chatgpt赋能哪些行业

工智能（Artificial Intelligence）是研究、开发用于模拟、延伸和扩展人智能的理论、方法、技术及应用系统的一门新技术科学。人工智能领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，可以产出一种新的可以和人类智能相似的方式做出反应的智能机器，该领域的研究主要有机器人、语言识别、图像识别、自然语言处理和专家系统等。自从人工智能诞生以来，理论和技术越来越成熟，应用领域在不断的扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以把人的意识、思维的信息过程的模拟。虽然人工智能不是人的智能，但可以像人那样思考、最终可能超过人的智能。优点：1、在生产方面，效率更高且成本低廉的机器及人工智能实体代替了人的各种能力，人类的劳动力将大大被解放。2、人类环境问题将会得到一定的改善，较少的资源可以满足更大的需求。3、人工智能可以提高人类认识世界、适应世界的能力。缺点：1、人工智能代替了人类做各种各样的事情，人类失业率会明显的增高，人类就会处于无依靠可生存的状态。2、人工智能如果不能合理利用，可能被坏人利用在犯罪上，那么人类将会陷入恐慌。3、如果我们无法很好控制和利用人工智能，我们反而会被人工智能所控制与利用，那么人类将走向灭亡，世界也将变得慌乱。

ChatGPT 是 OpenAI 开发的基于大规模预训练的语言模型，它可以为许多行业提供巨大的赋能。以下是 ChatGPT 可用于的一些行业和应用领域：1. 客户支持和服务行业：ChatGPT 可以用于自动化的客户支持系统，能够回答常见问题、提供有关产品和服务的信息，以及解决一些常见问题。它可以提供24/7 的支持，减轻人工客户支持团队的压力。2. 市场营销和销售：ChatGPT 可以帮助企业回答潜在客户的问题，提供产品和服务的详细信息，并通过销售流程的各个阶段提供个性化的建议和定制化的销售策略。3. 内容创作：ChatGPT 可以作为一个创意助手，帮助作家、记者和其他内容创作者生成创意，提供文章和故事的初步草稿，并提供写作建议。它可以协助内容生成和编辑流程，提高创作效率。4. 教育和在线学习：ChatGPT 可以作为个性化的教育辅助工具，根据学生的需求提供解答和解释，帮助学生理解复杂的概念和学科。它还可以提供讲解、练习和反馈。5. 机器人和虚拟助手：ChatGPT 可以用于开发机器人和虚拟助手，与用户进行对话和互动。它可以帮助用户完成任务，提供信息和建议，并提供个性化的服务体验。6. 语言翻译和跨文化交流：ChatGPT 可以用于实时语言翻译，帮助人们在不同语言之间进行沟通和交流。它可以解决跨文化交流的障碍，促进全球合作和交流。ChatGPT 可以在许多行业中用于自动化和增强人机对话的应用。它可以提供快速、精确的答案和建议，并为企业和个人提供更高效、个性化的服务。ChatGPT 仍然存在一些限制和挑战，包括对于错误信息的回应以及在某些情况下生成的不准确或有偏见的回答。在应用 ChatGPT 时需要谨慎评估和监控其输出。

ChatGPT 可以赋能许多行业，并提供多种应用场景。以下是一些主要行业和应用领域的例子：1. 客户服务：ChatGPT 可以用于提供即时客户服务和解答常见问题，无论是在线聊天还是电话客服。它可以理解和回答顾客的问题，从而减少人力资源的需求。2. 市场营销：ChatGPT 可以帮助企业生成吸引人的广告文案、推销邮件、社交媒体帖子等。它可以生成创意性和个性化的内容来吸引目标受众。3. 教育：ChatGPT 可以作为虚拟教师或辅导员，回答学生的问题、解释概念、提供教学材料等。它还可以为学习者提供个性化的学习路径和推荐资源。4. 语言翻译：ChatGPT 可以用于实时的语言翻译服务，帮助人们进行跨语言交流。它可以在不同的语言之间进行翻译，并提供准确的翻译结果。5. 医疗保健：ChatGPT 可以用于提供医疗咨询服务，回答患者的问题、解释病症和治疗方案等。它可以帮助患者获得及时且准确的健康咨询。6. 法律咨询：ChatGPT 可以用于提供基本的法律咨询服务，帮助客户了解法律程序、解答法律问题等。它可以提供一般性的法律建议，并引导客户寻求专业的法律帮助。7. 编程辅助：ChatGPT 可以帮助程序员解决编程问题、提供代码建议和调试帮助。它可以理解程序员的需求，并生成符合语法和逻辑的代码段。8. 旅游和酒店业：ChatGPT 可以用于提供旅游建议、预订酒店、规划旅行路线等服务。它可以回答旅行者的问题，根据他们的偏好提供个性化的建议。ChatGPT 可以在许多领域提供智能化的人机交互，帮助企业提高效率、改善用户体验，并减少人力资源的需求。它可以用于各种形式的对话交流，并根据特定场景提供定制化的解决方案。

