肖陽華：数千の産業に対応する大規模モデルに向けて

現在、私たちは大型モデル技術と産業発展の中期思考段階にあります。この段階は、広範囲かつ深い注目を集めた ChatGPT の誕生から始まりました。こうした関心は技術と産業の発展を促進する上で重要な役割を果たしてきましたが、一方で一連の問題も発生しています。これらには、コストと価値の問題だけでなく、「幻想」の問題などの根本的な欠陥も含まれます。これらの問題が存在するため、前半の経験と教訓を総括し、後半をより良くスタートするために、試合中盤の思考を行う必要があります。

1. 歴史的背景

1. 急速な技術開発

実際、多くの技術の発展や多くの製品の進化の背後には内部論理があり、それが時代の発展の固有の原動力となっています。 ChatGPTは昨年11月にリリースされて以来、2か月足らずでユーザー数が1億人近くを突破したが、最も人気のあるインターネット製品TikTokでは9か月近くかかった。過去 12 か月は、非常に夢のような期間だったと言えます。テクノロジーと研究開発に携わる私たちにとって、ほぼ毎日、新たな歴史的瞬間を目撃することになるかもしれません。OpenAI のあらゆる動きは、彼らのテクノロジーの多くが歴史的なブレークスルーをもたらすことが多いため、私たちの高い注目を集めるでしょう。

汎用人工知能技術の急速な発展とそのペースの大幅な加速は、古い技術が消化される前に新しい概念が出現したことを示しています。そして、過去 10 か月ほど、私たちは基本的にこの状態にあります。唯一不変なのは変化そのもののようです。テクノロジーの変化と加速は標準となっています。

2. 開発は複雑さとリスクをもたらす

急速な技術変化が当たり前となり、私たちが住む世界はますます複雑になっています。車を例に挙げてみましょう。車の構造には多数の部品やコンポーネントが必要であり、スマートカーでは数億行のコードを実行する必要があり、システムの複雑さが人間の認知能力を超えていることがわかります。したがって、私たちは現在、複雑システムの時代に生きており、私たちが直面する課題はますます複雑になっています。

社会の発展における不確実性の高まりと制御喪失のリスクにより、私たちは今日の人類社会全体に共通する命題、つまり制御喪失のリスクに対処する能力について考え始めており、その鍵となるのは強力な認知能力です。

3. ビッグモデルが未来を担う

しかし、人間の認知能力には限界があります。人間の知能は典型的な生物学的知能として比較的ゆっくりと発達しますが、機械の知能は極めて急速に発達します。したがって、歴史的な発展は、制御喪失のリスクの増大に対処するために、人間と機械の協調的認知を開発し、機械がこの複雑な世界を理解するのを支援できるようにする必要があることを私たちに教えています。

機械の認知能力は、計算能力とデータの増加とともに成長します。計算能力とデータのサポートにより、この世界の複雑さに対処するために、その能力は向上し続けています。大規模なモデルの出現は避けられなくなっています。

現在、さまざまな大規模モデルが登場し、その機能もさらに拡大しています。言語モデル、マルチモーダルモデル、具現化モデルなど、汎用人工知能の登場と進歩を目の当たりにしています。

汎用人工知能（AGI）はすでに新たな革命を起こしています。蒸気革命や電気革命といった過去の革命とは異なり、汎用人工知能は知能そのものを生み出し、その能力は社会全体のあらゆる毛細血管に浸透します。この革命は、必然的に広範囲に及ぶ影響を及ぼすでしょう。

4. ビッグモデルは私たちに何をもたらすのでしょうか?

では、ビッグモデルは私たちに何をもたらすのでしょうか?

• 大規模なパラメトリック知識コンテナ
  言語モデルは、データに含まれる知識をパラメータ化された形式でエンコードするものであり、ビッグモデルは学際的な万能モデルであり、分野を超えた知識のコンテナであることが基本的に確認されています。
• 人間の認知のエンジン
  ビッグモデルは、特に人間の認知能力などの機能を提供するものでもあります。今日の大規模モデルは、常識や概念を十分に理解し、一定の自己判断や価値判断も生成することができます。
• 自律エージェントの脳になりつつある
  大規模モデルは、自律的な知的エンティティ、つまりエージェントの頭脳になる可能性があります。将来的には、認知機能に加えて意思決定エージェントにもなり、さまざまな複雑なタスクを処理できるようになり、将来的には何千もの業界に統合されて補助的な役割を果たすようになるでしょう。
• 自然言語のギャップを埋める
  将来、人間とコンピュータのインタラクションの形式は自然言語に統一されるでしょう。従来の人間とコンピュータのインタラクションは、人間が機械に「適応」し、扱いにくく複雑なインタラクションインターフェースを採用するというものでした。ビッグモデルの時代は、人間とコンピュータのインタラクションパラダイムを自然言語に統一するでしょう。
• 言語のギャップを埋める
  かつては、専門的な仕事には機械とやりとりするための特定の形式言語（Pythonなど）が必要でした。今日では、機械が専門言語を「理解」するための障害はなくなり、専門的な仕事の敷居は大幅に下がります。

