解读李彦宏说的“不要卷模型,要卷应用”
引言
在2024年7月4日于上海世博中心举行的2024世界人工智能大会暨人工智能全球治理高级别会议全体会议上,百度的创始人、董事长兼首席执行官李彦宏提出了一个引人深思的观点:不要过度关注模型的复杂性,而应将重心放在应用的实际效果上。他强调,随着AI技术从辨别式转向生成式,技术的终极目标是为实际场景提供解决方案,而非单纯追求技术的先进性。
一、如何理解“卷模型”和“卷应用”
1.1 "卷模型"的解读
具体来说,”所谓“卷模型”,指的是去年以来,国内很多企业和科研机构在研发类似GPT的通用大模型,这类大模型的研发成本和技术壁垒很高,“内卷”后会导致大量资源浪费。
1.2 “卷应用”的解读
“卷应用”指的是应用于各行各业的垂类大模型,对“人工智能+”产业来说,这类模型产品多多益善。
“卷应用”强调的是AI技术的应用落地。它鼓励企业将重心放在如何利用现有的AI技术来解决实际问题、创造价值上,而不是无限制地在模型层面进行军备竞赛。这意味着将AI技术转化为产品和服务,让它们真正服务于社会和经济的各个层面。
二、AI技术的实际应用场景
AI技术已经深度融入了社会的各个方面,从日常生活到工业生产,再到公共服务,其应用场景日益广泛。
2.1 日常生活
在日常生活中,AI技术的应用体现在多个方面。例如,人工智能环卫机器人“小洁”在深圳的中心书城周边工作,能够自动清扫落叶和垃圾,同时具备避让行人的功能1。此外,AI数字员工客服在深圳地铁中的应用,通过智能客服中心提供信息查询、智能支付等服务,提升了出行体验。
2.2 营销领域
通过使用AI对图像应用不同的效果,改进照片质量,识别图像中的物体,以及在社交媒体上进行面部验证和检测面部特征等。
2.3 监控领域
通过监督练习、开发安全算法、识别协议等,AI能够迅速识别潜在威胁并帮助进行调查,提高安全性。
2.4 农业领域
AI技术通过自动化和机器人技术帮助农民保护作物免受各种因素的影响,如天气、杂草和市场消费率等。
2.5 客户服务领域
聊天机器人能够自动响应并提供信息,通过自然语言处理算法理解人类语言,提供个性化的服务。
2.6 网络金融场景
AI技术用于信用预测和评估、智能运营聊天机器人应答客户疑问、交易风险预警等。
2.7 智慧城市
AI技术应用于公共设施控制、灾害预测、人员识别和寻踪等,通过神经网络、演化算法等技术进行图像识别和推理分析。
2.8 电子商务
AI技术用于推荐系统、欺诈识别、营销活动、产品退货预测等,提升用户体验和商业效率。
2.9 制造业
AI技术的应用包括噪声检测系统、智能决策、数字孪生、创成式设计等,提高了产品质量、优化了生产流程、提升了决策能力。
三、追求DAU的弊端及平衡策略
3.1 DAU 概述
DAU是“Daily Active User”三个英文单词首字母的缩写,中文解释为“每日活跃用户数量”,是对单日活跃用户量去重后的数据,反应产品短期用户活跃度。
3.2 追求DAU可能带来的问题
1)忽视应用实用性和用户体验:
为了追求DAU,一些应用可能会过度依赖诱导性的内容和功能,从而忽视了应用本身的实用性和用户体验。这种做法可能导致应用功能的泛滥,不同功能之间缺乏有效的整合和协同,使得用户在使用应用时感到困扰和不便。
2)变现方式不合理:
过度追求DAU也可能导致应用的变现方式不合理,以短期用户量为导向,而忽视了长期价值的积累。这种以短期利益为导向的做法,可能会对应用的长期发展和用户留存产生负面影响。
3)数据操纵问题:
DAU是一个统计者可以自由操纵的指标。例如,一些行为(如使用第三方账号登录或分享到某个平台)也可能被计为活跃用户,但这并不是真正使用产品的用户。这种数据操纵不仅误导了决策者,还可能导致对实际用户增长情况的错误判断。
4)不是影响留存的关键因素:
DAU是一个不可采取行动、仅作为展示的粗略指标,它并不是影响产品留存的关键因素。仅仅依赖DAU做用户增长有巨大的危险,因为这可能导致对真正影响用户留存的关键因素(如用户体验、产品功能等)的忽视。
