应用场景纷繁复杂叠加“作坊式”的开发模式导致传统 AI 模型商业化落地较难。
应用场景纷繁复杂叠加“作坊式”的开发模式导致传统 AI 模型商业化落地较难。传统的 AI 开发模式下，一个场景对应一个模型，数据质量差、样本少，模型精度差，并且应用场景相对单一。不同行业、不同场景对 AI 的需求既复杂且碎片化，每个痛点都需要进行定制化地开发和改造；另一方面， AI 算法从理论上能够极大提升产品及服务的价值量，但由于开发过程中存在大量的碎片化因素，不同的应用场景往往需要独立的架构设计与调参，效率相对较低。“小作坊式”的 AI 开发模式在一定程度上限制了生产力。
五个基础大模型涵盖不同方向，三层进化路径打造“实干模式”大模型。盘古大模型进化路径可分为 L0-L1-L2 三个阶段，L0 基础大模型包括业界首个千亿级生成与理解中文 NLP（中文语言）大模型、包含 30 亿+参数的 CV（视觉）大模型、具备跨模态理解、检索与生成能力的多模态大模型、致力于解决各种科学问题的科学计算大模型以及采用图网络融合技术的 Graph（图网络）大模型。L1 是在 L0 基础上导入行业数据进行训练后衍生出的行业大模型，L2 是在 L1基础上结合行业细分场景得到的推理模型，上层是在下层的基础上演化而来，层层递进，确保了在真实产业场景中的效率和适用能力。此外，一站式 AI 开发平台 ModelArts 为盘古大模型的训练和推理提供了计算优化、通信优化、存储优化以及算法优化，是盘古大模型重要的基础平台资源。
盘古大模型具备极强的泛化能力，适用大量复杂行业场景。盘古 NLP 大模型学习了 40TB 的中文文本数据，CV 大模型包含了 30 亿+参数，并通过行业数据的小样本调优，提升了模型在场景中的应用性能，提高了大模型的泛化能力以及算法对新鲜样本的适应能力，节省了 80%以上的人力标注代价。此外，基于产业场景中存在大量的内容理解需求，盘古大模型采用兼顾架构，在预训练阶段沉淀了大量的通用知识，能够同时完成理解与生成任务，使得大模型有能力支持行业知识库和数据库的嵌入，对接行业经验。盘古大模型相当于各个行业 AI 通用的“轮子”，助力各行各业加速智能化转型。
预训练+下游微调的工业化 AI 开发模式赋能千行百业。盘古大模型是一种工业化 AI 开发的新模式，可以解决小模型的定制化难题，使一个模型应用到多个场景中。盘古 CV 大模型首次兼顾了图像判别与生成能力，能同时满足底层图像处理与高层语义的理解需求，同时能够融合行业知识的微调，快速适配各种下游任务。此外，盘古 CV 大模型在预训练阶段主要集中在数据处理、架构设计和模型优化三个阶段进行优化，目前盘古 CV 大模型在 Image Net 1%、10%数据集的小样本分类精度上均达到目前业界最高水平，工业化 AI 开发模式有望助力各行各业加速智能化转型。