2. ポジショニングと認知

1. 大型モデルの多様な機能

大規模モデルの探索については、より明確な位置付けと理解がまだ必要です。各業界において、企業は「総合的な」ジェネラリストよりも「専門分野」のエキスパートを必要としています。そのため、総合分野のビッグモデルに注目すると同時に、垂直分野のビッグモデルも注目に値します。実際、一般的な専門的認知能力は、一般的な能力に基づいて構築されます。「一般」は「分野」を理解するための前提条件です。一般的な大規模言語モデルを「洗練」するには、一般的に言えば、トレーニングコーパスが広範で多様であるほど、一般的な大規模モデルの能力が強くなります。

さらに、1 つの例から推論を導き出す大規模モデルの能力も注目に値します。これまでのタスクトレーニングでは、モデルに特定の機能を持たせる必要がある場合、そのタイプのタスクを具体的にトレーニングする必要があり、タスクを組み合わせる機能はありませんでした。ただし、ビッグモデルでは、任意の 2 つの分野とスキルを組み合わせて革新したり、関連のない 2 つの能力を組み合わせて使用​​したりできます。

大規模モデルには強力な評価機能も備わっています。これまで、モデルのトレーニングでは、最終的にモデルの品質を評価するためにラベル付きデータに依存していました。しかし現在では、GPT4 などの優れた大規模モデルでも、適切なガイダンスがあれば、人間レベル、さらには専門家レベルの評価機能を備えることができます。

大規模なモデルが複雑なタスクを計画、実行、分解する能力も注目に値します。データ分析や統計的仮説検定などの複雑なタスクの場合、経験豊富な研究者でもレポートの出力に半日かかることがあります。しかし、エージェントが十分に強力であれば、大規模なモデルでも数十秒でプロセス全体を完了できます。

さらに注目すべきは、一般的なビッグモデルが学際的な知識において大きな利点を持っていることです。多くの場合、人間はある特定の業界の専門家にはなれますが、万能人になることは難しく、平均的な全般的なレベルは高くありません。ビッグモデルは、さまざまな分野における人間の一般知識レベルを大幅に向上させました。これにより、ビッグモデルは人間がシステムや分野を超えて専門的な作業を完了するのを支援し、システムの境界を越えた複雑なシステムの認識を可能にします。

2. To B市場向けビッグモデル

私たちがTo B市場と呼ぶことが多いエンタープライズ市場も、ChatGPTの登場により新たな変化を迎えるでしょう。従来の自動車製造業界と同様に、To B 市場向けの大型モデルの主な意義は、インテリジェント エンジンのアップグレードにあります。 To B 製品は、インテリジェント エンジンに基づいて構築されます。従来のデータ駆動型、知識駆動型、または 2 つのインテリジェント エンジンの組み合わせは、新しい大規模モデル エンジンによって再形成されます。

しかし、前述のように、大規模なモデルは、現場の複雑な意思決定アプリケーション シナリオでは依然として明らかな欠点や欠陥があり、ドメイン エキスパートの能力にはまだ達していません。したがって、将来もビッグモデルに代表されるデータ駆動とドメイン知識グラフに代表される知識駆動を組み合わせたデュアルエンジン駆動モデルが主流になると考えています。ビッグモデルはドメインエキスパートの直感的な意思決定を可能にし、ナレッジグラフはドメインエキスパートの論理的な意思決定を可能にします。この 2 つを組み合わせることによってのみ、ドメインエキスパートの問題解決能力を再現できます。従来のオペレーティングシステムと比較すると、大きなモデルはTo B製品のコントローラーとして使用できます。この分野における一定の一般知識を備えた大規模モデルとして、エンタープライズレベルのインテリジェント システムのコントローラーとして機能し、従来の IT システム (データベース、ナレッジ ベース、CRM、ERP、BI システムなど) を調整することができます。

