腾讯AI大模型专家交流纪要–20230331

摘要： 1、腾讯AI大模型六个BG都有参与，其中TEG在算法上更偏general，其他BG更偏行业。 2、混元大模型万亿参数水平，相比ChatGPT性能更强，但可能比GPT4比有所不足。混元大模型目前偏自然语 言，而GPT4支持多模态。 3、推理过程边缘侧和训练侧是两套系统，是分离的。 4、目前来看通过翻译扩充中文语料提升不会很大。 5、大模型之后会接入微信、游戏、短视频、广告、TOB端等业务。 6、腾讯目前部门向上申请的资源中浪潮占比偏多。 7、目前数据均采用联邦学习计算方式进行加密，不会导致原始数据泄露。 8、精调不需要更新全部网络，不需要更新后面几层，故算力和数据要求较小。 第一部分：Q&A Q：腾讯在AI大模型方向的进展情况？混元大模型？A：腾讯的大模型情况与百度、阿里不同，我们分到了每个BG，我们有6个BG（TEG技术中台、CSIG面向B端、微 信、游戏、PCG做内容、CDG偏广告金融），其中六个BG都有做AI，都非常重视不管从投入还是老板重视程度来看，我认为AI在技术侧是腾讯numberone的地位。。 TEG类似中台，AIlab在TEG下面。混元大模型由腾讯唯一17级科学家张正友老师负责，也是AIlab的负责人。6个BG都有人在参与混元，共同推进，算法上TEG偏general，其他BG偏行业。大模型腾讯在几年前也做过，混元也有上一代产品，偏检索式。马上五月要发的是偏深层次的，对标ChatGPT。目前混元还在测试研发中。 Q：腾讯AI大模型在什么样的水平？ A：腾讯AI大模型是万亿（参数）的，虽然还未发布，但我们自己认为比ChatGPT要强，但比GPT4可能不足，GPT是支持多模态，而我们暂时偏自然语言。 Q：混元大模型的算法是腾讯原创？还是基于什么技术路线？A：算法上对标GPT，但也有不一样的地方，比如Fine-tune、RewardModel、PPO，但其实这三步都是大家需要做的事情，主要是需要自己找一些新的数据，再做数据预处理。 Q：在算力层面，腾讯云已用于AI训练的算力在什么水平？后续投入计划？A：我们投入了将近万张卡，我们在算力上还是有一定储备。我们也在内部评测华为昇腾芯片，发现有些场景下性能还可以。 Q：混元的训练数据以什么类型为主，数据来源？A：数据来源为公开中文数据集、自己内部数据。数据需要做标注等预处理工作。 Q：能否介绍一下您正在研发的产品具体情况？未来商业化场景？ A：我们主要面向B端、G端客户，后续会重点推行业的中小模型，主要有几种模式：1）对于超大客户，可能会选择从头训练一个大模型，但这种情况比较少，我们有能力去帮助客户从0到1重新训练大模型。2）基于客户的私有数据，对我们基础大模型做定制化fine-tune。3）大多数客户还是会基于其行业属性，我们一起联合训练模型。 Q：腾讯混元大模型在哪几个方面的性能强于ChatGPT？A：从参数上，我们1万亿，ChatGPT是1750亿。Q：腾讯的AI服务器用哪家较多？ A：浪潮。 Q：腾讯在AI医疗方面有没有与企业合作做AI医药研发训练，或者AI在线诊断？AI医疗数据有专门数据处理公司吗？A：我跟的领域没有做这方面的事。我知道有一个单独的团队在做DrugAI的事情，但实际做到什么程度我不清楚。也有团队在做医保卡相关的项目。数据处理公司也不太清楚。 Q：整个训练过程都是有监督条件下的大模型训练吗？A：前面模型可以做自监督，后面的要在模型上做数据标注。算法原理是先有一个一般意义上的模型，再在模型上做数据标注、排序等。 Q：在混元大模型上做行业小模型，小模型属于推理部分吗？A：大多数客户只要推理，但费用和投入肯定不一样。 Q：在推理过程中，数据传输和算力只有大模型需要还是 推理端也需要？