目前成熟的生成式AI模型大多基于英文数据进行训练，在国内各行各业的应用环境中，中文大模型显然更“接地气”。通过中文或英文数据训练出来的大模型，差异比较大，中文的上下文理解和语义的多解性要大于英文。大模型首先要理解人类意图，因此对于国内用户来说，用中文去训练的大模型比较适用。
　　近期，国内各大厂商纷纷加快开展生成式AI核心技术的研发，基于国产天河超级算力、智能算力和汇集构建中文大数据集研发训练的天河天元大模型等国产AI的出现，让大众对我国自主研发的中文生成式AI大模型充满期待。
　　▶开发适合国人的中文大模型
　　AI大模型是基于海量多源数据打造的预训练模型，是对原有算法模型的技术升级和产品迭代。预训练大模型在基于海量数据的自监督学习阶段完成了“通识”教育，再借助“预训练+精调”等模式，在共享参数的情况下，根据具体应用场景的特性，用少量数据进行相应微调，即可高水平完成任务。
　　AI大模型能够理解人类的自然语言表达，并通过庞大的网络结构实现具有针对性的内容输出。
　　从效果上看，生成式AI表现为“无所不知、无所不能”，其具备了逻辑推理、上下文理解、文字创作、知识提取、代码生成等非常多元化的强大能力。
　　不过，目前成熟的生成式AI大模型大多基于英文数据进行训练。通过中文或英文数据训练出来的大模型，差异还是比较大的，中文的上下文理解和语义的多解性要大于英文。大模型首先要理解人类意图，因此对于国内用户来说，用中文去训练的大模型比较适用。
　　此外，生成式AI正一步步向生产工具方向发展，为产业深度赋能，或将成为人工智能与实体经济深度融合的重要力量。那么作为数据驱动的AI大模型，其训练数据来源的可靠性和安全性，便成为推动科技创新的关键。因此，自主研发中文大模型成为越来越多科技巨头的首要选择。
　　▶中文大语言模型数据集稀缺
　　生成式人工智能是人工智能发展到一定阶段的产物。就像ImageNet数据集推动了残差网络等计算机视觉算法的成熟，openslr等开源数据集的发布催生了长短期记忆神经网络等自然语言神经网络的发展，图形处理器的大量使用使得模型参数从百万级发展到千亿级（ChatGPT使用了上万块A100显卡开展训练）。可以看出，生成式人工智能的快速成长，离不开算力和数据的支撑。
　　大模型是大数据、大算力驱动的结果，两者缺一不可。
　　一方面，中文大模型的理解能力来自于数据，它需要用海量数据来学习，通过自注意力和多头注意力机制来建立知识之间的联系。这就意味着，更多、更高质量的数据供给，将会带来模型网络中知识之间关系的完善性和贯通性。当用户提问到深层次或者冷门问题时，数据质量越高，AI大模型回答出正确答案的概率就越大。
　　但目前中文大语言模型的数据集非常稀缺。为了解决这个问题，天津超算中心搜集整理了全域的网页数据，并从中提取处理高质量的中文数据做成数据集，同时采集纳入各种开源训练数据、中文小说数据、古文数据、百科数据、新闻数据以及专业领域的诸如医学、法律等多种数据集，训练数据集总token数达到3500亿，训练打造了中文语言大模型——天河天元大模型。
　　另一方面，算力的供应是大模型的基础保障。大模型发端于自然语言处理领域，以谷歌的 BERT、OpenAI的ChatGPT和百度文心一言等大模型为代表，参数规模逐步提升至千亿、万亿，同时用于训练的数据量级也显著提升，带来了模型能力的提高，这也代表着算力需求的指数级上升。
　　▶技术成果广泛应用于多领域
　　人工智能是驱动新一轮科技革命和产业变革的巨大力量，应将大模型作为产业智能化升级的基座，用专业数据集打造更贴合行业领域的智能化高水平“专家”。
　　在各行各业的应用中，中文大模型显然更“接地气”。在工业检测和流程控制方面，大模型基于多元化输出能力，可以进行规范辅导、缺陷检测、流程指令生成一系列操作，降低错误率，提升生产效率。其中，中文大模型可以更好地理解复杂的专业术语以及流程指令逻辑，让输出更准确、严谨。
　　在大模型通用性、泛化性以及降低人工智能应用门槛的优势推动下，人工智能也将会加快落地，形成新的机遇。

（陈曦）