ChatGPT诞生两年后，“通专融合”大模型在各领域如何发展？

通用模型与专用模型的差异

能力范围的区别

通用模型旨在完成所有任务，但这面临巨大挑战。例如GPT-4虽然功能强大，但在特定任务如围棋上，难以达到人类顶尖水平。而专用模型如AlphaGo，仅专注于围棋，却能超越人类棋手。这种能力范围的差异表明通用模型全面但不精专，专用模型则在特定领域有深度优势。

任务达成的难度

通用模型在每个具体任务上要达到很高水平较为困难。像AlphaFold专注于解析蛋白质结构能达到很好的效果，而通用模型在这样的专业任务上难以企及。这是因为通用模型要兼顾众多任务类型，资源和算法的分配难以做到像专用模型那样针对单一任务进行极致优化。

上海人工智能实验室的“通专融合”实践

构建强推理模型

上海人工智能实验室构建并发布了书生InternThinker。它采用自主构造大规模高智力密度数据生成方式，具备代码、数学等多场景泛化能力。这一模型体现了通专融合的理念，在保持一定通用性的在特定场景下也能展现良好性能。

多模态大模型的突破

书生万象2.5在多模态cot上取得突破，成为首个MMMU突破70%的开源多模态大模型。这一成果展示了通专融合大模型在多模态领域的发展成果，表明通专融合模式有助于提升大模型在不同模态下的处理能力。

与产业界的合作项目

与商飞C919团队合作开发“书生·翼飞”系统。在飞机翼型设计中，将AI与空气动力学知识结合，大大缩短设计时间。原来设计师设计翼型需数周，现在AI一分钟能生成几十个供选择。这体现了通专融合在航空航天领域的实际应用价值。

化学领域的合作成果

在化学领域与科学家合作开发能读谱的模型。这个模型已达专家水平，数秒钟就能得到专业结果。这显示出通专融合大模型在化学领域也能发挥重要作用，为化学研究提供高效的工具。

“通专融合”的意义与展望

“通专融合”是在大模型研发基础上的思考总结。过去大模型发展过程中，看到通用和专用模型各自的优缺点，通专融合是综合两者优势的发展路径，是对未来大模型发展方向的探索。

实际场景服务的潜力

采用通专融合路线，在保持泛化能力的同时提升专业领域水平达到专家级，就能为众多实际场景服务。无论是航空航天还是化学领域的成果都证明了这一点。随着更多领域的探索，将有更多的实际应用出现，推动各行业发展并产生经济和社会效益。

对大模型发展的推动

上海人工智能实验室发挥多种作用来推动技术发展。如周伯文教授所说，作为加速器支持研究者与团队实现技术产业价值。通专融合大模型在实验室的推动下，有望在更多领域得到应用，进一步推动人工智能大模型整体的发展进步。

相关问答

通用模型和专用模型的最大不同点在哪里？

通用模型追求能处理所有任务，能力全面但在单个任务上很难做到极致。专用模型专注于特定任务，在相应领域能达到很高水平，像AlphaGo在围棋方面。

书生InternThinker有什么独特之处？

书生InternThinker采用自主构造大规模高智力密度数据生成，有代码、数学等多场景泛化能力，是通专融合理念下的成果，在多种场景下性能较好。

书生万象5的突破意义是什么？

书生万象5在多模态cot上取得突破，是首个MMMU突破70%的开源多模态大模型，这表明通专融合有助于多模态大模型在不同模态下处理能力的提升。

“书生·翼飞”系统给飞机翼型设计带来了什么改变？

原来设计师设计翼型以周为单位计算时间，“书生·翼飞”系统借助AI学习专家数据库，一分钟能生成几十个翼型供选择，大大缩短了设计时间。

化学领域合作开发的读谱模型有何价值？

化学领域的读谱模型已达专家水平，数秒钟就能得到专业结果，这为化学家快速了解化学反应提供了高效工具，推动化学研究发展。

上海人工智能实验室在“通专融合”发展中的作用是什么？

上海人工智能实验室构建相关模型、与产业界合作开展项目，还发挥加速器等作用支持研究者，推动“通专融合”大模型发展并使其产生价值。