しかしながら、上記製品の開発においては、依然として多くの困難な問題に直面しています。

• 大規模なモデルは、既存のエンタープライズ プロセスとシームレスに統合され、既存のツールやインターフェイスと効果的に接続される必要があります。
• 大規模なモデルでは、従業員や専門家との効果的なコラボレーションが必要です。
• 幻覚の問題に対処するには、大規模なモデルにドメイン知識を注入する必要があります。

3. 大規模モデルに必要な機能

何千もの業界におけるインテリジェントなアプリケーションを研究することは、本質的には複雑な認知的意思決定タスクです。実際のアプリケーション シナリオで必要なのは、マシンの複雑な意思決定能力です。複雑な意思決定はドメイン アプリケーションの基本的な特性であり、オープン チャットで解決できる問題ではありません。複雑な意思決定には、豊富なアプリケーション知識、複雑な意思決定ロジック、マクロ状況を分析して判断する能力、包括的なタスクを細分化する能力、正確で厳密な計画を立てる能力、複雑な制約の下で選択を行う能力、未知を予見する能力、不確実なシナリオを推測する能力など、多くの能力が関係します。

4. 大規模モデルの問題

大規模モデルにおいて、解決すべき最も重要かつ緊急の問題は「幻覚」問題であり、これは大規模モデルが誤った事実を捏造する傾向があることを意味します。この問題はモデル自体で解決するのは困難です。ChatGPT は多くの領域で「回答を作成」できますが、ユーザーが正しい回答を求めている場合、ChatGPT は誤解を招く回答を出すこともあります。 GPT4 では幻覚の問題を完全に解決することはできず、モデルのサイズとトレーニング量を増やすことである程度までしか軽減できません。検索エンジンに接続しても、NewBing は資料に従って回答しません。これは、翻訳と要約での観察と一致しています。

最後に、大規模なモデルではドメインの「忠実度」が欠けているという問題があります。ビッグモデルは一般的な分野からトレーニングされており、与えられた業界の知識や業界のテキストに忠実であるのではなく、ベースモデルの一般的な分野から学習した知識を使用して質問に答える傾向があります。

3. シナリオとアプリケーション

1. シーンを深く掘り下げる

ToB業界において、大きなモデルをどのように開発していくべきでしょうか？これには、シナリオとアプリケーションをさらに深く掘り下げて調査することが必要になります。

まず、大規模モデルはあらゆる人に開かれているべきです。過去には、誰もがOpenAIが一般向け大規模モデルで成功を収めるのを目撃し、その後、彼らは皆一般向け大規模モデルの軌道に押し込まれ、競争は特に熾烈でした。実際、多くの業界や分野において、大規模な垂直モデルの応用は、私たちの探求と研究にさらに値します。一般的なビッグモデルから、業界/分野のビッグモデル、シナリオのビッグモデル、科学/専門のビッグモデルまで、多くの垂直産業では、多くの専門的な科学のビッグモデルが有能である必要があります。

私が特に気になっているのは、シーンのインテリジェンスです。ビッグシーンモデルは、将来的に最初に実装される可能性が高いアプリケーションになると思います。一般的な大規模モデルは既に強力な一般知識を持っているため、一般知識に簡単な職業訓練を加えることで、人事、顧客サービス、窓口係など、最も実装しやすい仕事に就く能力を身につけることができます。これはまさに、効果的なソリューションを迅速に形成し、成果を達成できるシナリオです。標準化され、正規化され、サービス指向の作業は、機械にとって簡単に実行できます。

よく話題になる気象大型モデルや医療大型モデルに加えて、もう一つの重点分野は、プロ仕様の大型モデルです。業界には、コード、遺伝子、グラフ、表など、大規模なモデルで使用および解決できるシナリオや複雑な形式のデータが多く存在し、事前トレーニングを使用してさまざまなタイプや構造のデータを処理できます。

2. 製品形態

シナリオアプリケーションの実装においては、意思決定能力を持つエージェントは避けられないトピックになります。ビッグモデルは、自律型インテリジェントエージェントの開発を推進する重要なエンジンとなっています。 LLM は優れたコンピューティング能力とさまざまな複雑な認知能力を備えているため、膨大なデータセットを処理および理解し、世界をよりよく認識および理解することができます。その結果、大規模なモデルが自律エージェントの頭脳としての役割を担うようになってきています。彼らの「脳」の性質により、テキスト、画像、音声などを含む多様な情報源を処理することができ、それによって周囲の状況をより包括的に理解できるようになります。

