觀察者網(wǎng)：物聯(lián)網(wǎng)能采集到的信息，模態(tài)是非常豐富的，有物理上的聲、光、熱、電信息，還有各種化學(xué)、生物、地理信息。因?yàn)槲覀兩畹膱?chǎng)景本身就是多模態(tài)的環(huán)境。過(guò)去AI只能解決一些標(biāo)準(zhǔn)化的問(wèn)題，比如人和車的識(shí)別。而通過(guò)大模型，這些沉睡的多模態(tài)數(shù)據(jù)如果盤活，是否意味著，未來(lái)更多復(fù)雜業(yè)務(wù)都有可能落地實(shí)現(xiàn)了？能設(shè)想幾個(gè)過(guò)去還難以想象的案例嗎？

李聰廷：我覺(jué)得未來(lái)肯定會(huì)有一些復(fù)雜的業(yè)務(wù)會(huì)被實(shí)現(xiàn)。例如，GPT-4舉的例子非常典型，它可以理解“VGA端子插入手機(jī)充電口的笑話”，這在過(guò)去是無(wú)法做到的。我們可以通過(guò)大量的訓(xùn)練學(xué)習(xí)，識(shí)別VGA端子、識(shí)別手機(jī)，但我們很難具有“VGA不能插入手機(jī)”這樣的常識(shí)。大模型的理解力非常驚人，意味著過(guò)去一些技術(shù)難以實(shí)現(xiàn)的需求，可能被實(shí)現(xiàn)。

多模態(tài)，引入更多信息，這些信息的引入，在過(guò)去大部分時(shí)候是無(wú)效的，準(zhǔn)確的說(shuō)，是“無(wú)力”。因?yàn)檫^(guò)去，AI無(wú)法理解視頻中的內(nèi)容，只是對(duì)視頻中的人和車的檢測(cè)識(shí)別，更不用說(shuō)多模態(tài)的理解應(yīng)用了。舉個(gè)例子，跌倒檢測(cè)，躺在地上的人，和靠墻站的人，在相機(jī)畫面中，通過(guò)人本身是很難區(qū)分的。他們都是頭朝上，腳朝下。但引入大模型技術(shù)后，我們可以通過(guò)結(jié)合判斷周圍環(huán)境如桌椅的擺放等，區(qū)分人是躺在地上還是靠墻站。多模態(tài)引入更多信息，意味這將來(lái)能實(shí)現(xiàn)更復(fù)雜的AI需求，精度更高。

觀察者網(wǎng)：因?yàn)楦鞣N安全和隱私保密限制，物聯(lián)網(wǎng)數(shù)據(jù)不像互聯(lián)網(wǎng)數(shù)據(jù)那樣容易公開(kāi)獲取，要喚醒沉睡的行業(yè)數(shù)據(jù)，讓越來(lái)越多的公司張開(kāi)懷抱去擁抱人工智能，目前在頂層設(shè)計(jì)上還要解決哪些問(wèn)題？

李聰廷：首先，合法合規(guī)是所有商業(yè)和產(chǎn)品落地的前提。頂層設(shè)計(jì)上，國(guó)家、國(guó)際上都出臺(tái)了相應(yīng)的數(shù)據(jù)安全保護(hù)法律。

第二，數(shù)據(jù)隱私是有分級(jí)的，像人、車牌等信息是高度涉密的，廠商不能輕易獲取、留存。但有一些數(shù)據(jù)，如行為動(dòng)作類、物體識(shí)別類、缺陷檢測(cè)了，在經(jīng)過(guò)合規(guī)評(píng)估后，是可以進(jìn)行使用和訓(xùn)練學(xué)習(xí)的。

第三，我們前面提到的梧桐行業(yè)大模型，他本身是開(kāi)放能力的。對(duì)于設(shè)計(jì)安全和隱私的場(chǎng)景，我們會(huì)交給客戶自己去定義算法，數(shù)據(jù)在客戶自己手上，我們只是提供能力。

