ChatLaw袁粒：法律大模型是如何帮我向物业维权的？

2023年是大模型元年，也是生成式AI蓄力爆发之年，距离2022年底ChatGPT横空出世仅一年多，AI大模型已迅速赋能至千行百业。

为了推动大模型加速产业落地，继2023年11月启动AGI产业先锋营后，首钢基金参加CANPLUS联合前瞻产业研究院及华为云初创生态，发起《2024年中国AI大模型场景探索及产业应用调研报告》项目，邀请华为、腾讯、科大讯飞、第四范式、商汤科技、智谱AI、360等多家中国头部大模型公司参与，以期呈现当下国内大模型研发及应用的多样图景。

为此，我们推出**“AI大模型前沿访谈系列”**，精选部分代表企业的调研访谈内容，关心国内大模型最新进展的读者可以先睹为快。

本期访谈的对象是法律大模型ChatLaw开发团队导师、北京大学信息工程学院助理教授袁粒。2023年7月，北大团队发布了中文法律大模型ChatLaw，为大众提供普惠法律服务。作为学术派代表，袁粒解读了他对于大模型应用的思考，并分享了生活中的“大模型维权”故事。

“没有垂类模型，只有垂类应用”

Q：您是从什么时候开始进行大模型研究，并探索大模产业化应用的？

袁粒：博士期间，我专注于视觉Transformer的研究，进入北大后，就进入了大模型相关领域。2022年下半年，GPT3.5还没有发布，我们就已经开始了ChatExcel的研究工作。去年6月份，我的一些学生想到将大模型往产业化方向发展，我就开始支持他们开展科研成果转化。

Q：ChatLaw是基于通用大模型开发的吗？

袁粒：ChatLaw属于垂类大模型，最初是基于开源模型进行研发的。但是在后期，我们开始逐步训练MoE版本，也就是混合专家模型。同时ChatLaw并不是一个单独的模型，而是系列模型，它通过内部的Agent实现对不同模型的调用，其中包括关键词提取模型、针对法律垂类知识的Fine-tuning的模型等，协同为用户提供知识问答。

Q：当前，有很多公司和机构会基于通用AI大模型的能力开发相关产品和应用，您的团队则是选择构建垂类行业大模型，这种路径的优缺点是什么？

袁粒：它的优势在于比通用大模型的壁垒更高，因为通用大模型无法直接获取很多垂类数据。比如，去年开始，裁判文书网就不再对外公开。我们选择法律这个领域，也是基于北大的深厚积累。无论是在数据、认知，还是在法律行业的深入程度上，我们都是有优势的。

我有一个观点：**没有垂类模型，只有垂类应用。**如果你熟悉通用大模型无法触及的领域，同时数据的获取成本和难度极高，那你就拥有了行业壁垒和优势。通用模型拼的是算法和算力，垂类模型拼的则是对行业和行业数据的积累。

Q：相较于其他行业，政法领域对大模型的应用需求有什么特点？

袁粒：一个很大的区别在于，能否用国外的开源模型开发行业应用。比如，教育领域可以用，但是政务政法领域不同部门对法律模型有不同的需求。而且，政法领域的数据是无法上云的，必须要本地化部署。相较于教育、医疗等大模型应用的to C属性，政法领域的to B属性更强，无法在云端部署。此外，数据的安全性方面也有不同要求。

ChatLaw是如何帮我维权的？

Q：ChatLaw在通用功能上是如何帮助用户的，有哪些应用案例？

袁粒：以我自己为例，去年一段时间，我们小区的垃圾车每天早上5点就开始作业，对居民休息影响很大，向物业等各方投诉后也没有得到解决。于是，我就问了ChatLaw。ChatLaw回答，根据环境保护法，噪声也是一种环境污染，建议我检测下噪声有多少分贝。我用检测器检测后发现噪声严重超标。

ChatLaw还根据我所在小区的情况，告诉我一系列投诉渠道和方式。当然，我最后没有用到这些方式。我把检测结果等相关证据和ChatLaw生成的上诉文书一起提交给物业，其中明确指出，如果相关部门警告两次后仍未整改的，可以对物业进行罚款，情节严重的可以取消物业。最终，物业公司得以重视并很快解决了这件事。

生活中，很多人都会遇到法律方面的大小问题，然后就想办法找到做律师的朋友去咨询，有时候无法找到合适法律朋友或者找到了多少会欠点人情账。其实，一个大模型就可以给你解释得很清楚，甚至连法律文书都给你生成了，尤其是它给你提供了明确的法律依据和清晰的解决路径，从而让你有了解决问题的底气。

高校vs企业：大模型发展优劣势比拼

Q：政法属于人才密集型的工作领域，您认为大模型可以在多大程度上代替人在其中的作用？

袁粒：我们没有说过“代替”这个概念，而是“助理”。助理可以是初级、中级或高级的，帮助大家解决一些繁琐的文书写作任务，降低重复性劳动，提高工作效率。这也是我们的未来目标。