综上所述,过度追求DAU不仅忽视了应用的实用性和用户体验,还可能导致数据操纵和短期变现的问题,最终对应用的长期发展和用户留存产生负面影响
3.3 平衡策略
提升DAU的平衡策略主要涉及到对系统设计的优化、用户增长策略的调整以及产品特性的考虑。
1、系统设计优化:
- 面对千万级DAU的系统访问,需要采用开源解决方案如CudgX,通过多维度、大规模的日志数据采集以及机器学习训练分析,对服务进行数字化、指标化度量,实现精准的服务自动扩缩容。
- 缓存和数据库的弹性扩容是关键,需要预留足够的冗余度以应对快速上涨的业务流量。缓存的扩容通常以天为单位,而数据库的扩容涉及到数据同步,可能需要更长时间。
- 三级降级机制是保障千万DAU级业务的重要手段,通过主动牺牲某些系统功能和用户体验来快速释放系统冗余度,最大程度降低降级带来的影响。
2、用户增长策略调整:
- 在提升DAU的过程中,需要避免陷入思维误区,如过度依赖push通知和活动来拉动用户活跃度,这可能会导致用户流失。
- 正确的方法是优化产品特性和用户体验,而不是简单地通过发push或红包来刺激用户活跃度。例如,设计签到或打卡机制时,应考虑产品的核心价值和用户的真实需求。
3、产品特性考虑:
- 提升DAU不仅仅是希望每天登录产品的用户稳定且不断增长,更重要的是考虑如何通过产品特性和用户体验来吸引和留住用户。例如,通过优化新客补贴方式,可以有效地提升新用户的DAU。
四、个性化智能体开发
4.1 概述
在AI技术的演进中,个性化智能体的开发是实现“卷应用,不卷模型”理念的关键环节。个性化智能体,如智能助手、聊天机器人、虚拟教师等,通过深度学习和大数据分析,能够理解用户需求,提供定制化的服务,从而增强用户体验,推动行业创新。李彦宏的这一理念强调,AI应用的价值不仅仅在于吸引大量用户,更在于能否深度融入用户的生活,解决实际问题。
4.2 个性化智能体关键技术和方法
个性化智能体的关键技术和方法主要包括多模态数据融合、自适应过程模型、多智能体协作学习理论与方法、以及模型与数据融合的大模型训练方法。
1)多模态数据融合
- 这一技术体现了基于数据密集型科学的教育科学研究范式的变革,未来应着力于全时空多维度数据采集、基于多模态数据融合的学习者认知发展规律研究、智能教育产品研发以及技术伦理问题等方面。
- 通过物联网、大数据、人工智能等新兴技术与教育教学的深度融合,构建智能时代教育科学研究的新样态。
2)自适应过程模型
- 结合多智能体系统的并行处理、智能自治等优势,建立了基于多智能体的自适应过程模型,支持用户自主选择成员搜索引擎,兼顾用户兴趣及相关性的结果排序。
- 智能化兴趣挖掘与相似用户信息推荐,为互联网用户提供个性化信息检索服务,可扩展到旅游、学术、电商等垂直领域。
3)多智能体协作学习理论与方法
-
针对多智能体协作时分布式数据处理所面对的挑战,如泛化性能缺乏保障、适应性和可扩展性弱等难题,研究高效的多智能体协作学习理论与方法。
-
这包括提升多智能体协作学习系统泛化性能的算法、研究多智能体系统的适应性和可扩展性、处理和融合多模态数据的方法以增强学习效果和提升决策质量等。
4)模型与数据融合的大模型训练方法 -
研究多模态数据融合及生成的基础模型,解决数据视角、维度、密度、采集和标注难易程度不同而造成的融合难题。
-
这包括研究模态融合过程中的模态对齐问题、轻量级融合模型、使用易采集、易标注模态数据引导难采集、难标注模态数据的预训练与微调方法等,以实现多模态基础模型的生成效率提升。
这些关键技术和方法共同推动了个性化智能体的发展,使其能够在复杂多变的环境中提供更加个性化和高效的服务。
结语
李彦宏提出的“不要卷模型,要卷应用”不仅是对AI行业的深刻洞察,更是对所有致力于科技创新的企业和个人的启示。因此,未来的AI发展,应当注重应用的深度和广度,避免陷入追求表面繁荣的‘超级应用陷阱’,以实现技术与产业的深度融合,推动AI真正服务于社会和经济的发展。