自律エージェントは、LLM の機能を活用して、人間の介入なしにタスクを独立して実行し、意思決定を行い、学習して改善することができます。この自律性により、特定のタスクにおいて驚くべき柔軟性と適応性を発揮することができ、さまざまなニーズにより適切に対応できるようになります。

旅行エージェントを例にとると、エージェントは、環境認識、シナリオ認識、ツールの使用、運用計画、共同協力、意図理解、制約計画、性格適応など、意思決定プロセスにおいて多くの機能を備えている必要があります。

もう一つの重要な製品形態は、統合されたインテリジェントなエンタープライズ情報ポータルです。現在、企業はERP、OA、コードベース、ナレッジマネジメントプラットフォームなど、複数の情報システムを持っていることがよくあります。将来的には、ビッグモデルは、一般的な知識、タスク分解、計画機能を使用して、従来のITシステム（データベース、ナレッジベースなど）を調整し、連携できるようになります。

最後に注目すべきはデータ要素です。データが資産となり、流通し、取引されるためには、複雑なデータガバナンスの問題が伴います。データベース内の誤りや直感に反するデータについては、人手やルールによる従来の処理方法では、膨大な量のデータを処理することができません。ビッグモデルに対する一般的かつ常識的な理解は、データガバナンス、データ評価、データ分類などのタスクを実行するのに役立ち、データの価値を実現するための重要な方法になります。

4. コストと価値

1. 大型モデルのコスト

過去に、コストを無視した大規模な R&D モデルは絶対に機能しないことがわかりました。大型モデルならコストを大幅に節約できます。 1 つ目は人件費です。従来の特徴エンジニアリングでは、特徴のラベル付けを専門家に依頼していましたが、現在では大規模なモデルでも簡単なプロンプトでこれを行うことができます。

しかし、大型モデルにはそれ自体のコストも莫大なものとなります。大規模モデルのコスト = トレーニング コスト + アプリケーション コストであり、これは真剣に考慮する必要があり、無視することはできません。 GPT4 規模の大規模モデルを 1 回改良するコストは 6,300 万ドル近くになり、ほとんどの企業にはこの費用を負担する余裕がありません。さらに、高頻度のアプリケーションは許容できないアプリケーション コストをもたらす可能性があります。使用需要が増加するにつれて、API 呼び出しのコストを過小評価してはなりません。

2. コスト削減方法

コストを管理するには、大規模モデルと小規模モデルの連携に頼る必要があります。これは、アプリケーション コストを削減する効果的な方法です。単純な例の大部分 (80-20 ルール) では、従来の BERT モデルで解決でき、その適用コストはごくわずかです。ある程度の常識的な理解と複雑な推論を必要とするサンプルに遭遇した場合は、大きなモデルにそれを完了させる必要があります。さらに、小型モデルの役割はコスト削減だけではありません。大型モデルと小型モデルは互いに補完し合い、互いの長所を生かすこともできます。説明可能性、制御可能性、推論速度の点では、小規模モデルの方が大規模モデルよりも優れています。

コストを削減するもう 1 つの方法は、大規模なモデルとナレッジ グラフ間の相乗効果を高めることです。過去 10 年間で、多くの業界で、優れた規模と品質を備えた多数のナレッジ グラフが構築されました。ビッグモデルは、主に次の 3 つの方法でこれを活用できます。

• プロンプトの段階では、知識を活用してプロンプトをよりプロフェッショナルなものに導きます。
• 生成フェーズでは、知識強化検索を使用して生成効果を向上させます。
• 事後検証では、知識ベース内の知識を使用して生成された結果を検証し、「幻覚」の発生を回避します。

大型モデルの小型化は、大型モデルの適用コストを削減する効果的な方法の 1 つであり、大型モデルの普及と適用における重要なトレンドの 1 つでもあります。人間の脳の機能分割理論を活用して、大規模モデルの機能集約性を研究することは重要です。小型化により、携帯電話やその他のデバイスに大規模モデルを展開できるようになります。

