红星专访晓多科技：展望科技新前沿

自2014年起，成都晓多科技有限公司（以下简称：晓多科技）在电商智能客服这个垂直领域，进行了持续10余年的人工智能深耕和落地。

2023年5月，推出了“电商专家大模型”，将人工智能技术在客服领域实现了产品化和商业化；今年5月，其行业大模型“晓模型XPT”也成功通过国家生成式人工智能服务备案。

在大模型应用元年，大模型的发展还有哪些迫切挑战？垂类大模型又有怎样的发展机遇？

晓多科技CTO向海在接受红星资本局专访时谈到大模型现在最大的挑战，他认为不在于技术和成本，还是场景突破。“目前看上半年场景问题还是比较焦灼，如果有应用跑出来，大家的信心就会更强。”

晓多科技CTO向海

谈到国产芯片的替代，他认为难点除了人才还有生态。目前还需要所有供应商通力配合，与大模型企业一起去“磨”，才有可能把生态做起来。

替代人工客服大模型已经做到了7成

将尚欠缺“情绪价值”提供

红星资本局：我们的大模型可以做到什么程度的智能化服务？是如何像人一样理解并回答问题的呢？最终是可以实现“人工智能替代人工”吗？

向海：如果客户的问题，是非常具体的、跟商品知识、店铺政策相关的，那么我们自己包括市面上这类大模型，它就能做到跟人一样。在知识类的这种问答过程中大模型大概能做到95%以上的正确率。

但如果真的“像人一样”去跟消费者沟通，目前大模型还做不到，比如说消费者会过来问打折送东西、价格协商这类场景，大模型现在的回复可能会被消费者“牵着走”，比如有消费者想要多点赠品，那大模型的判断可能会都给消费者，这种情况会造成一些不可控的风险。

我们的设计是在大模型前面有一个小型的模型作为分类器，知识类的问答、涉及到钱和赠品的分别是不同类型的大模型去回答。但是它还不能完全“替代”人工。在图文理解还有局限性，沟通上也还是偏客观的表述，还不能给消费者更精准的判断。

简单类目的店铺，比如服装这种，大模型替代人工客服已经可以做到7、80%了，为什么还剩20%，主要就是在“人与人情绪价值”上的提供，大模型还无法准确达成。

目前我们还是想在一些简单场景上，尽可能让大模型全部做到“全自主”。但是对一些复杂类目，想做到完全替代人，还要随着技术的发展来突破。

红星资本局：垂类大模型是基于通用大模型的调整而来吗？它的能力有何不同？

向海：以我们自己为例，技术线路分两种，一是在别人的开源基础模型上去二次预训练微调，主要是解决预训练成本太高的问题。经过这种微调之后，它会强化在电商领域的一些专业性的知识，能力上也有侧重，商品的问答这一块比较比较专业，但其他能力还是受损的。

第二种是我们自己从头到尾训练的模型，那就是把我们的商品知识和一些高质量的对话数据都预训练进去了，它应该是一个比较优秀的专家客服的角色，可以完整记住一些电商场景客服的会话技巧，会话风格，在这方面的预训练会更强一些。

替垂类模型能力更“专”

红星资本局：业内都在说大模型的应用落地是很难的，垂类模型是否意味着解决了场景、落地这些问题？

向海：首先垂类模型肯定是为场景而生的，所以不存在场景上的“选择困难”。不像通用模型，什么都可以用，但到底在哪个地方最强，大家其实是拿不准的。虽然没有场景落地的难题，但垂类模型有一个技术落地的问题。

这跟大模型技术原理有关，必然存在幻觉和生成不可控制的情况。所以落地我们认为要有一套衡量标准，比如说应答，我们测它是在商品问答上比较强，还是商品对比上比较强，还是商品推荐上比较强？针对不同需求会有不同测试集，大模型还要经过不断迭代再上线。解决落地问题就是解决“幻觉”、解决准确性的问题。最难的是，大模型即便回答问题能够达到70%的正确，但剩下30%是人也很难判断答案的好坏。这也是业内大家共同要攻克的难题。

红星资本局：您如何看待垂类模型的趋势，垂类大模型的挑战是什么？

向海：训练大模型，主要看数据和语料，通用模型的能力越来越强，一旦它也掌握了垂类的这些数据语料，那垂类模型相较于通用模型的优势就不一定存在了。而且垂类模型，并不是做垂直领域应用的一个必要前提，所以业内也是在观望，看GPT5的智慧程度。

