随着科技的飞速发展，人工智能技术已经站在了一个历史性的拐点。AI技术范式正在转变为“基础模型-应用反馈学习”，从过去的“预训练模型-特定任务精调”逐渐演进。这种转变势必引领出更多应用潜力，推动各行各业探索AI新范式，其中包括通用大模型演进以及利用创新模型解决医疗、工业、办公等场景中的问题。得益于新产品的快速融入，各个领域正不断塑造全新的业态和场景，为整个社会带来巨大的商业价值。那么打造大模型上如何判断各种模型的好坏呢？大量数据的企业会有很强的竞争优势吗？宣布打造大模型的云知声有什么竞争优势？对于这灵魂三问，云知声也做出了回答。
灵魂提问1：如果转变为Maas的模式，如何判断各种模型的好坏呢？
无论哪种模型，最终都要从结果来评判的，ChatGPT比较好的一点就在于它其实在隐藏了中间的理解问题，用户不需要关心模型中间的“意图理解”环节，也不需要显式做句法分析、语义理解等动作，只要看看ChatGPT最终给用户的反馈质量如何就可以。就像图灵测试一样，只要人类无法判断是真人还是机器在回应，就是足够智能。如果单独处理“语义理解”任务，过去像BERT这种模型，要比GPT模型做得更好，因为它使用了双向注意力机制，但BERT架构没法直接形成直观的高质量回复，所以让非技术用户感知到。
灵魂提问2：如果以数据为中心的话，掌握大量数据的企业会有很强的竞争优势吗？
云知声：不论是过去的传统算法，还是现在的机器学习算法，数据都已经变得非常重要，很多公司本质上也已经变成了数据公司。只要有很多的数据沉淀下来，模型就可以变得足够聪明，只不过此前使用传统的统计学习方法去挖掘这种能力，而现在使用深度学习和大模型的方法去挖掘，精度和能力也就越来越强。
灵魂提问3：云知声以语音识别技术起家的，相关技术积累对于行业大模型有何帮助？
云知声不仅仅停留在声音领域，声音只是它的一个切入点，云知声更希望有一个云端大脑，有强大的认知能力，能够通过声音的交互去解决问题。
早在2012年时，云知声开始布局“三驾马车”，到2016年AlphaGo开始兴起的时候，就已经开始布局底层的大规模计算能力，也就是Atlas超算平台。在此之上，云知声还拓展了知识图谱和认知技术体系，从而形成一个全栈的技术体系。现在拓展到的大模型对我们来说只是一个算法框架的升级。类似过去用BERT主要是解决判别式问题的，那现在就把它切换成GPT的生成式框架，而BERT实际上是Transformer的编码器部分，GPT则是Transformer的解码器部分，算法改变对云知声没有本质的挑战，它已经具备训练大模型的基础架构。除了算法和算力支撑，在行业问题认知和数据积累方面，也让云知声充满信心。包括物联网和医疗领域，云知声理解这些行业业务的核心问题，也有相关的数据积累，非常有信心能把大模型做好。
作为国内顶尖的语音人工智能独角兽企业，云知声在过去十年里成功构建了一套以语音、语言和知识图谱为核心，覆盖感知、认知与生成的全栈AI技术体系。目前，云知声正积极向多模态人工智能方向迈进。站在这个新起点上，云知声已将ChatGPT技术升级视为公司实现AGI能力构建的关键环节，并把优先解决智慧物联和智慧医疗领域应用问题作为其核心任务。在未来的道路上，云知声将继续深耕AI技术创新，为各行各业带来前所未有的价值，推动人工智能产业进一步发展。
