檢視原文請點選連結：
【編者按】
基于大、中、小模型，從GPT時代下基礎算法、通用算法和應用算法之間的重要關系，模型算法的發展曆程和重要意義，算法與算量、算力之間的互動關系三大方面來看，當下正是人工智能行業的重要轉折點，算法在行業場景問題解決、驅動算量和算力高效發展、實作城市精準科學治理等方面扮演着重要角色。在這樣的轉折點，BPAA第三屆應用算法實踐典範将得到更多支援，有更好的發展機遇，也将連結更多市場需求。基于此，零點有數董事長袁嶽對了解AI算法模型的十個前提問題進行了闡述。本文經環球網、中國日報網、中國網、中華網、金融界、億歐網、極客公園等權威媒體刊載。
一、常模與模組化的分野
人們在諸多場景中建設了大家廣為接受的基礎模型，作為我們進行分析運籌的邏輯工具，是以我們習慣了在心理測量、經濟預測、工程計算、實驗管理形成的通用模型。而AI中的應用算法模型來自于人們對于業務經驗、科學運算、專業處理技能的邏輯提煉和模式化建構，透過持續的訓練提升其精度，是以即使不能成為常模，但也可以在解決特定場景問題上發揮相對穩定的分析、預測、判斷、推薦、搜尋、比對、對策作用。當然與常模相比較，AI模組化有更多的模型選擇，也形成功能和精确度差異很大的模型分布。
二、大中小模型關聯
基于特定垂直場景資料的小模型建設構成了算法模型預訓練的第一步，特定垂直領域的小模型積累與內建、生成導緻中模型的成型，而大模型并非隻是一種巨大的模型，它本身也可以看成是在中小模型預訓練累積、機器學習與多模态生成能力基礎上建構的生态型算法模型內建機制。我們今天需要形成起碼的小模型開發能力，在中模型領域形成實際的操作能力，再邁向具有實際意義的大模型建設。
三、一二三層樓模型支援機制
如果我們把基礎算法作為我們得以展開技術模組化的算法基本工具庫看成一層樓，那麼通用算法就是二層樓，而GPT類的大模型建設為我們開發應用算法累積了足夠強悍的二層樓機制，它不僅為很多主體提供了便捷的問題探索解決方案，還為處在三層樓的我們在特定領域開發垂直應用算法提供了高效的支援。
四、平台與内容加載
在數字化建設的第一步，很多機關建設了相應的管理系統和平台，但是在摸清底數、選擇關鍵問題、獲得場景資料、洞察問題症結、設計相應對策、比對适當方案、預警預測未來演變方面，這需要基于資料來智能化解決問題，由問題內建、走向資料內建、算法內建的路徑，衡量出我們的數字化解決方案是否有強悍的智能核心。平台建設隻是我們數字化建設的第一步，無内容預期、無開發計劃、無預算支援就會使得我們隻有一個腦殼型的空大腦。
五、算法與算力比對
在使用常模與簡單資料呈現下形成的數字化解決方案，到基于小模型、中模型和大模型的解決方案，這意味着完全不同的算力配置需要和資料支援需要，是以當算法模型發育的條件下，就需要算力配置與資料排程機制相應調整。應用算法驅動的算力、算量比對解決方案往往成本效用比最優。
六、業務因素與技術因素的模組化價值
模型不隻是技術作品，也難以隻依靠原有的業務經驗積累解決問題，我們把AI模組化解構為選題、解析、架構、提煉、模式化、程式化等關鍵步驟，這些步驟讓我們看到AI模型訓練是一個融業務經驗透視、關鍵元素及其關系設定、程式語言轉化相結合的複合型工作。
七、TOP-DOWN與DOWN-TOP路線
這是基于核心開源技術設定大模型構架然後走向垂直場景應用，還是基于多領域垂直場景中小模型積累而走向大模型架建構設，這可了解為AI模型建設中的兩條不同路線，無疑，基于業務規模與業務基礎考慮，大廠與校園團隊通常會選擇TD路線，但DT路線可能提供更多有可感度的解決方案。
八、模型流動性與資料流動性
AI領域中算法模型不僅重要，而且算法模型的特點也決定了其非開源分享很難發揮彌散作用，算法先行使得更為實用、經濟與可控的資料排程應用才成為可能，在嚴緊的資料安全規範下，與資料作為交易要素相比較，算法的交易可能性更大，未來是算法模型的流動性帶動資料應用的流動性，而且算法模型的流動限制性也許遠小于對于資料流動的限制性。
九、工作量與預算
應用算法模型建設面臨問題多、場景細碎豐富、資料可通路性不足、可用人才稀少和系統适配遇到較多障礙的情形，由于公共部門和私營部門普遍缺乏對算法模型的基礎認知，是以目前數字化建設預算機制上，算法模型面臨無預算、相關預算無法單獨提報的難題，從系統開發商、算力供應商、大資料治理服務供應商手上分劈預算難度極大。算法預算需要被提升到與算力預算、算量預算相比對的位置。
十、模型建設與模型人才培養
算法模型領域的前進步伐需要更多實用的前沿人才提供支撐，而現有人才教育機制的滞後性需要算法模型行業積極投身到算法模型人才教育訓練的一線，提供從系統概念、開發技能，到應用方法、實案訓練的全程支援。
往期推薦：