超級平臺：大模型的發展方向與挑戰

段永朝

大模型的高質量發展，有賴于業務領域、應用場景、技術研發的協同創新，更有賴于牢固樹立公共服務、公共治理、公共安全的核心理念——追求公共利益，而不是企業的局部利益；追求互聯互通，而不是產生新的數字孤島；追求協同式開發，而不是單打獨斗的閉門造車。

過去一年里，ChatGPT引爆的大模型技術，已成為人工智能全新的應用領域。2023年7月，在北京舉辦的世界人工智能大會上，披露了近百種大模型產品，一時間，“百模大戰”成為這一領域獨特的風景。

大模型究竟是什么？能解決什么實際問題？對未來數字經濟的發展將發揮何種重要的作用？這些問題隨著大模型領域的深入討論，日漸呈現出面向產業、面向應用、面向深度創新的態勢。

簡單說，大模型指的是擁有數十億至數百億個參數的神經網絡模型。從應用角度說，大模型可以完成圖像分類、機器翻譯、內容生成等任務。特別突出的是其“多模態”內容生成能力（如百度的文心大模型）。一時間，基于大模型的應用大量涌現，比如眾所周知的GPT4、PaLM2、Claude、Llama、文心一言、訊飛星火等。

人工智能從“分析式”向“生成式”轉變，可以視為人工智能這一領域創立66年來的第四次浪潮（前三次分別為符號演算、專家系統和深度學習）。這次浪潮有三個主要的特點：其一是模型參數量巨大，模型預訓練所需算力巨大；其二是采用預訓練和微調方法；其三是復雜的關系表達能力和優異的泛化能力。

與國外側重通用人工智能（AGI）不同，國內大模型側重垂直類大模型，在交通、能源、智能制造、金融、數字政務、在線辦公、生物計算等領域均有不同類型的垂直大模型出現，其中百度的文心大模型表現尤為出色。

然而，在百模大戰的背后，需要深入思考的一個問題是：依托大模型的未來數字基礎設施將會發生何種變化？由此對企業的組織形態、生產方式將會引發何種變化？進而人與智能技術的分工形式是怎樣的？下面從超級平臺、聯邦學習和智能代理，以及公共屬性——構建超級平臺的基本原則、開發大模型的協作環境等五個方面簡要分析。

超級平臺

企業智能平臺內嵌大模型，將大大提升企業基于內容的知識生產能力，比如平面設計、文案設計、智能客服、情報分析、場景模擬、生產過程仿真、產品設計、輔助決策、辦公事務處理等。垂直類大模型的興起，意味著企業對大模型的需求，大大溢出企業的運營邊界、數據邊界、管理邊界，期待在更大的數據視野下，獲得產業的環境數據、生態的全景地圖、客戶的360度畫像。

但是，在百模大戰塵埃落定的時刻，是否會孕育出“超級平臺”這樣全新的“物種”？這是一個關鍵的問題。

所謂超級平臺，是指具備行業特征、覆蓋某一特定領域，具備全時、全域、全聯通、全交互的公共服務平臺。與傳統聚焦交易服務的平臺企業不同的是：超級平臺屬于“第四方平臺”，具備行業視角，提供整合數據分析、交換、共享和價值傳遞，突出公共服務職能。

超級平臺的主要作用包括：

數據整合和分析能力：跨平臺、跨機構、跨系統整合多個數據來源，提供更全面的數據視角，并通過垂直大模型提供對該領域數字世界的實時洞察。

合作和共享：支持不同實體之間的雙向數據交換，促進更深層次的合作關系。

高級分析和洞察：基于領域、垂直大模型的典型場景和用例，提供多剖面分析功能，如預測分析、機器學習和人工智能等，以從數據中發現更深入的信息和洞察。

定制化服務：根據用戶需求提供更具定制化的服務，以滿足不同領域的特定需求。

數據安全和隱私保護：更關注數據的安全性和隱私保護，以確保數據在共享和分析過程中得到適當的保護。

在超級平臺的視野下，百模大戰塵埃落定之時，行業領域將會沉淀形成少數幾個優質的公共服務平臺。這將意味著絕大多數企業自行打造的封閉的、私有的大模型將難以有更大的生存和發展空間，轉而與超級平臺進行有效的對接。

聯邦學習

2017年，Google研究員H. Brendan McMahan等在論文“Communication-efficient learning of deep networks from decentralized data”（《一種面向分布式數據的深度網絡有效通信的學習方法》）中首次介紹了聯邦學習的概念和原理。這篇論文在機器學習領域引起了廣泛的關注，成為聯邦學習研究領域的重要里程碑之一。

