华为盘古气象大模型是首个精度超过传统数值预报方法的AI模型，速度相比传统数值预报提速10000倍以上。
盘古气象大模型能够提供全球气象秒级预报，其气象预测结果包括位势、湿度、风速、温度、海平面气压等，可以直接应用于多个气象研究细分场景，欧洲中期预报中心和中央气象台等都在实测中发现盘古预测的优越性。
今年5月，台风“玛娃”走向受到广泛关注。中央气象台表示，华为云盘古气象大模型在“玛娃”的路径预报中表现优异，提前五天预报出其将在台湾岛东部海域转向路径。
在第19届世界气象大会上，欧洲中期预报中心也指出，华为云盘古气象大模型在精度上有不可否认的能力，纯数据驱动的AI天气预报模型，展现出了可与欧洲中期天气预报中心业务数值模式媲美的预报实力。
华为盘古大模型研发团队发现，AI气象预报模型的精度不足主要有两个原因：
第一，原有的AI气象预报模型都是基于2D神经网络，无法很好地处理不均匀的3D气象数据；
第二，AI方法缺少数学物理机理约束，因此在迭代的过程中会不断积累迭代误差。
为此，团队创造性地提出了适应地球坐标系统的三维神经网络（3D Earth-Specific Transformer）来处理复杂的不均匀3D气象数据，并且使用层次化时域聚合策略来减少预报迭代次数，从而减少迭代误差。通过在43年的全球天气数据上训练深度神经网络，盘古气象大模型在精度和速度方面超越传统数值预测方法。
未来，华为云将联合全球气象机构，继续探索并发挥AI在气象领域的应用潜力，为农林牧渔、航空航海等各行业提供支持。
了解更多华为云盘古大模型：https://www.huaweicloud.com/product/pangu.html
14 天前
华为昇腾推出的Atlas 900 SuperCluster成为国产AI算力的重要突破，标志着华为在超大规模AI训练集群领域的领先地位。 1. 技术突破与性能表现 超大规模算力支持：Atlas 900 SuperCluster 采用创新的超节点架构，支持超万亿参数大模型训练，单集群可管理数十万张昇腾AI加速卡（如昇腾910B），并实现高可用性设计，包括超高速互联、高效液冷散热和瞬时爆发供电。 性能对标英伟达A100：实测数据显示，昇腾AI集群在训练Meta Llama、BloomGPT等模型时，效率可达英伟达A100的1.1倍，并在部分场景实现10倍领先于其他国产方案。 国产化算力标杆：科大讯飞等企业已采用昇腾万卡集群，训练效率达到英伟达A100的0.8~1.2倍，证明其在国产大模型训练中的竞争力。 2. 架构与生态创新 全栈自主可控：从硬件（昇腾芯片、鲲鹏CPU）、架构（达芬奇架构）、软件（MindSpore框架）到开发工具（CANN异构计算），华为构建了完整的AI计算产业链。 昇腾910B芯片升级：相比前代昇腾910，910B在FP32性能上显著提升，支持多NPU模组互联，提供更高带宽和算力密度，进一步缩小与英伟达高端GPU的差距。 生态挑战与机遇：尽管昇腾算力已对标英伟达，但CUDA生态的成熟度仍是竞争短板。华为通过开源MindSpore、适配主流框架（如PyTorch、TensorFlow）及开发者扶持计划（如15亿美元生态投入）加速生态建设。 华为Atlas 900 SuperCluster的推出，不仅提升了国产AI集群的竞争力，也为全球AI算力格局注入了新变量。随着生态完善，昇腾有望在AI训练与推理市场占据更关键地位。 （根据资讯整理）
20 天前
