摘要：在近期举办的“2024第七届金猿&魔方论坛”中，传神语联创始人何恩培发表主题演讲，深入剖析了传神在大模型“数推分离”技术创新领域的探索历程、实践成果与独到见解，为行业发展提供了新的思路与方向。以下为演讲内容：

在近期举办的“2024第七届金猿&魔方论坛”中，传神语联创始人何恩培发表主题演讲，深入剖析了传神在大模型“数推分离”技术创新领域的探索历程、实践成果与独到见解，为行业发展提供了新的思路与方向。以下为演讲内容：

大模型技术发展至今，推动其能力显著提升的Scaling Law逐渐陷入瓶颈。在大模型落地应用方面，客户和大模型厂商均面临效用问题。一方面，客户质疑投入大量资金却收效甚微；另一方面，大模型厂商苦恼于投入了高额成本购买芯片训练，产品却难以卖出高价。

通过服务客户，我们发现问题的根源在于，大模型在企业中更像是一个置身事外的顾问，而非真正了解企业实际情况的内部专家。造成这一局面的关键因素之一，便是数据和大模型的结合难题。

数据与大模型结合有多种方案，其中最理想的是让大模型深度理解数据，也就是通过预训练，将数据压缩进大模型，使其能对某个细分领域或场景形成深度认知，这是为企业创造价值的重要基础。然而，在实践中这一方案面临诸多挑战。

首先是数据安全问题。如果将数据交给大模型厂商去训练，企业必然担忧数据安全。如果企业自行训练，虽可避免数据泄露问题，但成本高昂，通常比调用大模型厂商做推理高出5-10倍，且需要配备专业技术团队，进一步增加了整体成本。

其次，是数据及时性存在隐患。即使将企业数据顺利压缩进大模型，但后续产生的新数据如何解决？目前行业主流技术解决方案是重新训练，意味着每次新增数据，都要重新对大模型网络压缩处理，导致大模型难以持续地实时学习。

此外，修改数据也是一大难题。例如，我们服务的新闻行业客户，基于其原有数据完成大模型训练后，发现部分新闻稿件存在错误信息，如何剔除错误成为了一大问题，因为数据是反映在大模型网络参数上的，很难知道特定的参数对应哪些原始的数据信息，无法直接通过删除操作解决问题。

而且，数据孤岛问题显著。企业数据往往分散在各子公司和部门，整合难度极大。比如在企业内部，仅是将财务数据和人力数据整合在一起交给某个部门就很困难，更别说跨公司、跨行业的数据联合，因此业内都在探讨“数据入表”该怎么做，如何打通重重阻碍，让散布各处的数据顺利入表。

以上这些客户痛点，是传神在服务客户过程中不断发现的。我认为，这或许源于大模型本质是通过实时学习数据提升智能，进而变成专家。为此我们持续探索，力求通过大模型技术方面的创新或者架构改进，彻底解决阻碍大模型落地的难题。基于此，我们推出了任度大模型，采用双网络架构模式，将推理网络和客户数据学习网络分离，通过架构改进，打通大模型应用落地的最后一米。

任度大模型的显著优势在于其独特的“数推分离”双网络架构设计。常见的大模型多采用数据和推理一体化模式，如同只有一个“大脑”进行集中式处理；而任度大模型的“数推分离”模式，相当于在同一体系中拥有两个独立运作的“大脑”。在完成训练阶段后，推理网络能够阶段性固定，确保已有推理能力稳定可靠；而客户数据学习网络则保持开放状态，持续地实时学习新数据，使模型能够实时适应企业业务的动态变化。具体优势如下：

第一，成本优势显著。模型能够直接部署到客户体系内自主运行与学习，节约了常规大模型不断重新训练产生的额外费用。企业无需引进AI高级人才和额外的的硬件投入，降低了企业成本。

第二，有效避免训练数据风险。部分企业使用自有数据训练模型后，模型性能下降，原因在于企业数据质量不佳，这在常规的数据与推理一体化模型中是难以避免。而任度大模型凭借“数推分离”架构，确保客户数据质量不影响推理网络能力。

第三，独有的数据“拔插”技术。若发现先前提供的数据中存在众多损坏文件、问题数据或需删除的敏感信息，利用我们的模型处理将变得极为简便——直接进行删除操作，仿佛这些数据从未在网络中存在过。相比常规大模型的重新训练，我们的“拔插”技术能够更好地帮助客户优化数据，促使大模型成为与企业协同发展的“孪生”专家。

第四，解决数据孤岛问题。在数据使用上，出于安全考量，跨公司、跨部门乃至跨行业的数据共享受限严重。这种现状促使我们探索新方案：是否能将数据网络直接部署到各个客户中，实现数据不离场？我们发现，数推分离的“双脑”模式恰是解决之道。该模式下，可构建一个机制，实现数据本身不转移，又能为模型训练所用。

由此可见，“实时学习”正在成为引领大模型行业发展新趋势。这种动态的学习能力深度企契合企业数智融合需求，为企业数智转型升级的创新实践注入强大动力。

当下，技术自主可控已成为行业发展的核心要素。传神语联的任度“根原创”大模型，从底层算法框架到上层应用全部为自主研发成果，未使用任何开源代码和框架。在2024年7月信通院测评中，明确任度是“零开源依赖”的大模型，即无主流开源大模型框架依赖、无主流开源学习框架依赖、无三方勘验库依赖、无许可证依赖、无已知开源安全漏洞风险。

回顾15年前，我们也曾就是否采用开源技术展开激烈讨论，最终坚定地选择走国产原创技术路线，并逐步发展至今。凭借对国产原创的执着坚守，我们屡获佳绩，荣膺“专精特新”小巨人企业称号，主导完成‘十二五’科技支撑计划项目，在人工智能技术领域揽获超160项发明专利，成功构建以大语言和大模型为核心的两大业务板块。

如今，在训练推理过程中，我们所消耗的算力仅为同等大模型的1/5—1/10以及1/2—1/4。得益于底层技术自研，我们在硬件适配与兼容方面展现出较强能力，计划于春节后推出“集成“双脑”的大模型一体机产品，进一步提升产品的实用性与便捷性。

之所以如此强调自主可控，是基于对当下人工智能本质的深刻洞察。现今的人工智能与往昔的办公软件截然不同，后者仅作为辅助计算、促进共创的工具，处理问题的方式简单直接，易于掌控。而大模型处理的是海量数据，内部处理过程极其复杂，且具备一定的认知能力与偏见性，存在较大风险。这意味着大模型在一定程度上会影响甚至塑造信息传播和认知形成，影响力不容忽视。

因此，以大模型为代表的新一代人工智能不仅仅是一项技术，更是一个全新的物种。它兼具价值观和一定的不可控性，这使得自主可控至关重要。我们必须坚守自主可控之路，推动大模型技术朝着更健康、更有益的方向发展，在全球竞争中立足，开创属于我们自己的智能时代新篇章。

来源：数据猿