聯邦學習是一種分布式機器學習方法，它的基本原理是將大模型的訓練過程，拆分為多個設備上的本地訓練和中央服務器上的參數聚合。與傳統的集中式機器學習不同，每個設備使用本地局域數據訓練模型，然后將局部模型的更新（通常是梯度）發送到超級平臺的中央服務器。中央服務器收集來自各個設備的更新，并根據一定的聚合算法（如平均）來更新全局模型。這樣，全局模型在不暴露原始數據的情況下進行了改進。

聯邦學習的方法，運用“數據可用不可見”的原則，有效地回避了數據跨區域流動的法律風險，保護了數據持有者的數據隱私，同時又促進了全局視角的數據可用，對于面向隱私的數據和設備間合作，奠定了有效的基礎，特別適用于移動設備、物聯網設備和分布式系統。

聯邦學習可以根據不同的分類方式進行劃分，其中一種常見的分類是基于數據擁有者的區分：

垂直聯邦學習（Vertical Federated Learning）：不同設備上的數據在特征維度上存在差異，但相同樣本的不同特征在不同設備上。這種情況下，垂直聯邦學習允許在保護數據隱私的前提下，進行數據合作和模型訓練。

水平聯邦學習（Horizontal Federated Learning）：不同設備上的數據在樣本維度上存在差異，但相同特征的不同樣本在不同設備上。這種情況下，水平聯邦學習可以實現不同設備間的數據合作和模型訓練。

聯邦學習在多個領域都有重要應用，包括但不限于以下方面：移動設備上的個性化模型訓練，例如移動端鍵盤的個性化建議。醫療領域中，不同醫療機構間的合作分析，而不必共享患者敏感數據。物聯網設備之間的合作分析，例如傳感器數據分析。隱私保護的機器學習任務，如用戶行為分析，而不泄露個人信息。

現階段，聯邦學習還面臨一些挑戰，主要有：較高的通信和計算成本，大量異質性數據如何有效參與訓練，如何通過局部模型聚合出全局模型，惡意參與者和隱私泄漏等安全問題，聯邦學習聚合模型的性能和收斂性，跨區域聚合模型面臨的法律合規和風控問題等。

智能代理

智能代理是一種智能計算機系統，具有某種程度的自主性和能動性，能夠在特定環境中感知和處理信息，以達到預定的目標。在大模型時代，智能代理將成為取代App的重要用戶終端（或者稱超級App），并成為用戶與超級平臺之間雙向、多向交互的重要工具。

智能代理的概念最早可以追溯到20世紀80年代。1986年，計算機科學家Michael George Dyer在一篇名為“Agent Z and intelligent agents”（《代理Z和智能代理》）的論文中，首次提出了智能代理的概念，描述了能夠自主感知、決策和行動的計算機程序。

智能代理的主要特點包括：

自主性：能夠獨立感知環境、做出決策和執行行動。

學習能力：能夠從經驗中學習，并根據環境變化調整行為。

目標導向：能夠根據預定目標或任務執行行動。

適應性：能夠適應不同環境和情境。

通信能力：能夠與其他代理或系統進行通信和協作。

智能代理在現實應用中可以用于解決許多問題，包括：

自動化任務：智能代理可以在無人值守的環境中執行任務，如自動駕駛汽車、工業生產線上的機器人等。

信息檢索和過濾：智能代理可以根據用戶的偏好和需求，自動檢索和過濾信息，以提供個性化的內容。

智能助理：智能代理可以成為虛擬助理，協助用戶完成日常任務，如語音助手、聊天機器人、智能客服等。

在超級平臺、聯邦學習的環境下，智能代理可以基于大模型來實現更復雜的決策和任務處理，并利用大模型的學習能力來提高智能代理的表現。此外，智能代理也可以在聯邦學習中充當前端設備或系統，通過協作來訓練和改進共享的模型，實現更廣泛的學習。

超級平臺、聯邦學習和智能代理之間的緊密配合，將為涌現超級平臺提供重要的支撐，構建更具智能性和協作性的人-機-環境的融合系統。

公共屬性：構建超級平臺的基本原則

大模型、超級平臺、超級App等概念，除了讓人血脈僨張、腦洞大開之外，可能存在兩方面的誤區：一個是傳統的互聯網思維的慣性，另一個是零和博弈的發展策略。

過去20年里，互聯網思維對發展互聯網經濟起到了重要的推動作用，包括社群思維、零邊際成本效應、長尾模式等。但互聯網思維中也存在若干“毒性”很強的觀念，如“速度為王、唯快不敗”“贏者通吃”“流量經營”等。一時間，互聯網疆域淪為“碾壓式創新”“掠奪式收割”的角斗場，平臺肆意追求狹隘的規模增長，運用平臺壟斷地位制定不平等的運營規則，價格歧視、惡性競爭、數據隱私泄漏、過度營銷、平臺孤島等亂象頻出。