📢 OpenAI即将发布GPT-4.1，多模态能力再升级！ 据多家科技媒体报道，OpenAI计划于下周（2025年4月中旬）推出GPT-4.1，作为GPT-4o的升级版本，进一步强化多模态推理能力，并推出轻量级mini和nano版本。 🔍 关键升级点 更强的多模态处理 GPT-4.1将优化对文本、音频、图像的实时处理能力，提升跨模态交互的流畅度。 相比GPT-4o，新模型在复杂推理任务（如视频理解、语音合成等）上表现更优。 轻量化版本（mini & nano） GPT-4.1 mini 和 nano 将面向不同应用场景，降低计算资源需求，适合移动端或嵌入式设备。 配套新模型（o3 & o4 mini） OpenAI还将推出o3推理模型（满血版）和o4 mini，优化特定任务性能。 部分代码已在ChatGPT网页端被发现，表明发布临近。 ⏳ 发布时间与不确定性 原定下周发布，但OpenAI CEO Sam Altman 曾预警可能因算力限制调整计划。 同期，ChatGPT已升级长期记忆功能，可回顾用户历史对话，提供个性化服务（Plus/Pro用户已开放）。 🌍 行业影响 谷歌（Gemini AI）和微软（Copilot）近期也强化了AI记忆功能，竞争加剧。 GPT-4.1可能进一步巩固OpenAI在多模态AI领域的领先地位，推动商业应用（如智能客服、内容创作等）。 📌 总结：GPT-4.1的发布标志着OpenAI在多模态AI上的又一次突破，但具体性能提升和落地效果仍需观察。我们将持续关注官方更新！ （综合自腾讯新闻、The Verge、搜狐等）
2 个月前
2025年2月18日，“2025医疗人工智能与精准诊疗发展论坛”在瑞金医院召开。此次盛会汇聚了众多行业专家、学者及华为代表，共同见证瑞智病理大模型RuiPath的发布。 近年来，AI技术在全球范围内蓬勃发展，为各行业带来了深刻变革，医疗领域也不例外。为有效提升病理切片检查的效率和诊断准确率，瑞金医院携手华为公司推进数字化智慧病理科建设并获得成果。此次活动线上、线下同步播出，由瑞金医院-上海市数字医学创新中心朱立峰主持。 致辞嘉宾： 宁光 中国工程院院士/瑞金医院院长 上海市医院协会副会长 看着台下爆满的会场，我深切感受到：这场技术浪潮已然到来。我也曾学习安装豆包、摸索Kimi、尝试DeepSeek——这些过程让我逐步思考：当AI重构社会的速度远超想象时，医院正面临更多机遇和挑战。 我们像活在玻璃瓶里的人，瓶外的铁锤随时可能落下。三年前讨论的“未来技术”，如今已成为基础工具。瑞金医院选择主动打碎瓶子，找到临床应用中的“刚需”，助力病理科图像分析，今天我们将一起见证瑞智病理大模型RuiPath的发布。除此以外，我们还将感受更震撼的多模态融合。 可以想见，如果华为的ICT基础设施、联通的传输能力这些技术若注入医疗场景，那将是怎样的盛宴。但比技术更重要的，是守住生命至上的底线——我们只用经得起验证的技术。在此向全国同仁发出邀请：瑞金医院愿意做医疗AI的“创新实验室”。我们深知机器必然替代部分人力，但人文关怀永远不可替代，让我们共同构建“技术-人文”双螺旋，为你的梦想插上一双“理性的翅膀”。 冯骏 上海市卫生健康委员会（信息化管理处）副主任 当前AI技术推动医疗向智能化、精准化迈进，国家积极推进卫生健康行业“人工智能+”应用创新发展，上海致力于打造医学人工智能高地，已发布相关方案，将推进医疗健康数据新型基础设施建设等工作。本次论坛聚焦病理诊断中AI应用创新，该技术有望缓解病理医生资源短缺，提升检查效率和诊断准确率。此次瑞金医院与华为合作，发布的大模型是重要一步，期待此次大会医生、专家共同探讨未来方向，为健康中国建设贡献力量。 王育 上海申康医院发展中心副主任 国家妇产疾病临床医学研究中心上海分中心负责人 近年来，AI技术在全球蓬勃发展，在医疗领域带来变革，国家重视并出台文件推进医疗AI创新应用。上海作为前沿阵地积极响应，申康医院发展中心推动市级医院医学AI部署应用。病理AI发展有着重要意义，期待此次论坛为医疗AI发展注入动力，助力公立医院高质量发展。同时，也希望通过此次论坛能够进一步加强产学研用的深度融合，促进人工智能技术在医疗领域的转化与落地。 胡建平 国家卫生健康委统计信息中心原副主任 中国卫生信息与健康医疗大数据学会副会长 当前健康中国与数字中国战略深度融合，我们正推动经验医学向精准医学的历史性跨越。在此进程中，病理诊断作为临床金标准，其革新意义尤为重大。