一年一度的英伟达 GTC 大会再度拉开帷幕。穿着标志性皮夹克的「AI 黄仁勋」向开发者介绍了英伟达在硬件和 AI 领域最新的进展。年初的 CES 刚刚过去，对于英伟达来说，短时间就要拿出很多新的东西，挑战不小。但是从 CES 到短短 3 个月里，全球 AI 领域发生了翻天覆地的变化，这也成了英伟达的新契机。AI的 「iPhone 时刻」「AI 的『iPhone 时刻』已经到来」，老黄这样形容最近 AI 行业的「大事件」。2016年8月，黄仁勋将当年全球第一台 AI 超算捐给了 OpenAI。6年多后，OpenAI 带着 ChatGPT搅动了整个地球。大量的新型创业公司希望借助于这股东风来颠覆既有的传统商业模式，而许多传统的科技巨头也在纷纷拥抱 AI，来维系自己的领先地位。在 2023GTC 大会上，英伟达宣布了将和谷歌云、微软 Azure、甲骨文云联手推出 DGX 云服务。ChatGPT 将从目前使用的 A100 GPU 升级到使用微软 Azure 超级计算机用上 H100，理论上回复速度将快 10 倍。毫无疑问，ChatGPT 将会引发新一轮的人工智能革命，其对整个汽车行业也会产生深远的影响。ChatGPT 模型也将逐渐从人机沟通逐步赋能包括自动驾驶在内的智能网联系统的各个环节。在百度推出「中国版 ChatGPT」的「文心一言」后，吸引了包括集度、长安、吉利、长城、东风日产、零跑等车企纷纷抛来合作的橄榄枝。而在 ChatGPT 以及其他一众 AI 大模型技术的背后，都离不开英伟达在算力层面的大力支持。自从英伟达向 OpenAI 交付首台 DGX 超级计算机后，目前台 DGX 超级计算机已经成为市场上最主流的产品。最新 DGX 超级计算机的核心，是英伟达的 8 块 H100 模组。当 ChatGPT 这样的 AI 工具逐步渗透车企之后，最大的赢家之一依然会是英伟达。联想 x 英伟达，汽车行业新亮点？对于英伟达来说，在这次 GTC 上，和车企的合作，尤其是自动驾驶领域着墨不多。但这并不影响未来汽车领域的业务会成为英伟达的一个快速增长的新引擎。作为如今全球可以和特斯拉齐平、最为炙手可热的新能源车企之一，比亚迪与英伟达进一步扩大合作当消息得到了官宣。比亚迪的下一代王朝系列和海洋系列中的多款车型都将使用英伟达 DRIVE Orin 高性能计算平台。在今年二季度，比亚迪首款采用英伟达芯片且搭载了激光雷达的车型就将上市。在王传福看来，作为新能源汽车的上半场，比亚迪在电动化方面凭借刀片电池赚得盆满钵满；而在新能源汽车的下半场，比亚迪选择了英伟达作为智能化方面的最重要合作伙伴之一，也是希望在芯片算力层面，能够走在市场的最前列。除了 Drive Orin 平台之外，在今年 1 月份的 CES 展上，比亚迪也作为首批合作企业，将落地英伟达旗下 GeForce NOW 云游戏服务计划。而后者也是英伟达进军智能座舱市场的最新布局。不过让我们惊讶的是，联想成为首家采用英伟达新的自动驾驶域控制器的一级制造商，在不远的其域控制器将采用英伟达的 SoC 芯片。对于联想这样从事电脑服务器的硬件公司，进军智能电动车的高算力中央计算平台，既在意料之外，也是情理之中。对于联想来说，布局智能座舱、智能驾驶和中央计算平台等领域是对现有技术和产品的延伸，虽然会面临一定的困难，但是联想并不是从零开始，过往的技术积累可以发挥不小的作用。联想一直没有涉足芯片领域，因此引入英伟达的雷神芯片将帮助联想补齐最重要的一块短板。根据英伟达的介绍，雷神这款 SoC 芯片内部拥有 770 亿个晶体管，可以实现 2000 TOPS 的 AI 算力，或者是 2000 TFLOPs，其在算力上不仅已经远远超过了满足高等级自动驾驶的需要，已经完全有能力承担起汽车高算力中央计算平台的重任。这款芯片将在 2025 年大规模量产，而这个也和联想在 2025 年推出高算力的中央计算平台的时间表相吻合。