超级平台：大模型的发展方向与挑战

段永朝

大模型的高质量发展，有赖于业务领域、应用场景、技术研发的协同创新，更有赖于牢固树立公共服务、公共治理、公共安全的核心理念——追求公共利益，而不是企业的局部利益；追求互联互通，而不是产生新的数字孤岛；追求协同式开发，而不是单打独斗的闭门造车。

过去一年里，ChatGPT引爆的大模型技术，已成为人工智能全新的应用领域。2023年7月，在北京举办的世界人工智能大会上，披露了近百种大模型产品，一时间，“百模大战”成为这一领域独特的风景。

大模型究竟是什么？能解决什么实际问题？对未来数字经济的发展将发挥何种重要的作用？这些问题随着大模型领域的深入讨论，日渐呈现出面向产业、面向应用、面向深度创新的态势。

简单说，大模型指的是拥有数十亿至数百亿个参数的神经网络模型。从应用角度说，大模型可以完成图像分类、机器翻译、内容生成等任务。特别突出的是其“多模態”内容生成能力（如百度的文心大模型）。一时间，基于大模型的应用大量涌现，比如众所周知的GPT4、PaLM2、Claude、Llama、文心一言、讯飞星火等。

人工智能从“分析式”向“生成式”转变，可以视为人工智能这一领域创立66年来的第四次浪潮（前三次分别为符号演算、专家系统和深度学习）。这次浪潮有三个主要的特点：其一是模型参数量巨大，模型预训练所需算力巨大；其二是采用预训练和微调方法；其三是复杂的关系表达能力和优异的泛化能力。

与国外侧重通用人工智能（AGI）不同，国内大模型侧重垂直类大模型，在交通、能源、智能制造、金融、数字政务、在线办公、生物计算等领域均有不同类型的垂直大模型出现，其中百度的文心大模型表现尤为出色。

然而，在百模大战的背后，需要深入思考的一个问题是：依托大模型的未来数字基础设施将会发生何种变化？由此对企业的组织形态、生产方式将会引发何种变化？进而人与智能技术的分工形式是怎样的？下面从超级平台、联邦学习和智能代理，以及公共属性——构建超级平台的基本原则、开发大模型的协作环境等五个方面简要分析。

超级平台

企业智能平台内嵌大模型，将大大提升企业基于内容的知识生产能力，比如平面设计、文案设计、智能客服、情报分析、场景模拟、生产过程仿真、产品设计、辅助决策、办公事务处理等。垂直类大模型的兴起，意味着企业对大模型的需求，大大溢出企业的运营边界、数据边界、管理边界，期待在更大的数据视野下，获得产业的环境数据、生态的全景地图、客户的360度画像。

但是，在百模大战尘埃落定的时刻，是否会孕育出“超级平台”这样全新的“物种”？这是一个关键的问题。

所谓超级平台，是指具备行业特征、覆盖某一特定领域，具备全时、全域、全联通、全交互的公共服务平台。与传统聚焦交易服务的平台企业不同的是：超级平台属于“第四方平台”，具备行业视角，提供整合数据分析、交换、共享和价值传递，突出公共服务职能。

超级平台的主要作用包括：

数据整合和分析能力：跨平台、跨机构、跨系统整合多个数据来源，提供更全面的数据视角，并通过垂直大模型提供对该领域数字世界的实时洞察。

合作和共享：支持不同实体之间的双向数据交换，促进更深层次的合作关系。

高级分析和洞察：基于领域、垂直大模型的典型场景和用例，提供多剖面分析功能，如预测分析、机器学习和人工智能等，以从数据中发现更深入的信息和洞察。

定制化服务：根据用户需求提供更具定制化的服务，以满足不同领域的特定需求。

数据安全和隐私保护：更关注数据的安全性和隐私保护，以确保数据在共享和分析过程中得到适当的保护。

在超级平台的视野下，百模大战尘埃落定之时，行业领域将会沉淀形成少数几个优质的公共服务平台。这将意味着绝大多数企业自行打造的封闭的、私有的大模型将难以有更大的生存和发展空间，转而与超级平台进行有效的对接。

联邦学习

2017年，Google研究员H. Brendan McMahan等在论文“Communication-efficient learning of deep networks from decentralized data”（《一种面向分布式数据的深度网络有效通信的学习方法》）中首次介绍了联邦学习的概念和原理。这篇论文在机器学习领域引起了广泛的关注，成为联邦学习研究领域的重要里程碑之一。