A：取决于客户部署在哪里。如果部署在公司云上，需要采购公司算力。如果有自己的私有云，就有自己的算力。 针对数据隐私公司会加密。 Q：如果应用端是b端企业，跑行业数据会落在边缘侧和训练侧不联系吗？A：是完全隔离的，可以认为是两套系统。训练后会出参数，之后进行部署和训练是分离的。像在现在体验的ChatGPT只会用推理部分，与训练无关。 Q：以混元大模型为基础开发的行业小模型在算法上要与大模型适配？A：网络结构肯定要一致。本质上都是神经网络，训练输出权重，推理就是利用网络结构做矩阵层。 Q：结构一样可以迁移吗？A：每家都是完全不同的，像安卓安装的应用要重新开发才能安装到ios系统。 Q：英文、中文语料在AI大模型上的差异？有可能通过翻 译扩充中文语料吗？A：现在更缺的不是量，而是高质量数据。翻译本身会有信息损耗，目前英文比中文多了几倍，目前翻译不见得有 很大的提升。 Q：知识性语料翻译损耗低？文学类相对高？A：知识性英文语料在中文百科已经有了，没必要翻译。搜索频率极低的也没要必要翻译。西方文学名著应该都有翻译了，非常小众的可能没有。 Q：中国处于数据安全不太可能完全接纳ChatGPT？微软在bin和office上的Chatgpt能否通过技术优化跨过监管要求？ A：除非后续OpenAI同意把数据都放在政府监管之下，可能才能被容纳，这与技术没有关系。 Bin和office应用同样，微软要接受政府监管，技术上像VPN是不会统一的，因为从个人安全、国家安全来看，数据是重要资产。 Q：训练大模型时间？大概多久超越GPT4？ A：之前有过底座模型，现在是基于底座模型研发，不是从零开始。时间将近5月份，近小半年时间。Q：百度、华为、阿里、小米等技术层面对比？A：大家方法肯定类似，只是每家数据有差异。像百度做搜索引擎的肯定有先发优势，后续还要看把技术优势商业化能力。 Q：腾讯模型后续进入方向？A：1）微信肯定是最好的场景，因为它本身偏对话具有小程序，后续加上服务肯定有更好的体验。2）游戏上肯定设计偏创意设计，效率上肯定有提升。3）广告业务也会有很好的工具赋能。4）短视频肯定也会有很大提升。5）TOB上肯定会往各行业推大模型，因为AI本身是降本增效的工具。 Q：浪潮服务器采购量？A：服务器采购量不知道。但申请资源里浪潮偏多。 Q：大模型商业化会率先ToC还是ToC？A：同时进行，因为每个BG均有参与，同时基于其底座能力。 Q：目前是否有对外合作？A：目前SaaS加速器、微信等业务均有大量合作伙伴。原业务基于AI的部分合作业务均可以使用大模型进行替换。 Q：大模型合作中的数据保护形式？A：客户行业数据主要用于训练部分对模型进行定制。目前数据均采用联邦学习计算方式进行加密，不会导致原始数据泄露。联邦学习原理可以实现只共享数据权重，数据和权重之间是单项传递，无法倒推。 联邦学习分横向联邦、纵向联邦。联邦学习根据不同用户的权重，将训练出来的模型加权平均，再分布给用户进行下一轮训练。 Q：云端精调收费方式？ A：采纳腾讯IaaS算力进行训练，腾讯也有自己的特殊数据帮助客户训练。 Q：精调与预训练两个过程对芯片要求是否有区别？A：预训练主要是通过反向传播对全量网络进行更新。但精调不需要更新全部网络，不需要更新后面几层，故算力和数据要求较小。 Q：有一定算力基础的厂商是否可以自己进行精调？A：腾讯万亿量级底座效果会较好，但目前斯坦福也已经推出了小参数但效果不错的模型。伴随算法不断迭代，未 来算力不会是瓶颈，数据才更为重要。 Q：若使用昇腾芯片，会通过使用华为云还是采购芯片第三方代工方式？A：从技术来说是都可行的，但是从成本上来说，华为云成本会比采购更低。但腾讯肯定不会使用华为云，会使用自建云。对客户来说，还需要考虑的方面是数据安全性。但将数据交给国内大厂都是较为安全的。