大規模モデルの適時性も真剣に考慮する必要があります。適時性は大規模モデルの開発における中核的な競争上の優位性の 1 つだからです。財務データなどのシナリオでは、リアルタイムのデータを取得して分析できない場合、財務上の意思決定は無意味になります。適時性を確保するための暗黙的な方法には、知識の編集と継続的な学習が含まれ、明示的な方法には、記憶の強化、検索の強化、インターネット アクセスの強化が含まれます。

V. 対策と道筋

• トレーニングデータの分類システムを確立する
  「錬金術」ワークフローを排除し、トレーニング プロセスの背後にあるさまざまなデータとパラメーターに対応するモデル機能について考えます。大規模モデルの改良プロセスの重要なパラメータと大規模モデルの効果の評価システムを習得することが、モデルトレーニングの鍵となります。どのようなデータがどのような機能を決定するかは明確ですか?データ特性とモデル機能の間の因果関係を確立することが特に重要です。
  

• 大規模モデルの開発における人間の認知発達理論の重要性
  大型モデルの開発は、人間の認知発達理論によって導かれます。子供の認知能力は継続的な発達過程にあり、それが大型モデルの改良に重要な意味を持っています。大きなモデルは、わずか数か月で注意、欲求、信念を開発しました。心の理論（TOM、認知発達理論）に基づいて、人間とビッグモデルの認知発達の比較研究は、錬金術から科学へビッグモデルを展開するための重要なアイデアの1つです。
  

• 大規模産業モデルのトレーニングデータの選択
  大規模な業界モデルを微調整する場合、業界データの選択も重要な問題となります。あまりに一般的なデータは明らかに価値がなく、あまりに詳細なデータは不要です。その中で、業界特化型、直感に反する、カバレッジの高い、多様なデータだけを選択してトレーニングする価値があります。
  

• 基本モデル + 高品質の説明書 = 技術的価値
  基本モデルの機能によってシステムの上限が決まり、命令の品質によってシステムの最終的な結果が決まります。指導データにより、大規模なモデルが複雑なタスクを解決する方法を学習できるようになります。高品質の指示データはモデルの効果を増幅することができますが、逆に、品質の悪い指示データは大規模モデルの効果を損ないます。基本モデルと指示データは互いに補完し合います。ベースに重点を置いて指示を無視したり、指示に重点を置いてベースを無視したりすることはお勧めできません。
  

• 中国の大規模モデルのマルチモーダルおよびクロスモーダル認知能力を向上させる
  ビッグモデルは、テキスト、画像、表、音声などの複数のモダリティを認識する統合モデルであり、従来は実現が困難であったさまざまなクロスモダリティのオープン共同推論を実現できます。大規模モデルのマルチモーダル機能に重点を置くことで、大規模モデルの将来のアプリケーションに多くの実用的な機能をもたらすことができます。
  

• 現場重視の評価 - ログの運用と保守を例に
  運用保守データを例にとると、運用保守分野のログデータは少なく、公開データセットのタスクは単純であり、大規模なモデルではログ言語自体の特性が考慮されていないため、その構築の前提は効果的な評価と査定です。したがって、特定の分野については、評価基準として対応するベンチマークを開発することが特に重要です。
  

• 知識指向型評価
  ビッグモデルの専門知識能力を高めるために、DomMaやXiezhi（Xiezhi）-Benchmarkなどの専門知識評価基準もあり、診断と応用の観点からビッグモデルの認知心理学、学際的、多次元的な評価を行うために使用されます。問題解決能力の評価システムを早急に確立し、大規模モデルを現在の「高得点・低エネルギー」から「高得点・高エネルギー」へと導かなければなりません。
  

• 能力重視の評価：複雑な指示の理解を例に挙げる
  知識に加えて、大規模なモデルで問題を解決する能力も特に重要です。多くの大規模な国内モデルは、さまざまなランキングで優れた結果を達成していますが、実際的で複雑な問題を解決するには効果がないことがよくあります。実際のユーザー指示は複雑で、多くのタスク、フォーム、制約が混在していることがよくあります。複雑な指示を理解して解決することは、国内の大規模モデルがより注意を払うべき側面です。
  

• 知能IQテストの総合評価
  IQなどの総合的な能力の評価にも注意を払う必要があります。現時点では、大型モデルの各種能力の評価は、大型モデル全体の知能レベルを反映することが難しいため、常識と反常識の知能ゲームを使用してIQテストを実施する必要があります。
  

