第157章 迎敌陷马 (第1/2页)
苍莽丛林提示您：看后求收藏（腾龙小说网www.ahhzdz.net），接着再看更方便。
为什么要这么做？因为文本的数据覆盖面更广，全量，而且是高知识量的。以此为基础，就可以获得更快的学习收敛速度。这里可以类比人，人学习的过程最重要的三大来源：说话、眼睛看世界、耳朵听东西，这三个信息可能最开始要引导的教育过程，是引导他讲东西，这也就是分阶段对齐的核心要义。从图来看，LLM Backbone以语言对齐为核心，分阶段去做多模态大模型的信息压缩，找到其中的信息系规律。
第二大类型，端到端对齐结构。就是对不同模态的数据同时学习，同时输入图像、文本各种各样的信息，直接把所有信息交叉并发，把所有的信息进行压缩，抽取里面的规律，最终达到理解这个世界，去驱动跟这个世界进行交互。
三、解读大模型技术发展三阶段，场景反哺技术阶段仍面临挑战
大模型能够帮我们做什么？我们很清楚大模型技术只是一个工具，从技术的角度去看，它帮我们把很多信息压缩，更高效地找出其中的规律。大模型要体现出价值，就要落实到各行各业、各种业务的闭环应用里面去。
借鉴AI技术发展的路径，我们认为大模型技术发展定义也有三个阶段。这三个阶段实际上也是技术跟数据或者算法的关系。
一开始，我们设计算法时通常会使用少量数据进行验证，这被称为技术找场景。在第二阶段，场景反哺技术，我们则采用更多数据来提升算法和技术的能力。第三阶段，场景找技术，即所有应用和需求都能通过同一个算法、模型来解决，这标志着我们迈入AGI时代的大道。
那么，技术找场景现在的进展如何？我们已经走完了技术找场景在大模型技术发展应用的这段路。许多应用，例如智能问答、文生成图以及像ChatGPT这样的生成式大模型单点应用，已经验证了大模型技术的应用和算法成熟度。
目前，我们正处于第二阶段，即场景反哺技术的阶段。我们可以看到，多模态大模型的落地还有很长一段路要走，其困难之处在于行业场景的复杂性。尽管我们希望在各行各业中广泛应用大模型，但行业场景的知识深度对大模型的能力提出了严峻的考验，仍存在着参差不齐、远未满足需求的情况。
因此，我们需要积极推动多模态大模型技术的落地，并应对挑战寻找解决方案。
四、如何打破大模型应用的“三角约束”？云天励飞提出“算法芯片化”
我们要考虑主要的变量是什么？从智慧
更多内容加载中...请稍候...
本站只支持手机浏览器访问，若您看到此段落，代表章节内容加载失败，请关闭浏览器的阅读模式、畅读模式、小说模式，以及关闭广告屏蔽功能，或复制网址到其他浏览器阅读！
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！
