答错，王本友认为，我们应该对大模型有“不一样”的期待：让它做自己擅长的，而不是事事都完美。

王本友
有垂类模型

不代表就能找到垂直应用

红星资本局：垂类大模型与通用大模型相比，能力有何不同？

王本友：垂类模型的能力会更有侧重。比如我们自己做的华佗GPT-2，去年11月做了一个评测，当月的国家药剂师考试，不论是中医还是西医领域，华佗GPT-2领先国内所有国内中文大模型也包括GPT-4。

但也有代价，华佗GPT-2在规划能力、推理能力、数学能力是比较高水平的，但是通用能力上相对缺陷，让它写代码肯定不如GPT-4，所以提升垂直领域的同时一定是牺牲一些通用能力的。

红星资本局：垂类模型是否意味着解决了场景落地难这些问题？
王本友：垂类模型诞生一定是为了解决垂直应用的问题，但有了垂类模型，不代表就能找到垂直应用。这个“最后一公里”涉及的问题要复杂得多。

我们做华佗GPT-2也尝试了很多场景，现在看可能会有两个场景落地会比较成功。

第一个是在分诊，患者不知道去哪个科室时可以跟华佗GPT-2聊一聊，它的能力是接近分诊台护士的，通过几轮对话就能判断适合的科室。这个场景的好处是比较简单，容错率高，即便出错可能就是会耽误一点时间，但不至于出性命之忧。今年深圳市龙岗区的12家医院会上线这个场景，我们认为会缓解当地医疗资源紧张的问题。

第二个场景我认为是用医疗大模型去做特定的医疗影像的诊断，比如说看x光写报告，判断有没有什么疾病，或者做体检报告的生成。这些场景不涉及直接给用户答案，会给医生提供辅助，医生最后“把关”结果，再提供给患者。

基于这个场景，大模型还可以先去做“医生助手”，帮医生提高就诊效率和学习效率，甚至可以做一些医生、医学生的医疗培训。当然这些场景也不意味一定能成功，还需要深入这个行业去了解和打磨尝试。

垂类大模型有望提早实现“收益大于支出”
红星资本局：你认为垂类大模型发展形势如何？

王本友：大模型技术快成熟的时候，它就会散播到各行各业。目前看大家都往“垂类应用”走，把大模型放在不同垂类应用去用。但对模型而言，我们并不是“一定要做一个垂直领域的模型”。

我认为垂类模型跟通用模型可能是“合久必分，分久必合”的关系。最近一年多可以看到大模型底座发展很快，市面上也有不少接近GPT-4的模型，基于这些模型也能调出很好的效果，这就导致通用大模型得到更多关注；但是技术总会饱和，之后大家就会把通用大模型放在不同的垂类应用去试。同时垂类大模型里取得的经验，也可以反馈到通用大模型里去提升它的能力。两者我认为是相辅相成的。

我们还是希望一个模型能解决所有问题，如果只有一个模型，更多的人就可以去分摊部署的成本。但这并不意味着垂类大模型就没有价值。垂类模型可以更快去探索垂类应用存在什么问题，先看水有多深，我相信最后这些经验还是会合到一起，放到通用大模型里。

红星资本局：最近很多大模型在“9.11和9.9谁大”上答错，这是否意味着我们对大模型期待过高？

王本友：大模型跟我们理解的数字不是一个东西，对大模型而言，数字也是token（Token通常指的是语言处理过程中的一个基本单位），它的处理方式要看怎么去拆分词。本质问题在于我们把一个连续空间里边的数值映射成向量空间里面的点，这对大模型而言是比较难的。

但我认为这个问题并不需要去“解决”，大模型应该去处理它“擅长”的东西，不擅长的则通过工具来实现，比如调用计算器，这件事就很容易解决。

人也是需要工具去解决问题，所以对大模型要有“不一样”的期待：让它做自己擅长的，而不是事事都完美。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享]👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享👈

​