AI不仅提升病理诊断效率和准确性，更能将专家经验转化为普惠资源。瑞金医院与华为的合作具有示范价值——通过百万级病理数据与先进数据存力的融合，实现了从数字化病理到智能化诊疗的突破。 瑞智病理大模型RuiPath发布 王朝夫 上海交通大学医学院病理学系主任 瑞金医院病理科主任 自2021年底启动以来，瑞金医院病理科在院领导支持下，与合作伙伴紧密协作，实现了从信息化到数字化再到智能化的跨越。2023年3月，端到端数字化智慧病理系统上线，标志着我们迈入新时代。我们坚持“以场景驱动技术，以技术赋能场景”的理念，汇聚多方力量，攻克难题。今天，瑞智病理大模型RuiPath的发布，标志着瑞金病理科在智能化领域迈出了更加坚实的一步，也为我国病理诊断的均质化、高效化发展注入了新的潜能。 笪倩 瑞金医院病理科主任助理 当前，病理面临数字化程度低、数据质量参差不齐等挑战。瑞金医院病理科依托医院大模型布局，基于百万级数字切片库，打造了瑞智病理大模型RuiPath。RuiPath实现4大创新，包括场景与应用创新、模型与算法创新、存算协同创新和AI工具链创新。RuiPath覆盖了中国每年90%癌症发病人群罹患的癌种，并且亚专科知识问答深度达到专家级知识水平，改变传统病理医生的工作模式，提升了诊断效率与质量。未来，我们将继续技术创新，推动标准建立，打造“无人病理科”，复制瑞金模式，服务更多患者。 周跃峰 华为公司副总裁、数据存储产品线总裁 AI正在重构千行万业，造就数据的黄金时代，然而AI进入各行业仍面临着三大挑战。首先，从通用大模型到行业场景大模型，需要进行针对性训练；其次，行业场景模型训练和应用落地难，项目开发难度大，人员技术要求高，开发周期不可控；最后，AI集群可用度往往不足50%，需要不断提升全系统调度效率。基于以上挑战，华为提供DCS AI解决方案，构筑行业大模型根基。 （信息来源：华夏病理网）
2 个月前
BERT（Bidirectional Encoder Representations from Transformers）是由Google于2018年发布的一种预训练语言模型，基于Transformer架构，用于自然语言处理（NLP）任务。它的双向（Bidirectional）上下文理解能力使其在文本理解、问答系统、文本分类等任务中表现卓越。 BERT的核心特点 1. 双向上下文理解 传统语言模型（如GPT）通常是单向的（从左到右或从右到左）。 BERT采用Masked Language Model（MLM，掩码语言模型），即在训练过程中随机遮挡部分词语，并让模型根据上下文预测这些被遮挡的词，从而实现双向理解。 2. 预训练+微调（Pre-training & Fine-tuning） 预训练（Pre-training）：在海量无标注文本数据（如维基百科、BooksCorpus）上进行训练，使BERT学会通用的语言知识。 微调（Fine-tuning）：针对具体任务（如情感分析、问答系统、命名实体识别）进行轻量级训练，只需少量数据，即可获得良好效果。 3. 基于Transformer架构 BERT使用多层Transformer编码器，通过自注意力（Self-Attention）机制高效建模文本中的远程依赖关系。 Transformer结构相比RNN和LSTM，更适合并行计算，处理长文本能力更强。 BERT的两大核心任务 Masked Language Model（MLM，掩码语言模型） 在训练时，随机遮挡输入文本中的15%单词，让模型根据上下文预测这些词。 这种方法使BERT学习到更深层次的语言表示能力。 Next Sentence Prediction（NSP，下一句预测） 让模型判断两个句子是否是相邻句： IsNext（相关）：句子A和B是原始文本中相连的句子。 NotNext（无关）：句子B是随机选择的，与A无关。 这一任务有助于提高BERT在问答、阅读理解等任务中的能力。 