联邦学习是一种分布式机器学习方法，它的基本原理是将大模型的训练过程，拆分为多个设备上的本地训练和中央服务器上的参数聚合。与传统的集中式机器学习不同，每个设备使用本地局域数据训练模型，然后将局部模型的更新（通常是梯度）发送到超级平台的中央服务器。中央服务器收集来自各个设备的更新，并根据一定的聚合算法（如平均）来更新全局模型。这样，全局模型在不暴露原始数据的情况下进行了改进。

联邦学习的方法，运用“数据可用不可见”的原则，有效地回避了数据跨区域流动的法律风险，保护了数据持有者的数据隐私，同时又促进了全局视角的数据可用，对于面向隐私的数据和设备间合作，奠定了有效的基础，特别适用于移动设备、物联网设备和分布式系统。

联邦学习可以根据不同的分类方式进行划分，其中一种常见的分类是基于数据拥有者的区分：

垂直联邦学习（Vertical Federated Learning）：不同设备上的数据在特征维度上存在差异，但相同样本的不同特征在不同设备上。这种情况下，垂直联邦学习允许在保护数据隐私的前提下，进行数据合作和模型训练。

水平联邦学习（Horizontal Federated Learning）：不同设备上的数据在样本维度上存在差异，但相同特征的不同样本在不同设备上。这种情况下，水平联邦学习可以实现不同设备间的数据合作和模型训练。

联邦学习在多个领域都有重要应用，包括但不限于以下方面：移动设备上的个性化模型训练，例如移动端键盘的个性化建议。医疗领域中，不同医疗机构间的合作分析，而不必共享患者敏感数据。物联网设备之间的合作分析，例如传感器数据分析。隐私保护的机器学习任务，如用户行为分析，而不泄露个人信息。

现阶段，联邦学习还面临一些挑战，主要有：较高的通信和计算成本，大量异质性数据如何有效参与训练，如何通过局部模型聚合出全局模型，恶意参与者和隐私泄漏等安全问题，联邦学习聚合模型的性能和收敛性，跨区域聚合模型面临的法律合规和风控问题等。

智能代理

智能代理是一种智能计算机系统，具有某种程度的自主性和能动性，能够在特定环境中感知和处理信息，以达到预定的目标。在大模型时代，智能代理将成为取代App的重要用户终端（或者称超级App），并成为用户与超级平台之间双向、多向交互的重要工具。

智能代理的概念最早可以追溯到20世纪80年代。1986年，计算机科学家Michael George Dyer在一篇名为“Agent Z and intelligent agents”（《代理Z和智能代理》）的论文中，首次提出了智能代理的概念，描述了能够自主感知、决策和行动的计算机程序。

智能代理的主要特点包括：

自主性：能够独立感知环境、做出决策和执行行动。

学习能力：能够从经验中学习，并根据环境变化调整行为。

目标导向：能够根据预定目标或任务执行行动。

适应性：能够适应不同环境和情境。

通信能力：能够与其他代理或系统进行通信和协作。

智能代理在现实应用中可以用于解决许多问题，包括：

自动化任务：智能代理可以在无人值守的环境中执行任务，如自动驾驶汽车、工业生产线上的机器人等。

信息检索和过滤：智能代理可以根据用户的偏好和需求，自动检索和过滤信息，以提供个性化的内容。

智能助理：智能代理可以成为虚拟助理，协助用户完成日常任务，如语音助手、聊天机器人、智能客服等。

在超级平台、联邦学习的环境下，智能代理可以基于大模型来实现更复杂的决策和任务处理，并利用大模型的学习能力来提高智能代理的表现。此外，智能代理也可以在联邦学习中充当前端设备或系统，通过协作来训练和改进共享的模型，实现更广泛的学习。

超级平台、联邦学习和智能代理之间的紧密配合，将为涌现超级平台提供重要的支撐，构建更具智能性和协作性的人-机-环境的融合系统。

公共属性：构建超级平台的基本原则

大模型、超级平台、超级App等概念，除了让人血脉偾张、脑洞大开之外，可能存在两方面的误区：一个是传统的互联网思维的惯性，另一个是零和博弈的发展策略。

过去20年里，互联网思维对发展互联网经济起到了重要的推动作用，包括社群思维、零边际成本效应、长尾模式等。但互联网思维中也存在若干“毒性”很强的观念，如“速度为王、唯快不败”“赢者通吃”“流量经营”等。一时间，互联网疆域沦为“碾压式创新”“掠夺式收割”的角斗场，平台肆意追求狭隘的规模增长，运用平台垄断地位制定不平等的运营规则，价格歧视、恶性竞争、数据隐私泄漏、过度营销、平台孤岛等乱象频出。