大模型、超級平臺、智能代理和超級App，因其跨平臺、跨主體的數據聚合能力，使得數字時代涌現的新物種，必須在互聯互通、協作共生、監管合規、安全有效的原則下開展運營，必須以公共利益、公共治理、公共服務和公共安全中共有的“公共屬性”為重要的基本原則。

構建大模型應用涉及許多重要的原則，包括公共利益、公共治理、公共服務和公共安全。這些原則有助于確保大模型應用的合理性、可持續性和社會影響的積極性。

公共利益（Public Interest）：公共利益是指在社會范圍內符合廣大人民群眾的利益，涉及社會的整體福祉和公共目標。在構建大模型應用時，必須確保應用的設計、功能和影響是有益于社會和公眾的。大模型應用應該服務于廣大人民的需求，提供有意義、實用和有效的解決方案，以促進社會共同進步和可持續發展。

公共治理（Public Governance）：公共治理是指社會各方面的參與和合作，通過政府和非政府機構來管理和解決問題。在大模型應用中，公共治理要求建立透明、開放、合作的決策過程和管理機制。各方利益相關者應該參與到應用的規劃、設計和監管中，以確保決策的公平性、合法性和民主性。

公共服務（Public Service）：公共服務是政府、組織或機構向社會提供的服務，旨在滿足人們的基本需求和社會發展的需要。大模型應用應該被視為一種公共服務，為社會提供有益的功能和服務。這包括通過大模型來改善教育、醫療、交通、環境等方面的問題，以提高公眾生活質量，促進高質量發展。

公共安全（Public Safety）：公共安全是指維護社會秩序、保護人民生命財產安全的任務和責任。在大模型應用中，保護用戶數據隱私和信息安全是至關重要的。應該采取有效的隱私保護措施，防止數據泄露、濫用和侵犯，以確保用戶的信息得到適當的保護。

開發大模型的協作環境

2023年2月27日，中共中央、國務院發布《數字中國建設整體布局規劃》，這是未來15年中國數字經濟、數字社會、數字政務、數字文化和數字生態文明建設的綱領性文件。這個文件高度概括并提出了建設“數字基礎設施大動脈”“數字資源流通大循環”的兩大基礎，提升創新能力、安全能力兩大能力，拓展數字治理環境、國際交流協作環境兩個環境建設的重要框架。文件中明確指出“橫向打通、縱向貫通、協調有力”的指導思想，明確“互聯互通”是數字中國建設的首要支撐。

在這個總體思路下，未來無論通用大模型、行業與領域的垂直大模型，在度過“百模大戰、百模爭先”的階段之后，勢必會逐漸形成不同細分領域、不同區域的專屬大模型。這個大模型以及所支撐的超級平臺，將大大削弱傳統平臺單一的經濟屬性，強調其管理、運營、安全和服務的公共屬性。在這個歷史發展過程中，企業發展大模型的基本思路，就有別于以往“競爭性技術應用”的思路，而是“開放協作式技術應用”的思路。

具體而言，就是企業將依托頭部企業所提供的智能技術開發環境、開發技術，依托開發者社群和開發資源，共建本行業的超級平臺，為訓練大模型增添本地的局域資源，最終享有行業的整合資源優勢，把企業的優勢資源聚焦到生產過程和產品創新中來。

以百度為例。百度與大模型相關的智能科技布局，是國內唯一涵蓋高端芯片（昆侖）、大規模深度學習與開發者社區（飛槳）、文心大模型、原生插件和大量行業應用場景的高科技企業。目前飛槳平臺已經凝聚800萬名開發者，服務22萬家企事業單位；飛槳星河大模型社區，依托600萬+開發項目，形成了超過300個大模型創意應用；基于飛槳系統，已經創建了80萬個模型。

千帆大模型，是百度智能云推出的全球首個一站式企業級大模型平臺，以文心大模型為核心，同時全面接入Llama2全系列、ChatGLM2-6B、RWKV-4-World、MPT-7B-Instruct、Falcon-7B等33個大模型，成為國內擁有大模型最多的平臺。

借助百度千帆大模型，已經在智慧能源、智能制造、智慧金融、數字政務、智慧交通等領域獲得豐富的應用場景。

大模型的高質量發展，有賴于業務領域、應用場景、技術研發的協同創新，更有賴于牢固樹立公共服務、公共治理、公共安全的核心理念——追求公共利益，而不是企業的局部利益；追求互聯互通，而不是產生新的數字孤島；追求協同式開發，而不是單打獨斗的閉門造車。只有更新理念、更新思路、更新方法，建設數字中國的過程中，才有可能更加順暢地面對新挑戰、創造新生態、擁抱新變化。

（作者為杭州師范大學阿里巴巴商學院特聘教授，葦草智酷創始合伙人，信息社會50人論壇執行主席）

責任編輯：馬莉莎