6月19日，腾讯云在国家科技传播中心召开行业大模型及智能应用技术峰会。会上，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生发表《模型扎根产业，共建智能生态》的主题演讲，分别从模型、数据、应用与算力四个角度分享了对大语言模型在产业落地的思考。
汤道生称，大模型诞生后，许多企业管理者也在思考，如何把大模型技术应用到自己企业场景中。但在具体的企业场景中，通用大模型可能还不能满足企业很多需求。大家既期待着，能力越来越强大的通用大模型，同时也在思考，如何在使用大模型时，保护企业数据的产权与隐私？如何降低大模型的使用成本？这些都是企业需要考虑的现实问题。
首先，在大模型层面。比起通用大模型，企业更需要针对具体行业的大模型，并结合企业自身的数据进行训练和精调，以打造出更实用的智能服务。企业对提供的专业服务要求高且容错性低，因此使用的大模型必须具备可控、可追溯和可修正的特点，并经过反复充分的测试。
其次是数据。数据是大模型的原材料，针对具体场景，数据的覆盖和质量至关重要。在模型的开发过程中，需要关注敏感数据的保护和安全合规，并有效管理大量的数据和标签，不断进行测试和模型的迭代。
然后是应用。腾讯自身也应用行业大模型，优化自身企业级应用，为用户提高工作效率。例如，通过基于行业模型的智能小助手，腾讯会议可以协助用户进行日程安排、会管、会控等操作，并自动生成智能总结摘要，提升会议的效率。腾讯企点智能客服和AI代码助手等应用也通过行业模型的训练和精调，提供更精准、详细的回答和高效的编程辅助。
最后，是算力的支持。算力是模型持续运转的基础，高性能、高弹性和高稳定的算力对于大模型的训练和使用至关重要。
汤道生表示，大模型只是开端，AI与产业的融合，将绽放出更有创造力的未来。生态共建是AI发展的有效路径，腾讯将坚持生态开放，为企业提供高质量模型服务，同时支持客户多模型训练任务，加速大模型在产业场景的创新探索。
以下是演讲实录
欢迎参加今天的技术峰会，非常高兴有机会和大家一起探讨产业智能化升级的机遇；也非常期待与客户共建，以企业场景与行业数据为基础的行业大模型。
过去半年，大家都为大语言模型的发展感到兴奋，不少人已经试遍各个通用大模型的聊天机器人，但大部分互联网用户可能还只是有所听闻。市面上的通用大模型在一些聊天问答上，确实有让人惊艳的表现。基于大量知识与公开信息的训练，通过推测下一个字的语言生成，它能回答不同领域的提问，生成人性化的回复，连贯地对话。
同时，许多企业管理者也在思考，如何把大模型技术应用到自己企业场景中。比如在客服与营销环节，为业务经营带来更多降本增效。但在具体的企业场景中，通用大模型可能还不能满足企业很多需求，比如，它不一定懂行业的专业术语，不了解企业内部的独特情况，回答会比较虚、比较笼统，偶尔还会一本正经地胡说八道，信息也不够及时。
大家既期待着，能力越来越强大的通用大模型，同时也在思考，如何在使用大模型时，保护企业数据的产权与隐私？如何降低大模型的使用成本？这些都是企业需要考虑的现实问题。
借今天这个机会，我想讲讲，我对大语言模型在产业落地的思考，分别从模型、数据、应用与算力四个角度来探讨。
首先是模型。虽然大家对通用大模型期待很高，但它不一定是满足行业场景需求的最优解。
目前，通用大模型一般都是基于广泛的公开文献与网络信息来训练的，网上的信息可能有错误、有谣言、有偏见，许多专业知识与行业数据积累不足，导致模型的行业针对性与精准度不够，数据“噪音”过大。但是，在很多产业场景中，用户对企业提供的专业服务要求高，容错性低。企业一旦提供了错误信息，可能引起巨大的法律责任或公关危机。因此，企业使用的大模型必须可控、可追溯、可修正，而且必须反复与充分测试才能上线。
我们认为，客户更需要有行业针对性的行业大模型，再加上企业自己的数据做训练或精调，才能打造出实用性高的智能服务。企业所需要的是在实际场景中真正解决了某个问题，而不是在100个场景中解决了70%-80%的问题。
另外，训练数据越多，模型越大，训练与推理的成本也越高。实际上，大部分的企业场景，可能也不需要万能的通用AI来满足需要。因此，如何在合理成本下，选择合适的模型，是企业客户所需要思考与决策的。
今天，我们也正式公布腾讯云MaaS服务解决方案，基于TI平台打造行业精选模型商店，覆盖金融、文旅、政务、传媒、教育等10大行业，提供超过50个解决方案。在这些能力模型基础上，客户只需要加入自己独有的场景数据，就可以快速生成自己的“专属模型”。