BERT的不同版本 BERT-Base：12层Transformer（L=12）、隐藏层768维（H=768）、12个自注意力头（A=12），总参数110M。 BERT-Large：24层Transformer（L=24）、隐藏层1024维（H=1024）、16个自注意力头（A=16），总参数340M。 DistilBERT：更小更快的BERT变体，参数量约为BERT的一半，但性能接近。 RoBERTa：改进版BERT，去除了NSP任务，并采用更大数据量进行训练，提高了性能。 BERT的应用 BERT可以应用于多种NLP任务，包括： 文本分类（如垃圾邮件检测、情感分析） 命名实体识别（NER）（如人名、地名、组织识别） 阅读理解（QA）（如SQuAD问答） 文本摘要 机器翻译 搜索引擎优化（SEO）（Google已将BERT用于搜索算法） BERT的影响 推动NLP进入预训练时代：BERT的成功引发了NLP领域的“预训练+微调”范式（如GPT、T5、XLNet等）。 提升搜索引擎性能：Google 在搜索引擎中使用BERT，提高查询理解能力。 加速AI技术发展：BERT的开源推动了自然语言处理技术在学术界和工业界的广泛应用。 总结 BERT是Transformer架构的双向预训练模型，通过MLM和NSP任务学习通用语言知识，在NLP领域取得巨大突破。它的成功奠定了现代大模型预训练+微调的范式，被广泛用于搜索、问答、文本分类等任务。
2 个月前
如何整合大模型API并提供开发者服务 随着人工智能技术的快速发展，越来越多的开发者希望在自己的应用中集成AI能力，如自然语言处理、图像生成、语音识别等。如果你计划搭建一个AI平台，并向开发者（B2C）提供AI API服务，那么本文将详细介绍如何整合现有大模型的API，并成为官方分销商。 1. 选择合适的大模型API 当前市场上已有多个强大的AI大模型提供API服务，以下是几家主流供应商： OpenAI（ChatGPT/GPT-4）：适用于通用对话、文本生成、代码补全等。 Anthropic（Claude）：擅长安全对话和长文本理解。 Google Gemini（原Bard）：适合多模态（文本、图像）AI应用。 Mistral AI：提供高效、开源的AI模型，适合灵活集成。 Hugging Face：开放API，可用于多种NLP任务。 Stable Diffusion/DALL·E：用于图像生成。 Whisper API：优秀的语音识别能力。 选择API时，需要考虑成本、调用限制、商业许可、模型能力等因素。 2. 如何获得大模型API的分销权限？ 如果你希望不仅是API的用户，还能将API分发给开发者，需要与AI公司建立更深层次的合作关系。不同公司有不同的合作方式： OpenAI（ChatGPT/GPT-4） 标准API使用：直接在OpenAI官网注册并获取API Key。 企业级API访问：通过 OpenAI Enterprise 申请更高额度的API。 成为OpenAI API Reseller（API分销商）：需要直接联系OpenAI商务团队（sales@openai.com）并提供业务计划，通常要求较大的流量或消费额度。 Anthropic（Claude） 访问 Anthropic API 并申请企业合作。 需要提供详细的业务应用场景，并确保数据安全合规。 直接联系 sales@anthropic.com 申请API分销权限。 Google Gemini（原Bard） 使用 Google AI Studio 获取API。 申请Google Cloud AI企业级API，并与Google商务团队合作。 通过 Google Cloud AI Solutions 申请大规模API使用权限。 Mistral AI 访问 Mistral API 并申请企业级合作。 直接联系 Mistral 商务团队申请API分销许可。 Hugging Face 访问 Hugging Face Inference API。 