觀察者網(wǎng)：物聯(lián)網(wǎng)的另一個(gè)特點(diǎn)是邊緣的算力有限制，計(jì)算放在云端又有時(shí)延，這會(huì)制約AIoT+多模態(tài)大模型嗎？最后會(huì)撮合出不那么大，但更適合行業(yè)的“大模型”嗎？

李聰廷：現(xiàn)階段，云邊端都有大量AI落地，分工上，普通的AI任務(wù)在邊和端落地為主，這樣做更經(jīng)濟(jì)；一些復(fù)雜的AI任務(wù)在數(shù)據(jù)中心側(cè)落地。

AIoT行業(yè)目前大多數(shù)AI應(yīng)用的時(shí)延在可接受范圍內(nèi)。隨著AI算力的提升，時(shí)延會(huì)越來(lái)越小。

AIGC大模型一開(kāi)始在數(shù)據(jù)中心側(cè)落地為主，加上本身計(jì)算量比較大，一定程度上會(huì)加大這個(gè)時(shí)延。這個(gè)時(shí)延大部分場(chǎng)景是可接受的，畢竟不是自動(dòng)駕駛這類對(duì)時(shí)延極其敏感的場(chǎng)景。

另一方面，行業(yè)大模型的參數(shù)量沒(méi)有通用大模型的參數(shù)量那么大，在邊緣側(cè)的部署應(yīng)該很快就會(huì)到來(lái)。時(shí)延會(huì)比數(shù)據(jù)中心側(cè)進(jìn)一步降低一些。

總的來(lái)說(shuō)，時(shí)延在AIoT行業(yè)應(yīng)用，絕大多數(shù)場(chǎng)景，不是關(guān)鍵問(wèn)題。

觀察者網(wǎng)：您預(yù)計(jì)一下邊側(cè)是要全部升級(jí)改造嗎？

李聰廷：從長(zhǎng)線看，一定會(huì)升級(jí)，全部換代掉。但周期不是一蹴而就的，因?yàn)锳IoT行業(yè)是比較碎片化的，它的款型都是有幾千款甚至上萬(wàn)款，這個(gè)周期我覺(jué)得會(huì)非常像上一個(gè)12年到22年這樣的10年周期，像深度學(xué)習(xí)對(duì)行業(yè)的第一次變革那樣。預(yù)計(jì)10年后，幾乎所有的AIoT產(chǎn)品都或多或少用了AIGC行業(yè)大模型的能力或技術(shù)。

觀察者網(wǎng)：現(xiàn)在各家都在宣傳模型的參數(shù)量，特別是語(yǔ)言模型，從AIoT行業(yè)的應(yīng)用落地看，模型的參數(shù)量是越大越好嗎？

李聰廷：這需要結(jié)合場(chǎng)景和應(yīng)用來(lái)看。傳統(tǒng)的人、機(jī)、非檢測(cè)識(shí)別，周界類行為分析，小模型已經(jīng)做的非常成熟了，夠用了，短期內(nèi)使用大模型必要性不大。對(duì)于其它長(zhǎng)尾AI需求，大模型很有意義。但大模型也不是參數(shù)量越大越好，AIoT行業(yè)用自己的行業(yè)大模型就好了，參數(shù)量幾十億規(guī)模，不需要通用大模型動(dòng)輒上千億參數(shù)規(guī)模。最終，還是效果為王，不是參數(shù)量越大越好。另外，產(chǎn)業(yè)落地，成本始終是一個(gè)重要因素，要結(jié)合成本去定義產(chǎn)品和應(yīng)用。

觀察者網(wǎng)：如果你們?nèi)ミx不同的大模型底座，去接入，那么你們會(huì)用什么角度來(lái)評(píng)判和選擇？

李聰廷：結(jié)果說(shuō)話、實(shí)驗(yàn)數(shù)據(jù)說(shuō)話?，F(xiàn)在的“千模大戰(zhàn)”，整個(gè)環(huán)境比較亂，大家很難看清真相。原創(chuàng)的通用大模型主要還是掌握在少量的科技巨頭手里，前面也提到，算力、算法和數(shù)據(jù)的門檻很高，絕大多數(shù)企業(yè)無(wú)法企及。因此，也有不少企業(yè)是做行業(yè)大模型，構(gòu)建在通用大模型之上。宇視是AIoT行業(yè)最早提出并發(fā)布行業(yè)大模型的廠商。當(dāng)然，也有一些可能是基于插件或開(kāi)源模型做應(yīng)用的。不管哪種模式，最終都是以誰(shuí)能提供最優(yōu)的產(chǎn)品和服務(wù)，誰(shuí)能最先落地為考量項(xiàng)。