大模型、超级平台、智能代理和超级App，因其跨平台、跨主体的数据聚合能力，使得数字时代涌现的新物种，必须在互联互通、协作共生、监管合规、安全有效的原则下开展运营，必须以公共利益、公共治理、公共服务和公共安全中共有的“公共属性”为重要的基本原则。

构建大模型应用涉及许多重要的原则，包括公共利益、公共治理、公共服务和公共安全。这些原则有助于确保大模型应用的合理性、可持续性和社会影响的积极性。

公共利益（Public Interest）：公共利益是指在社会范围内符合广大人民群众的利益，涉及社会的整体福祉和公共目标。在构建大模型应用时，必须确保应用的设计、功能和影响是有益于社会和公众的。大模型应用应该服务于广大人民的需求，提供有意义、实用和有效的解决方案，以促进社会共同进步和可持续发展。

公共治理（Public Governance）：公共治理是指社会各方面的参与和合作，通过政府和非政府机构来管理和解决问题。在大模型应用中，公共治理要求建立透明、开放、合作的决策过程和管理机制。各方利益相关者应该参与到应用的规划、设计和监管中，以确保决策的公平性、合法性和民主性。

公共服务（Public Service）：公共服务是政府、组织或机构向社会提供的服务，旨在满足人们的基本需求和社会发展的需要。大模型应用应该被视为一种公共服务，为社会提供有益的功能和服务。这包括通过大模型来改善教育、医疗、交通、环境等方面的问题，以提高公众生活质量，促进高质量发展。

公共安全（Public Safety）：公共安全是指维护社会秩序、保护人民生命财产安全的任务和责任。在大模型应用中，保护用户数据隐私和信息安全是至关重要的。应该采取有效的隐私保护措施，防止数据泄露、滥用和侵犯，以确保用户的信息得到适当的保护。

开发大模型的协作环境

2023年2月27日，中共中央、国务院发布《数字中国建设整体布局规划》，这是未来15年中国数字经济、数字社会、数字政务、数字文化和数字生态文明建设的纲领性文件。这个文件高度概括并提出了建设“数字基础设施大动脉”“数字资源流通大循环”的两大基础，提升创新能力、安全能力两大能力，拓展数字治理环境、国际交流协作环境两个环境建设的重要框架。文件中明确指出“横向打通、纵向贯通、协调有力”的指导思想，明确“互联互通”是数字中国建设的首要支撑。

在这个总体思路下，未来无论通用大模型、行业与领域的垂直大模型，在度过“百模大战、百模争先”的阶段之后，势必会逐渐形成不同细分领域、不同区域的专属大模型。这个大模型以及所支撑的超级平台，将大大削弱传统平台单一的经济属性，强调其管理、运营、安全和服务的公共属性。在这个历史发展过程中，企业发展大模型的基本思路，就有别于以往“竞争性技术应用”的思路，而是“开放协作式技术应用”的思路。

具体而言，就是企业将依托头部企业所提供的智能技术开发环境、开发技术，依托开发者社群和开发资源，共建本行业的超级平台，为训练大模型增添本地的局域资源，最终享有行业的整合资源优势，把企业的优势资源聚焦到生产过程和产品创新中来。

以百度为例。百度与大模型相关的智能科技布局，是国内唯一涵盖高端芯片（昆仑）、大规模深度学习与开发者社区（飞桨）、文心大模型、原生插件和大量行业应用场景的高科技企业。目前飞桨平台已经凝聚800万名开发者，服务22万家企事业单位；飞桨星河大模型社区，依托600万+开发项目，形成了超过300个大模型创意应用；基于飞桨系统，已经创建了80万个模型。

千帆大模型，是百度智能云推出的全球首个一站式企业级大模型平台，以文心大模型为核心，同时全面接入Llama2全系列、ChatGLM2-6B、RWKV-4-World、MPT-7B-Instruct、Falcon-7B等33个大模型，成为国内拥有大模型最多的平台。

借助百度千帆大模型，已经在智慧能源、智能制造、智慧金融、数字政务、智慧交通等领域获得丰富的应用场景。

大模型的高质量发展，有赖于业务领域、应用场景、技术研发的协同创新，更有赖于牢固树立公共服务、公共治理、公共安全的核心理念——追求公共利益，而不是企业的局部利益；追求互联互通，而不是产生新的数字孤岛；追求协同式开发，而不是单打独斗的闭门造车。只有更新理念、更新思路、更新方法，建设数字中国的过程中，才有可能更加顺畅地面对新挑战、创造新生态、拥抱新变化。

（作者为杭州师范大学阿里巴巴商学院特聘教授，苇草智酷创始合伙人，信息社会50人论坛执行主席）

责任编辑：马莉莎