联系 Hugging Face 申请企业API许可，并可能合作进行API优化。 3. 技术架构：如何整合多个API？ 如果你希望提供一个集成多个AI API的服务平台，你需要构建一个API管理系统，包括： （1）API网关与管理 API网关（API Gateway）：使用 Kong、AWS API Gateway、Apigee 统一管理所有API。 身份认证（Authentication）：使用 JWT Token 或 OAuth2 进行用户管理。 负载均衡与缓存：结合 Redis 或 Cloudflare 优化API请求速度。 （2）用户管理与计费系统 API密钥管理：允许用户注册并申请API Key。 调用监控与限流：防止滥用，确保稳定性。 计费系统：使用 Stripe、PayPal 提供按量计费或订阅计划。 （3）前端支持与开发者体验 API文档：使用 Swagger UI 或 Redoc 提供清晰的API说明。 SDK支持：开发 Python/Node.js SDK 方便开发者集成。 在线测试环境：允许开发者在Web端试用API调用。 4. 商业模式：如何盈利？ 如果你计划向开发者提供API服务，可以采用以下盈利模式： （1）免费+付费模式 提供 免费调用额度（如每月100次），超出后按量付费。 按不同模型提供不同的价格（GPT-4 高级版 vs GPT-3.5 免费版）。 （2）订阅模式 个人套餐：低价格，适合独立开发者。 企业套餐：支持高并发调用，并提供专属API密钥。 定制服务：为大型企业或团队提供专属AI API。 （3）增值服务 提供高优先级的API访问，减少延迟。 允许用户定制API模型参数，提高个性化。 结合其他工具，如AI自动化工作流、数据分析等。 5. 未来展望 随着AI技术的普及，越来越多的开发者希望将大模型能力集成到他们的产品中。如果你能整合多个AI API，并提供易用的开发者服务，将能在这一市场获得先机。通过与OpenAI、Anthropic、Google等公司建立合作，并搭建高效的API管理系统，你可以打造一个强大的AI API分发平台，为全球开发者提供优质的AI服务。 如果你有意向进入这一领域，不妨立即申请各大AI公司的企业级API，并开始搭建你的API分发平台！
2 个月前
高盛报告：阿里巴巴领衔AI基建，腾讯主导AI应用领域 2月14日，高盛发布最新研究报告，揭示了中国互联网行业在人工智能（AI）技术快速发展背景下的新格局。报告指出，行业正逐渐分化为两大阵营：AI基础设施建设和AI应用开发。阿里巴巴凭借其强大的云服务基础设施，成为AI基建领域的关键力量；而腾讯则依托其在消费者端（C端）应用的广泛生态和卓越用户体验，成为AI应用领域的核心推动者。 报告详细分析了两家公司的优势：阿里巴巴作为中国最大的云服务提供商，其规模优势在AI基础设施建设中占据重要地位，预计在2026财年将实现14倍的预期市盈率。腾讯则凭借其微信超级应用的潜在AI代理功能和闭环交易能力，在2025财年预期市盈率达到16倍，同时腾讯云在中国公共云市场中也稳居前三。 报告进一步预测，随着中国AI模型的灵活性和计算成本效率的显著提升，超级应用如微信和抖音将继续深化在电子商务和本地服务等交易领域的应用。此外，随着开源模型的兴起和计算成本的降低，AI的采用率将进一步提高，特别是在支持多年云和数据中心需求增长的企业端（B端）场景中。 高盛特别强调，腾讯通过其强大的C端生态和用户体验，将AI技术深度融入日常生活。报告以元宝为例，指出其快速崛起是腾讯在AI应用领域实力的体现。元宝集成了DeepSeek-R1模型的强大推理能力和腾讯云的AI推理基础设施，不仅提供了更智能的交互体验，还通过微信生态的独特内容支持，实现了更精准的信息推送和更高效的任务执行。 报告最后指出，集成R1后的元宝在用户体验上实现了质的飞跃，用户可以通过多轮对话和深度思考模式，快速获取微信公众号、视频号等生态内的丰富内容，进一步巩固了腾讯在AI应用领域的领先地位。
