前文介紹:

北京時(shí)間2023年9月15日早上10:00, World Science Hill獨(dú)家專訪了北京瀾舟科技有限公司創(chuàng)始人及CEO、微軟亞洲研究院前副院長、中國計(jì)算機(jī)學(xué)會(huì)副理事長周明博士。

專訪嘉賓:周明

周明博士,北京瀾舟科技有限公司創(chuàng)始人及CEO, 中國計(jì)算機(jī)學(xué)會(huì)副理事長,是中國和國際上NLP領(lǐng)域的領(lǐng)導(dǎo)者之一,曾任國際計(jì)算語言學(xué)會(huì)主席,發(fā)表了100余篇ACL文章。他在NLP領(lǐng)域重要論文發(fā)表數(shù)目名列世界前列,谷歌H-Index 107。

在創(chuàng)辦瀾舟科技之前,周明博士曾任微軟亞洲研究院副院長,領(lǐng)導(dǎo)微軟NLP領(lǐng)域的R&D業(yè)務(wù),覆蓋了大模型、機(jī)器翻譯、搜索、聊天和對(duì)話系統(tǒng)等技術(shù)并成為微軟的重要產(chǎn)品例如Windows,Office,Azure,Cognitive Service,小冰的核心技術(shù)。

1. 能否簡單介紹一下您和您的瀾舟科技團(tuán)隊(duì)正在做的工作?

瀾舟科技是一家專注于認(rèn)知智能領(lǐng)域的人工智能公司,致力于為全球企業(yè)提供新一代認(rèn)知智能平臺(tái),助力企業(yè)數(shù)字化轉(zhuǎn)型升級(jí)。

我于2020年底預(yù)感到大模型的未來發(fā)展,離開工作了21年的微軟亞洲研究院(期間我多年擔(dān)任NLP研究的副院長),在創(chuàng)新工場支持下,著手孵化一家大模型公司。瀾舟科技公司于2021年6月正式成立。

該公司開發(fā)了著名的“孟子(Mengzi)”系列的大模型技術(shù),專注To B開發(fā)行業(yè)大模型并應(yīng)用到金融等重要領(lǐng)域。目前該公司在To B大模型研發(fā)和應(yīng)用方面,尤其是金融大模型方面,走在中國前列。

瀾舟科技公司曾獲得2021年中國HICOOL全球創(chuàng)業(yè)大賽的一等獎(jiǎng)及AI和金融賽道的第一名。它是達(dá)沃斯2023年技術(shù)先鋒(Technology Pioneers),2023年被列為The Information評(píng)選出的五個(gè)有可能成為中國OpenAI的公司之一。

2. 能否請(qǐng)您介紹一下,整個(gè)深度學(xué)習(xí)與自然語言處理這個(gè)方向從最初的 Word2vec 和 CBOW (Continuous Bag of Words),一路發(fā)展到如今以GPT4為代表的一眾大語言模型,您認(rèn)為中間經(jīng)歷了多少次重大技術(shù)創(chuàng)新?

自從深度學(xué)習(xí)被引入自然語言處理領(lǐng)域以來,這一領(lǐng)域發(fā)生了許多重要的技術(shù)進(jìn)步。下面是一些我認(rèn)為對(duì)自然語言處理產(chǎn)生重大影響的事件或算法:

●CBOW (Continuous Bag of Words)和Word2Vec

這些都是用多維向量刻畫一個(gè)詞的語義的方法,支持靜態(tài)詞匯之間、兩個(gè)句子之間的語義計(jì)算。它使得神經(jīng)網(wǎng)絡(luò)能夠更好地理解單詞之間的關(guān)系,從而提高了自然語言處理任務(wù)的性能。但是這種詞匯的語義描述方法是靜態(tài)的描述,這個(gè)問題,在后來發(fā)展出來的預(yù)訓(xùn)練模型得以解決。

●LSTM (Long Short-Term Memory) 和 GRU (Gated Recurrent Unit)

這兩種循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)解決了傳統(tǒng) RNN 中的梯度消失問題,使其更適合用于序列建模任務(wù)。

●LSTM(Long Short-Term Memory)

是一種特殊類型的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),主要用于解決傳統(tǒng) RNN 中的梯度消失問題。在傳統(tǒng) RNN 中,由于反饋權(quán)重只依賴于當(dāng)前時(shí)刻的輸出狀態(tài),因此當(dāng)遞歸層數(shù)增加時(shí),信息逐漸流失,導(dǎo)致較早時(shí)刻的信息無法傳遞給后續(xù)時(shí)刻,最終出現(xiàn)梯度消失問題。