比如，我们和国内的头部在线旅游公司，基于“文旅大模型”，打造了机器人客服，可以自动判断用户意图，并自动调用相应的API，高质量完成用户咨询及服务。
如果一个用户问，“节假日有哪些比较经济的旅游景点推荐？”基于通用大模型的客服机器人，只能给出一些简单的景点介绍和路线规划。但是，当我们用大量有针对性的行业数据来做模型精调之后，客服机器人的回答就变得更加细致，能够规划出每天的交通、景点安排，给出经济实惠的定制化推荐方案。
接下来谈谈数据。数据是大模型的原材料，针对具体场景，相关数据的覆盖与质量都至关重要，标注数据的管理也是模型迭代中的重要工作。
模型最终要在真实场景落地，要达到理想的服务效果，往往需要把企业自身的数据也用起来。在模型研发过程中，既要关注敏感数据的保护与安全合规，也需要管理好大量的数据与标签，不断测试与迭代模型。
因此，我们也推出基于腾讯云TI平台的行业大模型精调解决方案。帮助模型开发者与算法工程师，一站式解决数据的处理问题，高效率、高品质、低成本地创建和使用大模型。我们也可以通过TI平台以及模型的私有化部署、权限管控和数据加密等方式，让企业用户在打造模型与使用模型时都更放心。
最近，我们携手中央电视台打造“央视人工智能开放平台”。其间也面临数据量庞大、形态复杂的问题，导致传统的数据标签体系都无法达标。我们重新构建了一套传媒专属的数据标签体系，同时也研发了创新的“标签权重引擎”，让数据标签颗粒度更细，并按照核心度排序。在这样的数据标签体系支撑下，视频编辑用自然语言就能实现跨模态检索。比如，输入“居民消费力”，系统可自动提供商场、超市相关素材，再搭配智能剪辑，就能快速生成视频。
接着讲讲应用。腾讯自身的企业级应用，已经率先应用了行业大模型，针对不同应用场景提供更智能的服务，为用户提高工作效率。
例如，腾讯会议即将推出覆盖会议全流程场景的智能小助手。通过简单自然的会议指令，协助用户进行日程安排、会管、会控等一系列操作。会后可以自动生成智能总结摘要，还能基于智能录制的能力，帮助用户高效回顾，提升用户开会和信息流转效率。
新一代的腾讯企点智能客服，基于行业模型，结合客户业务需求进行训练与精调，客服机器人可以提供更精准、更详细的回答，甚至调用业务系统来提供实时数据。对比上一代智能客服的机械回答，用户体验有很大的提升。
在企点分析平台上，销售人员只要问一句“哪个产品卖得最好”，就可以实现准确的商业分析，不需要花费大量的时间，学习复杂的软件、制作看板。
借助腾讯云新一代AI代码助手，程序员也可以快速、高品质地完成代码的补充、纠错和解释，覆盖编码、评审、测试等不同场景。
最后讲讲算力。算力是模型持续运转的基础，高性能、高弹性和高稳定的算力需要借助专业的云服务。
在大模型的训练和使用过程中，需要大量异构算力的支持，对网络速度与稳定性要求也很高，加上GPU服务器比一般服务器稳定性更低一些，服务器的运维、问题的排查更频繁，整体运维的难度与工作量会高很多。
例如，在训练集群中，一旦网络有波动，训练的速度就会受到很大的影响；只要一台服务器过热宕机，整个集群都可能要停下来，然后训练任务要重启，这些事件会使得训练时间大大增加，投入在大模型的成本也会飙升。因此，腾讯云所提供的稳定计算、高速网络与专业运维，可以为算法工程师大大减轻设备运维的压力，让他们把精力放在模型的构建与算法的优化上。
腾讯云也打造了面向模型训练的新一代HCC（High-Performance Computing Cluster）高性能计算集群，搭载最新次代GPU，结合多层加速的高性能存储系统，加上高带宽、低延迟的网络传输，整体性能比过去提升了3倍，获得了很多客户的高度认可，几家AI独角兽都与我们展开了合作。
在计算集群的“硬实力”之外，今天，我们也会推出更适合AI运算的“软能力”——向量数据库，它能更高效地处理图像、音频和文本等非结构化数据，支持单索引10亿级规模，比单机插件式检索规模提升10倍，数据接入AI的效率，也比传统方案提升10倍。
回顾过去，人工智能的发展是结合开放数据的积累、算法的创新与算力的突破共同推动的；也是全球科技企业、高校与研究机构共同努力，通过代码的开源与研究成果的分享，开放共建的成果。
腾讯云也将在大模型的产业应用上，坚持生态开放，支持多模型的选择，提供训练与推理的算力，满足不同行业、不同场景的多样化需求。
今天，我们再一次站在数字科技革命的奇点上，大模型只是开端，AI与产业的融合，将绽放出更有创造力的未来。在这个过程中，腾讯愿意贡献自己的能力，与行业伙伴携手，用智能照亮行业，让AI普惠生活。