2 个月前
随着人工智能技术的飞速发展，像DeepSeek这样的大模型正在以前所未有的方式改变我们的生活、工作和社会。这些先进的AI工具不仅服务于企业和专家，也为普通人提供了前所未有的机会，让他们能够突破传统限制，实现自我提升和价值创造。以下是DeepSeek等大模型为普通人带来的十大新机遇： 1. 教育平权：个性化学习让知识触手可及 在知识经济时代，教育是个人发展的基石。然而，传统的教育资源分配往往存在不均衡的问题。DeepSeek 的“自适应学习系统”通过分析用户的学习习惯和目标，提供量身定制的学习计划，帮助职场人士高效备考职业资格考试（如CPA、CFA），或快速掌握新技能（如编程、数据分析）。这种技术降低了学习门槛，让更多人享受到高质量的教育资源，从而实现教育公平。 2. 就业革命：人机协作提升职场竞争力 面对日益激烈的就业市场，DeepSeek 的“智能工作台”成为职场人的得力助手。无论是自由职业者还是全职员工，都可以通过DeepSeek 自动化完成重复性任务（如撰写报告、代码调试），并获得实时建议以优化工作成果。此外，DeepSeek 还能分析市场需求，推荐高价值项目，助力用户提升收入水平。这种人机协作模式不仅提高了工作效率，还让普通人在职场中更具竞争力。 3. 创业加速：智能化管理降低创业风险 对于许多普通人来说，创业是一条充满挑战的道路。DeepSeek 的智能管理系统为创业者提供了全方位支持，包括市场调研、趋势预测、运营优化以及客户关系管理等功能。即使是零技术背景的用户，也能借助DeepSeek 快速开发产品原型、制定营销策略，并吸引投资。这项技术显著降低了创业门槛，让更多人有机会将梦想变为现实。 4. 医疗普惠：个性化健康管理改善生活质量 慢性病管理一直是全球医疗体系的一大难题。DeepSeek 的健康助手通过整合用户的基因信息、生活习惯和体检数据，生成个性化的健康管理方案。它不仅能预警疾病风险，还能动态监测健康状况，减少不必要的线下复诊次数。这项技术不仅提升了医疗服务的可及性，还大幅降低了患者的医疗成本，真正实现了“科技造福民生”。 5. 财富升级：智慧钱包助力财富增值 理财对大多数人而言是一项复杂且耗时的任务。DeepSeek 的“智慧钱包”通过大数据分析和算法优化，为用户提供专业的投资建议。无论是风险评估、资产配置还是动态调仓，DeepSeek 都能根据用户的具体情况量身定制方案，帮助他们在不确定的市场环境中实现财富增值。这项技术让普通人无需具备专业金融知识，也能轻松管理自己的财务未来。 6. 社交赋能：提升人际交往能力 良好的社交能力是职场成功和个人幸福的重要因素之一。DeepSeek 的社交辅助功能可以帮助用户分析对话中的语气和情感，提供实时反馈，避免沟通失误。同时，它还能根据对方兴趣点生成有趣的话题，缓解社交焦虑。通过DeepSeek，普通人可以更自信地参与社交活动，建立更广泛的人脉网络。 7. 文化创作：激发创意潜能 无论是写作、绘画还是音乐创作，DeepSeek 都可以成为艺术家和爱好者的创意助手。它可以自动生成故事大纲、诗歌或剧本初稿，提供语言润色建议；也可以根据用户描述生成图像或设计草图，甚至协助创作旋律和编曲。这项技术极大地降低了艺术创作的技术门槛，让每个人都能轻松表达自己的创意想法。 8. 电商优化：精准营销提升销售业绩 DeepSeek 在电商领域的应用为普通人开辟了新的商业机会。通过分析用户行为数据和市场趋势，DeepSeek 可以帮助小型商家优化产品页面、制定定价策略，并生成高效的广告文案。此外，它还能自动推荐适合的促销活动，吸引更多潜在客户。这项技术让普通人即使没有丰富的营销经验，也能轻松运营自己的线上店铺，实现可观的经济收益。 9. 数据变现：挖掘数据价值创造收入 在数字化时代，数据已经成为一种重要的资产。DeepSeek 提供的数据分析工具可以帮助普通人从日常生活中收集的数据中提取有价值的信息，并将其转化为经济收益。