自2014年起，成都曉多科技有限公司（以下簡稱：曉多科技）在電商智能客服這個(gè)垂直領(lǐng)域，進(jìn)行了持續(xù)10余年的人工智能深耕和落地。
2023年5月，曉多科技推出了“電商專家大模型”，將人工智能技術(shù)在客服領(lǐng)域?qū)崿F(xiàn)了產(chǎn)品化和商業(yè)化；今年5月，其行業(yè)大模型“曉模型XPT”也成功通過國家生成式人工智能服務(wù)備案。
在大模型應(yīng)用元年，大模型的發(fā)展還有哪些迫切挑戰(zhàn)？垂類大模型又有怎樣的發(fā)展機(jī)遇？
曉多科技CTO向海在接受紅星資本局專訪時(shí)談到大模型現(xiàn)在最大的挑戰(zhàn)，他認(rèn)為不在于技術(shù)和成本，還是場景突破，“目前看上半年場景問題還是比較焦灼，如果有應(yīng)用跑出來，大家的信心就會更強(qiáng)。”
曉多科技CTO向海
替代人工客服大模型已做到7成，尚欠缺“情緒價(jià)值”提供
紅星資本局：我們的大模型可以做到什么程度的智能化服務(wù)？是如何像人一樣理解并回答問題的呢？最終可以實(shí)現(xiàn)“人工智能替代人工”嗎？
向海：如果客戶的問題，是非常具體的，跟商品知識、店鋪政策相關(guān)的，那么我們自己包括市面上這類大模型，它就能做到跟人一樣。在知識類的這種問答過程中大模型大概能做到95%以上的正確率。
但如果真的“像人一樣”去跟消費(fèi)者溝通，目前大模型還做不到，比如說消費(fèi)者會過來問打折送東西、價(jià)格協(xié)商這類場景，大模型現(xiàn)在的回復(fù)可能會被消費(fèi)者“牽著走”，比如有消費(fèi)者想要多點(diǎn)贈品，那大模型的判斷可能會都給消費(fèi)者，這種情況會造成一些不可控的風(fēng)險(xiǎn)。
我們的設(shè)計(jì)是在大模型前面有一個(gè)小型的模型作為分類器，知識類的問答、涉及到錢和贈品的分別是不同類型的大模型去回答。但是它還不能完全“替代”人工。在圖文理解還有局限性，溝通上也還是偏客觀的表述，還不能給消費(fèi)者更精準(zhǔn)的判斷。
簡單類目的店鋪，比如服裝這種，大模型替代人工客服已經(jīng)可以做到7、80%了，為什么還剩20%，主要就是在“人與人情緒價(jià)值”上的提供，大模型還無法準(zhǔn)確達(dá)成。
目前我們還是想在一些簡單場景上，盡可能讓大模型全部做到“全自主”。但是對一些復(fù)雜類目，想做到完全替代人，還要隨著技術(shù)的發(fā)展來突破。
紅星資本局：垂類大模型是基于通用大模型的調(diào)整而來嗎？它的能力有何不同？
向海：以我們自己為例，技術(shù)線路分兩種，一是在別人的開源基礎(chǔ)模型上去二次預(yù)訓(xùn)練微調(diào)，主要是解決預(yù)訓(xùn)練成本太高的問題。經(jīng)過這種微調(diào)之后，它會強(qiáng)化在電商領(lǐng)域的一些專業(yè)性的知識，能力上也有側(cè)重，商品的問答這一塊比較專業(yè)，但其他能力還是受損的。
第二種是我們自己從頭到尾訓(xùn)練的模型，那就是把我們的商品知識和一些高質(zhì)量的對話數(shù)據(jù)都預(yù)訓(xùn)練進(jìn)去了，它應(yīng)該是一個(gè)比較優(yōu)秀的專家客服的角色，可以完整記住一些電商場景客服的會話技巧，會話風(fēng)格，在這方面的預(yù)訓(xùn)練會更強(qiáng)一些。
垂類模型能力更“專”
紅星資本局：業(yè)內(nèi)都在說大模型的應(yīng)用落地是很難的，垂類模型是否意味著解決了場景、落地這些問題？
向海：首先垂類模型肯定是為場景而生的，所以不存在場景上的“選擇困難”。不像通用模型，什么都可以用，但到底在哪個(gè)地方最強(qiáng)，大家其實(shí)是拿不準(zhǔn)的。雖然沒有場景落地的難題，但垂類模型有一個(gè)技術(shù)落地的問題。
這跟大模型技術(shù)原理有關(guān)，必然存在幻覺和生成不可控制的情況。所以落地我們認(rèn)為要有一套衡量標(biāo)準(zhǔn)，比如說應(yīng)答，我們測它是在商品問答上比較強(qiáng)，還是商品對比上比較強(qiáng)，還是商品推薦上比較強(qiáng)？針對不同需求會有不同測試集，大模型還要經(jīng)過不斷迭代再上線。解決落地問題就是解決“幻覺”、解決準(zhǔn)確性的問題。最難的是，大模型即便回答問題能夠達(dá)到70%的正確，但剩下30%是人也很難判斷答案的好壞。這也是業(yè)內(nèi)大家共同要攻克的難題。
