中国行业ai不能走大模型的技术路线——需要走专家模型的路线

写《货币战争》的宋鸿宾用它的书籍和ppt以及很多资料数据训练大模型，然后对其回答的内容进行修改和调整，结果发现输出的结果依然非常不满意，且换一个说法又更加不行。华为任总说过ai会在各行各业发展出来，他似乎都语言大模型的未来社会效益并不看好，至少没有对行业ai的重视程度，华为一直在默默地做智能矿山的项目。

这也是我的观点，ai只有在各个行业中发展才有巨大的生产力促进作用，目前看到的是智能驾驶、医疗诊断、教育法律等行业，做出了一定的业绩，但还有大量行业亟待ai化，这个过程并非依赖大模型来训练行业ai，而是需要真正懂行业专业知识的专家参与进来，建设核心的行业ai模型。大语言模型倒是可以作为这类核心行业“打配合”，扩展行业ai 的适应性和亲和力。

中国主要聚焦行业ai，要实用，即ai要为各行各业的生产力服务。GPT引领的这么语言类大模型的潮流当然有价值，但客观来说目前吹的太大了，实际上行业ai更多的不是靠算例和神经元数量来达成的，因为绝大部分行业规律并没有充分记载在书本或文献中，这些行业规律或知识也不存在于网络这种低成本可获取的空间中，很多行业知识迭代还很快，所以根本没法满足大模型或深度学习所需要的数据量。

行业ai的构建，需要摆脱现有GPT那种大模型的技术路线。应该走这条路线：通过专家的知识归纳总结，抽取其中可重复复制、可运行、可运算的、可执行的数据和公式体系（模型）才是建立这类行业ai的根本，这需要专家们深入的ai实践、思考和迭代才能越来越完善，可能通过几个典型的行业ai的成功尝试，全流程的取得这些行业ai的成功，才能找到一些通用的行业ai的构建之路，形成可复制或可遵循的技术路线，减轻其他大量行业ai构建的难度和时间消耗。

基于这条路线，我个人yy不需要这么多的算力，不需要这么多的人工智能基础设施建设，这条路线或投资大概率是不对的。大语言模型确实还可以搞一部分算力，但没必要像美国那样多，行业ai才是核心能力。

而要做到这一点，除了需要ai方面的专业技术人员去研发ai工具和软件，更需要中国产业链中海量的工程师和专家的支撑，只有他们深度掌握行业的经验、知识和数据，只有他们参与下才能构建好适合各行各业的ai核心模型——这是中国的优势，无可比拟。