而 LSTM 通過添加三個(gè)門控單元(輸入門、遺忘門和輸出門)以及細(xì)胞狀態(tài)更新規(guī)則,有效地緩解了梯度消失問題,并且能夠記住長期依賴關(guān)系,因而適用于需要考慮上下文信息的建模任務(wù),如語音識(shí)別、機(jī)器翻譯、情感分析等。GRU則是LSTM的一個(gè)改良。

●Transformer

Transformer是一種用于自然語言處理任務(wù)的神經(jīng)網(wǎng)絡(luò)架構(gòu),最初被應(yīng)用在機(jī)器翻譯領(lǐng)域中。它主要基于自注意力機(jī)制來實(shí)現(xiàn)對(duì)輸入序列進(jìn)行編碼和解碼操作,從而得到最終的翻譯結(jié)果。

與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)或卷積神經(jīng)網(wǎng)絡(luò)(CNN)相比,Transformer具有更好的并行性、更高效的計(jì)算速度以及更強(qiáng)的表達(dá)能力等優(yōu)點(diǎn)。

具體來說,Transformer將每個(gè)單詞表示為一個(gè)向量,然后通過多頭自注意力機(jī)制將這些向量映射到不同的特征空間中,以便提取出它們之間的相關(guān)信息。接著,使用前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Network, FNN)對(duì)這些特征進(jìn)行加權(quán)求和,最后再經(jīng)過一層線性變換和softmax函數(shù)得到整個(gè)句子的概率分布。

這種方式可以有效地捕捉長距離依賴關(guān)系,并且能夠同時(shí)考慮所有位置上的信息,因此對(duì)于一些需要全局理解的NLP任務(wù)表現(xiàn)出了很好的效果。

●BERT (Bidirectional Encoder Representations from Transformers)

這是 Google 發(fā)布的一種雙向 Transformer 模型,通過預(yù)訓(xùn)練方式大大提升了各種自然語言處理任務(wù)的表現(xiàn)。

●GPT 系列

包括 GPT、GPT-2、GPT-3 等,這些大型語言模型利用了大量數(shù)據(jù)進(jìn)行無監(jiān)督預(yù)訓(xùn)練,具有很強(qiáng)的泛化能力,可用于多種自然語言處理任務(wù)。

3. 在我的印象中,最初的自然語言處理有很多子方向,例如自動(dòng)問答,摘要生成等等。每一個(gè)子領(lǐng)域都有很多專精的研究者。但是現(xiàn)在似乎整個(gè)自然語言處理只剩下的大語言模型這一個(gè)方向,您對(duì)此怎么看?

確實(shí)如您所說,近年來大語言模型已經(jīng)成為自然語言處理領(lǐng)域中的主流技術(shù)之一,許多重要的進(jìn)展都是建立在這類模型之上?；诖竽Ｐ?幾乎所有NLP任務(wù)只需要經(jīng)過微調(diào)或者指令就可以得到不錯(cuò)的效果。

然而我認(rèn)為并不能完全否定其他子領(lǐng)域的價(jià)值和意義,因?yàn)楦鞣N類型的自然語言處理任務(wù)本身就有著各自獨(dú)特的特點(diǎn)和挑戰(zhàn),而針對(duì)這些特殊需求開發(fā)出的方法也同樣值得我們?nèi)リP(guān)注和探索。

比如,直接用大模型做某些領(lǐng)域的信息抽取任務(wù),也許不一定有用BERT(小模型)做檢索增強(qiáng)來的效果好。而且大模型本身也有很多問題,比如幻象問題、可解釋問題,這些問題也許用其他自然語言方法可以避免。大模型的算力消耗和數(shù)據(jù)消耗也產(chǎn)生嚴(yán)重的環(huán)境問題,而且也阻礙了其未來可持續(xù)性發(fā)展。

隨著大模型算法不斷發(fā)展和改進(jìn),新的技術(shù)和思想也會(huì)隨之涌現(xiàn)出來,推動(dòng)著各個(gè)子領(lǐng)域不斷進(jìn)步和創(chuàng)新。

除了幻象和缺乏可解釋之外,當(dāng)前大模型在企業(yè)應(yīng)用實(shí)際落地過程中仍面臨不少挑戰(zhàn),比如面對(duì)復(fù)雜問題時(shí)使用門檻較高、信息更新不及時(shí)、領(lǐng)域知識(shí)匱乏、無法與外部系統(tǒng)交互等等問題。這些問題催生了類似于Langchain的框架的發(fā)展,也期待著未來AI Agents的到來。

4. 我們知道現(xiàn)在的大語言模型,如 ChatGPT 相較于初代的 Transformer 而言,做了很多工程上的改進(jìn),例如 RLHF、Chain of thoughts 等等。您認(rèn)為這其中哪一樣是起到最大作用的。這一代代的大語言模型您認(rèn)為是量變還是質(zhì)變?