例如，通过分析社交媒体互动、购物记录或旅行偏好，DeepSeek 可以为企业提供定制化的市场洞察报告。这项服务不仅让普通人能够参与到数据经济中，还能从中获得额外收入。 10. 内容创作：打造个人品牌实现流量变现 DeepSeek 的内容生成能力为普通人提供了全新的创收途径。无论是撰写博客文章、制作短视频还是设计在线课程，DeepSeek 都能提供强大的支持。它可以根据用户需求生成高质量的内容素材，并优化标题、关键词和排版，提高内容的吸引力和传播效果。通过持续输出优质内容，普通人可以逐步建立起自己的个人品牌，并通过广告合作、付费订阅等方式实现流量变现。 结语 DeepSeek 等大模型的出现，标志着AI技术从实验室走向了大众生活。它们不仅改变了教育、就业、创业、医疗、理财等领域，还在电商优化、数据变现和内容创作等方面为普通人带来了新的经济收益机会。无论你是学生、职场人、创业者还是普通市民，都可以借助这些强大的工具找到属于自己的逆袭之路。在未来，DeepSeek 等AI技术将继续拓展边界，为每个人创造更加美好的生活。
2 个月前
Scaling Law 在人工智能领域的解释 Scaling Law（缩放定律）是人工智能（AI）领域中的一个核心概念，用于描述模型性能如何随着模型规模（如参数数量）、数据集大小和计算资源的增加而变化。这一规律通常遵循幂律关系，即模型性能随规模的增长呈指数或幂次提升，但提升速度会逐渐放缓并趋于上限。 核心概念 模型规模：包括模型的参数数量、层数等。例如，GPT系列模型通过不断增加参数数量实现了性能的显著提升。 数据集大小：训练数据的规模对模型性能有直接影响。更大的数据集通常能带来更好的泛化能力。 计算资源：包括训练所需的计算量（如GPU/TPU资源）和时间。计算资源的增加可以加速训练过程并提升模型性能。 幂律关系 Scaling Law 的核心是幂律关系，即模型性能 ( Y ) 与模型规模 ( X ) 的关系可以表示为 ( Y = kX^n )，其中 ( k ) 为常数，( n ) 为幂指数。例如，腾讯的 Hunyuan-Large 模型的 Scaling Law 公式为 ( C \approx 9.59ND + 2.3 \times 10^8D )，揭示了模型性能与参数数量和数据量的关系。 实践意义 资源优化：通过 Scaling Law，研究人员可以预测增加模型规模或计算资源是否能够带来显著的性能提升，从而优化资源配置。 模型设计：Scaling Law 为大规模模型的设计提供了理论支持，例如 OpenAI 的 GPT 系列和百度的 MoE 模型。 性能预测：帮助研究人员在资源有限的情况下，平衡模型规模、数据量和计算资源，以达到最佳性能。 应用实例 GPT 系列：OpenAI 通过系统性地增加模型规模，展示了 Scaling Law 在实践中的有效性。 Hunyuan-Large：腾讯的开源 MoE 模型，其 Scaling Law 公式为模型开发提供了重要指导。 迁移学习：斯坦福大学和谷歌的研究表明，预训练数据集大小与下游任务性能之间的关系也遵循 Scaling Law。 挑战与未来方向 数据资源枯竭：随着互联网数据的接近枯竭，Scaling Law 面临数据不足的挑战。 算法创新：当前 Transformer 架构的局限性促使研究人员探索更高效的算法，如 DeepSeek-R1-Zero 通过强化学习实现了突破。 新范式探索：Scaling Law 正在向后训练和推理阶段转移，研究重点从单纯追求规模转向优化数据质量和挖掘模型潜力。 结论 Scaling Law 是 AI 领域的重要理论工具，为大规模模型的设计和优化提供了科学依据。尽管面临数据资源和算法创新的挑战，但其在推动 AI 技术进步中的作用不可替代。未来，随着研究的深入，Scaling Law 的应用将更加精细化和多样化。
2 个月前