在垂直领域，也要看大模型的实力。比如招聘一个客服，上岗之前都要进行训练对抗和压力测试，在这个场景里大模型模仿消费者，我们测试过GPT4、豆包等模型，是具备模拟消费的能力，达到个7、80分是没问题的，也就是说通用大模型可以实现这个产品功能，垂直行业的场景依然可以通过通用大模型来解决。

但是有些场景需要大模型达到95分以上才可用，这个时候通用大模型在精准问答上的能力就不如垂类模型。从我们的业务场景出发，如果GPT4或者最好的模型都达不到需要的效果，我们认为垂类模型还是有空间的。

垂类模型也是更“专科”的。比如最近“9.9和9.11谁大”，很多大模型都答错了，因为大模型“文科强理科弱”。而在电商领域，有大量的数学场景，我们就要去训练垂类模型调用工具。识别到数学问题，是不让它去算的，比如说推荐尺码，是通过调用尺码计算器，再结合商品信息适配，给出结论。

垂类模型的优势是尺寸更小，训练成本和推理成本都更低。比如训练10亿的模型，我们大概花费了2、300万每次，如果训一个百亿级的话，预计要到三四千万左右这个水平。这相较通用大模型的成本还是成本低不少。

国产芯片挑战除了人才还有生态

红星资本局：我注意到咱们在国产算力方面有一些攻关，能不能介绍一下关于算力利用，我们是如何突破的？

向海：我们主要在预训练和推理上都有算力攻关。预训练我们合作国家超级计算成都中心，从去年一张DCU卡能跑起来，到一个机器的多张DCU卡跑起来，最后到1000张卡，用了一年的时间完成了“跑起来”的难题。现在有了千卡集群预训练的突破，目前已经在从头到尾去训练一个10亿参数的模型。有这么多卡，用2、3个月的时间去训练，这个是以前从未有过的突破。现在我们正在攻关训练百亿级参数的模型。

但随着卡规模扩大，有效利用率是急剧衰减的，卡与卡之间、机器与机器之间、计算卡跟CPU之间的通讯，要克服的障碍也会更多。

卡脖子的点不光是芯片的计算性能，还有位宽，也就是数据传输速率，这个是影响大模型训练效率的关键。另外不同的芯片也影响训练框架。国产芯片还需要不断优化才能把差距缩小。

红星资本局：国产芯片的替代，您认为还有什么挑战？

向海：难点就在于生态和人才。毕竟大家都习惯了英伟达的调试技巧，比如同样的代码，在国产芯片上的确还需要很多适配工作。会做适配工作的人才又少，这就会影响模型的验证和创新速度。国产芯片目前还需要所有供应商通力配合，比如哪个地方跑不动了，哪个性能上不去了，这些都需要芯片厂商、生态供应商和大模型企业一起去“磨”，不磨这个生态就起不来。

红星资本局：对于大模型的算力供应方面，您认为业内现在还有哪些瓶颈和制约？现在大模型发展面临的问题，更紧迫的是这种技术突破还是这种成本的问题？

向海：目前我们看到的很大概率可能是推理这个板块的算力会受限。大家现在都在想当下怎么落地，业内也预判杀手级的应用会在近两年内爆发，爆发随后带来的就是大量的推理诉求。国产芯片是否能够补位，这里就会出现“卡点”。

现在应用没起来，在推理方面的投资比较弱，等到应用爆发时，生态的“卡点”没解决，大家可能到时还是要依赖英伟达。

我认为现在大模型最大的挑战，不在于技术和成本，最终还是场景突破，它到底给我们带来了哪些用处？如果它非常有用，成本不是问题，推理算力也都不是问题。有价值就有商机，有商机就有办法解决性能和成本问题，但看上半年场景问题还是比较焦灼，如果有应用跑出来，大家的信心就会更强。

就像前阵大模型价格战也是为了这个目的，我认为价格战短期还会持续，直到杀手级应用的出现，大家可能会转战去卷场景。目前我也注意到一些小团队做应用比较好的是在教育领域，比如写论文这种，在教育领域的应用我认为会先行火起来。

关注晓多AI，随时随地接收产品动态、活动资讯。