這是個(gè)非常有意思的問題。其實(shí)從歷史角度來看,每次新版本的大語言模型發(fā)布后,往往都伴隨著多種不同的改進(jìn)措施,很難判斷到底哪一種才是關(guān)鍵因素。我認(rèn)為首先是預(yù)訓(xùn)練數(shù)據(jù)集的增大和質(zhì)量提高;其次是模型的參數(shù)量大幅度提升。

至于RLHF,我認(rèn)為是引導(dǎo)大語言模型的輸出結(jié)果和人類的倫理規(guī)范對(duì)齊的一個(gè)技術(shù)措施,其中要讀在于保證結(jié)果的可用性。而思維鏈則是引導(dǎo)大模型進(jìn)行逐步推理或者計(jì)算得到最終結(jié)果的一個(gè)技術(shù)措施。這些都很重要,但是似乎也是理所當(dāng)然可以想象出來的措施。

至于是否屬于“質(zhì)變”,這個(gè)問題有點(diǎn)難以界定。如果按照純粹的科學(xué)標(biāo)準(zhǔn)來看,只有當(dāng)某項(xiàng)發(fā)現(xiàn)或者發(fā)明真正顛覆了原有的理論體系時(shí)才能稱得上“質(zhì)變”,但實(shí)際情況卻遠(yuǎn)沒有這么簡單。

畢竟任何一次迭代升級(jí)都不是孤立存在的,而是建立在已有基礎(chǔ)之上的繼續(xù)推進(jìn),所以應(yīng)該把它視作是一個(gè)漸進(jìn)式的過程。

5. 我們知道最近瀾舟科技也是剛剛發(fā)布了自己的400億參數(shù)孟子大語言模型,在各大榜單上取得了極佳的成績和極大的影響力,您能給大家介紹一下瀾舟的一些基本業(yè)務(wù)構(gòu)成嗎?

2021年成立以來,瀾舟科技一直致力于預(yù)訓(xùn)練模型的研發(fā)與應(yīng)用。我們?cè)?022年底推出了基于孟子預(yù)訓(xùn)練模型的認(rèn)知智能平臺(tái),包括AIGC、機(jī)器翻譯、金融NLP等20多個(gè)產(chǎn)品服務(wù)。

我們堅(jiān)定地專注于孟子大模型在垂直領(lǐng)域和專業(yè)賽道的應(yīng)用,為企業(yè)客戶量身定制解決方案,并始終秉承以客戶價(jià)值為第一的原則,持續(xù)投入行業(yè)深耕。

瀾舟科技推出了孟子大模型面向企業(yè)的“L1-L2-L3-L4”的產(chǎn)品體系。包括L1-孟子通用大模型、L2-孟子行業(yè)大模型、L3-場景服務(wù)模型和L4-AI Agents四個(gè)級(jí)別。每個(gè)級(jí)別的產(chǎn)品都具有不同的功能和優(yōu)勢。具體如下:

●L1-孟子通用大模型

提供閱讀理解、通用寫作、機(jī)器翻譯、多輪對(duì)話等通用能力。

●L2-孟子行業(yè)大模型

基于行業(yè)或者垂直領(lǐng)域?qū)I(yè)數(shù)據(jù)、聯(lián)合行業(yè)客戶和伙伴,打造出來的更加專業(yè)的行業(yè)大模型, 行業(yè)任務(wù)表現(xiàn)更優(yōu)。

●L3-場景服務(wù)模型

完全面向企業(yè)客戶的業(yè)務(wù)場景,聚焦業(yè)務(wù)效果,基于提示(prompt)工程或者微調(diào)(SFT)后實(shí)現(xiàn)更加定向的優(yōu)化效果。

●L4-AI Agents

面向復(fù)雜場景,孟子大模型擔(dān)當(dāng)”大腦“角色,將復(fù)雜場景需求自主拆解為任務(wù)列表,自動(dòng)執(zhí)行,實(shí)現(xiàn)”所說即所得“。

“在企業(yè)的數(shù)智化道路上,通用大模型和行業(yè)大模型都非常重要,通用大模型像是底座,提供未來的可能性,行業(yè)大模型更重視業(yè)務(wù)應(yīng)用。而我們?cè)谧龅木褪前研袠I(yè)伙伴的最后一公里做起來,結(jié)合業(yè)務(wù)場景,實(shí)現(xiàn)真正的價(jià)值落地。未來,我們也會(huì)繼續(xù)努力,不斷優(yōu)化和完善我們的大模型,與行業(yè)伙伴緊密合作,共同推動(dòng)人工智能技術(shù)在各個(gè)領(lǐng)域的應(yīng)用和發(fā)展”。

嘉賓:周明

主持:Mia王璟晗

作者:Mia王璟晗

（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）