现在这个助理的阶段还比较初级，我希望可以把它不断升级，越来越智能，最终取代一部分甚至是全部底层工作，让大家能够聚焦在更高维度的工作内容上。

Q：政法领域布局大模型应用的挑战主要是什么？

袁粒：**首先就是建立信任。**鉴于政务领域的特殊性，政府部门对你的信任是非常重要的。这也是我们作为高校身份比商业公司具有优势的地方，更天然地容易获得这种信任。

其次，即便是在面向C端的应用中，相对于教育和学习这种场景，法律往往会涉及更多的个人隐私，也就更加看重数据安全性和私有化部署问题。

Q：在研发等其他领域，高校与商业公司相比又有哪些优劣势呢？

袁粒：高校天然地存在一个问题，没有产业界那么多资源，比如投资、供应链等。

但在优势方面，一是前面所说的行业积累和信任优势，二是我们有一批充满活力的优秀学生，能够更加专注地研究前沿技术。

这一波AI浪潮中，无论是通用大模型还是视觉模型，研发团队都非常年轻，我们所拥有的人才资源正是产业界急需的。在移动互联网时代，技术依赖其实没有那么强，反而产品经理的话语权更大。而现在，核心技术人才变得至关重要。

赶超OpenAI，硬件能否跟上？

Q：在未来的大模型竞争中，您认为什么样的企业和产品更容易脱颖而出？

袁粒：这几波大模型热度都是由国外巨头引领的，尤其是OpenAI，大家都想学它，但是能否学到，则要看各方面因素的影响。比如硬件上，我们就受到了算力的制约，这也是许多国内大厂在努力突破的方向。OpenAI验证了Scaling Law（尺度定律）是成立的，而Scaling Law本质就是对算力的要求。

这个问题之所以很难回答，是因为大家都在探索阶段。未来的技术迭代是否可以超越Scaling Law，研发出规模又大、能耗又低、效率又高的基础模型，现在还看不到这个迹象。所以，至少目前来看，算力和人才是至关重要的因素。

Q：您认为中国的大模型产品和技术相比国外有多大差距？我们是否有机会赶超OpenAI？

袁粒：我不敢说“赶超”，但是视觉领域的大模型差距其实并不大。Sora出来以后，大家觉得它的训练很好、效果很惊人，其实国内在这方面的积累也是很丰富的。

能否实现赶超，不是单方面的因素决定的。需要多长时间赶超？有没有巨量的资本投入？生态体系尤其是硬件能否跟上？这些都是未知的。当年，英伟达就是靠游戏存活下来，后来才发展壮大。我们是否可以支撑硬件公司成长呢？

Q：在当前的大模型应用还面临着伦理方面的挑战，作为ChatLaw的开发团队，您如何看待这个问题？

袁粒：这个问题学术界有所关注，很多学术会议上也会讨论，但是产业界的重视度并不高。我个人也认为它不是特别重要。

大模型开发本身就会设置很多约束，从产业应用来说，只要约束足够强，就会解决这方面的问题。当然，约束过强也会导致能力的损失。产业界铆足了劲往前冲，更关注的是如何把效果做好，毕竟如果基础能力都没有，更不用谈伦理道德问题了。

总之，无论它是否是一个伪命题，都不应该成为阻碍行业发展的因素。

具身智能：巨大的想象空间

Q：您预测大模型的下一个热点在哪个方向？

袁粒：必须说明，我预测的可能也是错的，因为时间点和技术难度都不可控。

我认为具身智能（EmbodiedAI）很重要9。谷歌很看重这个领域，但不知道OpenAI是不是也在开展。具身智能如果可以真正地落地，就意味着大模型和机器人的结合，这个想象空间远远超过语言和视觉大模型，甚至会革新整个工业界。

现在的机器人程序代码都是写死的，只能执行固定任务，作为工业生产的一个环节做重复性劳动。如果具身智能有了重大突破，机器人就可以变成多面手，从事不同的产线工作，或者通过自主学习把整个产线打通。

自动驾驶也属于一种具身智能，它的具身机器人就是汽车。我们以此可以想象，具身智能的大模型将会带来多么大的市场前景。

Q：你对ChatLaw有怎样的发展规划？是否还会探索政法领域之外的应用？

袁粒：首先把B端的政法服务做好，先养活团队，以此为基础拓展到C端。

我本身是做学术的，没有边界限制，而且ChatLaw也是我支持学生在做，所以我没有把自己限制在某个很小的领域。

我博士期间研究视觉方向，现在跟深圳一家企业开展深度合作，围绕视觉生成进行产业化研究。另外，在深度学习大模型的领域内，底层模型训练等工作我们都可以做，它们的底层技术是共通的，只是存在数据类型的差异。

Q：您对整个大模型行业的发展及其应用有哪些建议？

袁粒：只有一个最大的建议，就是积极拥抱变化。这个领域的发展和技术迭代非常快，对于学术界的老师而言，谁能最快地拥抱变化，谁就能最先收获成果。这一点也是我对自己的要求。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 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】

123?spm=1001.2014.3001.5501)这份完整版的大模型 AI 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】