2月18日，阶跃星辰联合吉利汽车集团开源了两款阶跃Step系列多模态大模型——Step - Video - T2V视频生成模型和Step - Audio语音模型，采用MIT协议，支持免费商用、任意修改和衍生开发。 两款模型的具体信息如下： Step - Video - T2V 参数与生成能力：参数量达到300亿，可以直接生成204帧、540P分辨率的高质量视频，能确保生成的视频内容具有极高的信息密度和强大的一致性。 生成效果优势：在复杂运动、美感人物、视觉想象力、基础文字生成、原生中英双语输入和镜头语言等方面具备强大的生成能力，且语义理解和指令遵循能力突出。对复杂运动场景把控能力强，能展现各种高难度运动画面；是运镜大师，支持多种镜头运动方式和景别切换；像“十级画师”，生成的人物形象逼真、生动，细节丰富，表情自然。 评测情况：阶跃星辰发布并开源了针对文生视频质量评测的新基准数据集Step - Video - T2V - Eval。评测结果显示，Step - Video - T2V的模型性能在指令遵循、运动平滑性、物理合理性、美感度等方面的表现，均显著超过市面上既有的效果最佳的开源视频模型。 Step - Audio 功能特性：是行业内首个产品级的开源语音交互模型，能够根据不同的场景需求生成情绪、方言、语种、歌声和个性化风格的表达，能和用户自然地进行高质量对话。可支持不同角色的音色克隆，满足影视娱乐、社交、游戏等行业场景下应用需求。 模型性能：在LlaMA Question、Web Questions等5大主流公开测试集中，模型性能均超过了行业内同类型开源模型，位列第一。在HSK - 6（汉语水平考试六级）评测中的表现尤为突出，被称为最懂中国话的开源语音交互大模型。阶跃星辰自建并开源了多维度评估体系StepEval - Audio - 360基准测试，经人工横评后，Step - Audio的模型能力均衡，在各个维度上均超过了此前市面上效果最佳的开源语音模型。
2 个月前
随着DeepSeek-R1的出现，相较于以往的大模型，带来了更先进的语义理解和数据处理能力，AI技术迎来了新的里程碑。喆塔科技作为国产领先的数智化平台领跑者，其“喆学大模型”通过融合行业Know-How与AI、大数据和云计算技术，在良率提升、效率优化及成本控制方面已取得显著成效。 Zeta科技宣布喆学模型接入R1模型 DeepSeek-R1的接入，“喆学大模型”能够更精准地分析复杂工业数据，提前预测设备故障，并提供科学决策建议，优化资源利用。这一结合为半导体、光电显示、新能源等高端制造行业注入了新的变革力量，帮助企业在这个竞争激烈的时代中保持领先。 接入DeepSeek-R1以后，喆学大模型显著增强了其在智能问答、决策支持、自我进化、易用性和垂直应用开发等方面的能力。这一创新不仅大幅降低了企业的学习门槛和技术障碍，还显著提升了工作效率和准确性，为企业实现更高效的生产和管理提供了强有力的支持。通过将复杂的数据转化为可操作的见解，并为决策提供科学依据，喆学大模型帮助企业应对工业AI时代的挑战，推动其实现数字化、智能化转型的新飞跃。 这些应用场景大模型智能问答超便捷： 工程师在工作中遇到困难，只要输入问题，就能马上得到详细的答案，它能为你画图表、做分析、写报告就像身边随时有个百事通，工作效率想不高都难。 良率分析小助手：紧盯分析数据，多轮智能问答，智能问答出图，快速给出建议，节省繁琐、重复操作步骤，提升分析效率。 Text2SQL真方便：业务人员不用再费劲去学复杂的 SQL 语言了，轻松就能查询数据，工作变得更轻松。 智能 BI 很直观：它能把业务数据深度分析，还能以可视化的形式呈现出来，市场预测和策略建议都能精准给出，企业发展更有方向。 例如： 在半导体行业，面对复杂良率分析和新员工上手难的问题，喆塔科技提供了融合喆学大模型与自动良率分析的解决方案。通过智能问答模块，新手能快速掌握分析流程和数据获取；指令生成功能依据用户偏好一键创建图表，简化操作；智能根因分析则迅速定位良率问题并提供决策支持。 （信息来源：芯湃资本）