觀察者網(wǎng)：在AI的應(yīng)用落地中，容錯(cuò)率是一個(gè)關(guān)鍵考量。車輛識(shí)別假如說(shuō)我們做到99%的正確率可以接受，技術(shù)上也能成立，那么落地就比較容易。AI幫我們聽(tīng)寫一篇文章，再生成大綱，可能80%的正確率用戶就比較能接受，而在80%這一檔的潛在應(yīng)用可能不少，許多事情能夠替代最繁瑣機(jī)械的一部分，用戶可能會(huì)接受20%的錯(cuò)誤率，因?yàn)闄z查出這些錯(cuò)誤額外投入的精力依然是劃算的。而80%在技術(shù)上會(huì)大大增加可行性?；ヂ?lián)網(wǎng)的思維一直是找到更多這樣的應(yīng)用場(chǎng)景，讓技術(shù)先用起來(lái)，在使用中迭代改善體驗(yàn)，但物聯(lián)網(wǎng)的容錯(cuò)率一直是很嚴(yán)苛的，很難用這種思路落地。AIGC+AIoT產(chǎn)生的新生態(tài)，能改變這種局面嗎？

李聰廷：很好的問(wèn)題。精度越高越好，這個(gè)沒(méi)問(wèn)題。但并不意味著，只有99%甚至更高的精度才能落地、才能商業(yè)化。很多場(chǎng)景，AI作為人工的輔助工具、效率的提升工具，也是很有意義，也可以商業(yè)變現(xiàn)。特別在我們這個(gè)AIoT行業(yè)，很多場(chǎng)景對(duì)精度的要求沒(méi)有那么高，不像自動(dòng)駕駛應(yīng)用那么的苛刻。當(dāng)然，精度太低也不行，那就不是效率提升工具，而是一個(gè)制造麻煩的工具。

技術(shù)提升，一是效率提升，二是創(chuàng)造更多商業(yè)機(jī)會(huì)。回顧車牌識(shí)別應(yīng)用，早期在交通違法上應(yīng)用，哪怕只有30%的違法捕獲率，對(duì)交警人工現(xiàn)場(chǎng)執(zhí)法來(lái)說(shuō)也是巨大的效率提升。后來(lái)，園區(qū)和商場(chǎng)出入口得到應(yīng)用，識(shí)別率98%，已經(jīng)很高了，但是仍然離不開(kāi)人工，因?yàn)槊?00輛車就有2輛車需要人工處理異常。而今天，識(shí)別率已經(jīng)可以做到99.9%，很多出入口場(chǎng)景已經(jīng)是無(wú)人值守了，偶爾幾起異常通過(guò)遠(yuǎn)程呼叫可以解決。這是效率提升。從商業(yè)機(jī)會(huì)來(lái)說(shuō)，以前沒(méi)有出入口產(chǎn)品、解決方案、配套運(yùn)維、服務(wù)等，是因?yàn)锳I車牌識(shí)別這個(gè)工具的出現(xiàn)，創(chuàng)造了這個(gè)市場(chǎng)。

AIGC大模型技術(shù)也不例外，工具的提升，帶來(lái)效率的提升，進(jìn)而創(chuàng)造更多的商機(jī)。

本文系觀察者網(wǎng)獨(dú)家稿件，文章內(nèi)容純屬作者個(gè)人觀點(diǎn)，不代表平臺(tái)觀點(diǎn)，未經(jīng)授權(quán)，不得轉(zhuǎn)載，否則將追究法律責(zé)任。關(guān)注觀察者網(wǎng)微信guanchacn，每日閱讀趣味文章。