• 知能の総合評価 - 感情知能テスト
  IQに加えて、EQも同様に重要です。現状では、大規模モデルの各種能力の評価では、大規模モデル全体の感情能力を反映することが難しく、感情知能をテストするために共感的対話が使用されています。ユーザー指示の背後にある感情を理解し、より優れたユーザー エクスペリエンスを提供することによってのみ、製品の商業的価値を反映する機会が得られます。
  

• 大規模モデルトレーニングデータのガバナンスに注意を払い、強化する
  全体として、大規模モデルの作業の 80% 以上はデータ作業です。したがって、セキュリティと有効性のために、適切なデータ ガバナンスが非常に重要です。
  

• ドメイン固有の自己教師タスク設計に焦点を当てる
  トレーニングプロセス中は、タスクの設計にも注目する価値があります。特定のドメインの事前トレーニングタスクをカスタマイズすると、モデルの理解能力が向上します。旅行検索を例にとると、ルート計画タスクを解決するときに、参照テキストに基づいて次のトークン予測タスクを設計することは、明らかに POI データの構造と一致していません。タスクを近くの POI 予測に切り替えると、モデルの理解能力をさらに向上させることができます。
  

• 事前トレーニングを強化するためにドメイン知識に焦点を当てる
  事前トレーニング済みのモデルにはドメイン知識が不足していますが、ドメイン知識があればモデルのパフォーマンスを向上させることができます。トレーニング プロセスにドメイン知識を注入する場合は、自己教師ありタスク設計を使用して、語彙や用語などのドメイン知識の習得を学習タスクとして設計できます。
  

• 大規模モデルの認知能力をさらに向上
  ビッグモデルのすべての機能は将来さらに向上する必要があるため、長いテキスト処理、長期および短期記憶、複雑な定量的推論など、現場の実用的な問題を解決する上でビッグモデルの認知能力を継続的に向上させる必要があります。
  

• 大規模モデルの制約計画機能の改善
  大規模モデルが特定のシナリオで役割を果たすには、制約計画機能が特に重要です。ビッグ モデル エージェントを実装するための鍵は、ビッグ モデルが指示で指定された制約を理解し、制約された動作を回避し、合理的な計画を生成できるようにすることです。
  

• 大規模モデルについての推論能力を向上させ、次元と数値の認識力を高める
  今日の大規模モデルでは、数値的および定量的な理解において依然としてエラーが発生しやすい傾向があります。この問題が解決されなければ、金融やヘルスケアなど、データ量に敏感な業界では活用できなくなります。現在、学界と産業界では、データベースや知識ベースなどを追加することで、大規模モデルの定量的な理解能力の欠如によって引き起こされる問題を軽減する方法を研究開発しています。
  

• 大規模モデルの否定判定と生成能力の向上
  大規模モデルには論理的能力も欠けており、論理的判断を下し、否定やand、orなどを生成する能力も改善する必要があります。既存の研究によると、大規模なモデルはコンテキストが豊富なシナリオでは一定の否定的な判断と生成機能を備えていますが、コンテキストが少なくタスクが複雑な場合にはその機能は依然として限られています。
  

• 専門家のフィードバックに基づいて大規模なモデル生成結果を敏感に調整する
  大規模モデルが専門家のフィードバックに基づいて結果をタイムリーに調整できるかどうかは、業界での実装における重要な課題の 1 つです。運用環境では、ビッグ モデルはフィードバックに基づいて生成された結果を調整し、頑固になる (反省を拒否する) ことと中立を保つ (意見を持たない) ことという 2 つの極端なエラーを回避できます。
  

• ビッグモデルに基づく産業インテリジェンスの進化の道
  ビッグモデルの進化はまだ長いプロセスです。私たちは現在、一般的な知識の段階を過ぎて、プロのビッグモデルをトレーニングする第 2 段階に入っています。将来的には、ツールの使用方法を探求し、実践からフィードバックを得て、最終的に真の業界の専門家になる必要があります。

VI. 結論

大型モデル業界では、合理的なポジショニング、正しい理解、多様なシナリオを持ち、積極的に新しい軌道を開拓し、大型モデルのコストと価値を重視し、大型モデルと数千の業界との深い融合を推進する必要があります。ビッグモデルは単なる錬金術ではなく、持続可能な開発を達成するための科学にならなければなりません。ビッグモデルの背後にある「人間」の研究が鍵となります。