紅星資本局：您如何看待垂類模型的趨勢，垂類大模型的挑戰(zhàn)是什么？
向海：訓(xùn)練大模型，主要看數(shù)據(jù)和語料，通用模型的能力越來越強(qiáng)，一旦它也掌握了垂類的這些數(shù)據(jù)語料，那垂類模型相較于通用模型的優(yōu)勢就不一定存在了。而且垂類模型，并不是做垂直領(lǐng)域應(yīng)用的一個(gè)必要前提，所以業(yè)內(nèi)也是在觀望，看GPT5的智慧程度。
在垂直領(lǐng)域，也要看大模型的實(shí)力。比如招聘一個(gè)客服，上崗之前都要進(jìn)行訓(xùn)練對抗和壓力測試，在這個(gè)場景里大模型模仿消費(fèi)者，我們測試過GPT4、豆包等模型，是具備模擬消費(fèi)的能力，達(dá)到個(gè)7、80分是沒問題的，也就是說通用大模型可以實(shí)現(xiàn)這個(gè)產(chǎn)品功能，垂直行業(yè)的場景依然可以通過通用大模型來解決。
但是有些場景需要大模型達(dá)到95分以上才可用，這個(gè)時(shí)候通用大模型在精準(zhǔn)問答上的能力就不如垂類模型。從我們的業(yè)務(wù)場景出發(fā)，如果GPT4或者最好的模型都達(dá)不到需要的效果，我們認(rèn)為垂類模型還是有空間的。
垂類模型也是更“專科”的。比如最近“9.9和9.11誰大”，很多大模型都答錯(cuò)了，因?yàn)榇竽Ｐ?ldquo;文科強(qiáng)理科弱”。而在電商領(lǐng)域，有大量的數(shù)學(xué)場景，我們就要去訓(xùn)練垂類模型調(diào)用工具。識別到數(shù)學(xué)問題，是不讓它去算的，比如說推薦尺碼，是通過調(diào)用尺碼計(jì)算器，再結(jié)合商品信息適配，給出結(jié)論。
垂類模型的優(yōu)勢是尺寸更小，訓(xùn)練成本和推理成本都更低。比如訓(xùn)練10億的模型，我們大概花費(fèi)了2、300萬每次，如果訓(xùn)一個(gè)百億級的話，預(yù)計(jì)要到三四千萬左右這個(gè)水平。這相較通用大模型的成本還是成本低不少。
國產(chǎn)芯片挑戰(zhàn)除了人才還有生態(tài)
紅星資本局：您認(rèn)為國產(chǎn)芯片還有什么挑戰(zhàn)？
向海：難點(diǎn)就在于生態(tài)和人才。畢竟大家都習(xí)慣了英偉達(dá)的調(diào)試技巧，比如同樣的代碼，在國產(chǎn)芯片上的確還需要很多適配工作。會做適配工作的人才又少，這就會影響模型的驗(yàn)證和創(chuàng)新速度。國產(chǎn)芯片目前還需要所有供應(yīng)商通力配合，比如哪個(gè)地方跑不動了，哪個(gè)性能上不去了，這些都需要芯片廠商、生態(tài)供應(yīng)商和大模型企業(yè)一起去“磨”，不磨這個(gè)生態(tài)就起不來。
紅星資本局：對于大模型的算力供應(yīng)方面，您認(rèn)為業(yè)內(nèi)現(xiàn)在還有哪些瓶頸和制約？現(xiàn)在大模型發(fā)展面臨的問題，更緊迫的是這種技術(shù)突破還是這種成本的問題？
向海：目前我們看到的很大概率可能是推理這個(gè)板塊的算力會受限。大家現(xiàn)在都在想當(dāng)下怎么落地，業(yè)內(nèi)也預(yù)判殺手級的應(yīng)用會在近兩年內(nèi)爆發(fā)，隨后帶來的就是大量的推理訴求。國產(chǎn)芯片是否能夠補(bǔ)位，這里就會出現(xiàn)“卡點(diǎn)”。
現(xiàn)在應(yīng)用沒起來，在推理方面的投資比較弱，等到應(yīng)用爆發(fā)時(shí)，生態(tài)的“卡點(diǎn)”沒解決，大家可能到時(shí)還是要依賴英偉達(dá)。
我認(rèn)為現(xiàn)在大模型最大的挑戰(zhàn)，不在于技術(shù)和成本，最終還是場景突破，它到底給我們帶來了哪些用處？如果它非常有用，成本不是問題，推理算力也都不是問題。有價(jià)值就有商機(jī)，有商機(jī)就有辦法解決性能和成本問題，但看上半年場景問題還是比較焦灼，如果有應(yīng)用跑出來，大家的信心就會更強(qiáng)。
就像前陣大模型價(jià)格戰(zhàn)也是為了這個(gè)目的，我認(rèn)為價(jià)格戰(zhàn)短期還會持續(xù)，直到殺手級應(yīng)用的出現(xiàn)，大家可能會轉(zhuǎn)戰(zhàn)去卷場景。目前我也注意到一些小團(tuán)隊(duì)做應(yīng)用比較好的是在教育領(lǐng)域，比如寫論文這種，在教育領(lǐng)域的應(yīng)用我認(rèn)為會先行火起來。
紅星新聞記者 王田
編輯 肖子琦