在此之前，联想会推出算力达到 32TOPS 的行泊一体方案，而这也是目前被不少国内车企，尤其是在低成本车型上广泛应用的驾驶辅助解决方案，市场前景较为看好。不过对于国内汽车领域来说，已经有不少像联想这样的跨界玩家入局，甚至已经上车量产；对于联想来说，除了首发英伟达自动驾驶域控制器的一级制造商的先发优势外，还有哪些优势能让它赢得市场，还是未知数。Omniverse，英伟达征战车圈的新工具在汽车行业，英伟达的触角不仅仅是提供自动驾驶算力平台以及中央计算平台，其早已经将目光投向了汽车零部件的设计以及整车制造领域。通过赋能汽车行业的虚拟制造和虚拟工厂，英伟达希望让汽车设计和生产的数字化进程再上一个新的台阶。在过去几十年里，CATIA、UG 这些软件已经成为工程师必不可少的助手。整车企业使用这些虚拟仿真软件，通过数字化模拟的手段提前对后期的成品进行预览的方法来进行前期的零部件设计以及整车的总布置工作。如果没有前期的虚拟仿真，后期重新设计不仅成本较高，而且很有可能造成项目的时间节点的延误。但最近十多年来，这些软件都没有突破性的革命成为席卷全球的 AI 浪潮的「法外之地」，没有能够对整车企业的零部件设计提供更大的帮助。英伟达打造了 Omniverse，它说到底是一个虚拟世界仿真引擎，不仅可以精确反映真实的物理世界，同时也能够遵守物理学定理。所以 Omniverse 不仅能够在前期验证零部件与整车的装配关系，避免后期的包括动态干涉在内的各种装配上的问题，同时也能指导工厂设计，并帮助整车企业对工厂布局进行持续优化。对于绝大部分希望全面转型电动车的传统车企来说，工厂的改造任务非常繁重。前期虚拟阶段验证地越充分，后期实际占用工厂时间就会越少，而节约出来的时间就可以被用来进行生产。根据 GTC 现场黄仁勋的介绍，宝马时下正在使用 Omniverse 来对全球 30 家工厂的运营进行规划。在每座工厂正式投入量产前两年，宝马就会使用 Omniverse 模拟建造一座完整的虚拟工厂，并进行持续的调整和优化，以此避免后期工厂建设完毕之后再进行比较大规模的调整，进而影响生产。宝马之外，包括沃尔沃、通用汽车、奔驰、捷豹路虎、Lotus、丰田等都已经是英伟达 Omniverse 的用户。从某种程度上来说，未来英伟达很有可能利用自己的优势地位来逐步取代我们熟悉的 CATITA 和 UG，成为整车企业的数字化设计工具。而这个所能撬动的，同样是一个体量巨大且前景非常可观的市场。最后「生成式 AI 正在推动 AI 的快速应用，并重塑无数行业。」 在 ChatGPT 之后，相信没有人再会去怀疑这句话。汽车行业只是英伟达当前涉足的一个产业而已，可能深深埋藏在老黄心底的，是让 AI 去赋能整个社会的方方面面，以此来推动全世界科技的进步和产业发展的梦想。AI 的「iPhone 时刻」，也正是英伟达「核弹发射」的时刻。【本文来自易车号作者GeekCar极客汽车，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】

低代码开发可以解决bug比较多的问题，因为代码写得越少，出现的bug就越少，同时低代码开发解放了在开发过程当中一些比较冗余，重复编码的工作，能够非常有效的降低人工成本。那么什么是低代码开发呢？我们可以简单地理解为用一种最少的手写代码量快速的进行一些设计，或者是进行软件系统的开发。低代码开发具有一些比较明显的 特征，可视化的设计器，各种后端的或者是服务类的连接器，以及管理器，用于管理程序生命周期的。低代码开发所能解决的问题其实是可以分成两个部分的。首先第一部分是相对于业务人员来讲的，低代码具有一定的灵活性，能够解决开发周期较长这一问题，其次便是由于IT的技术人员一般很难感受到一些业务人员的难处，因此使用低代码可以减少业务人员和IT技术人员的沟通成本，业务人员使用低代码进行平台自定义的demo，然后IT技术人员再去实现。最后便是低代码能够降低出错的概率，使用低代码出现错误的时候能够快速的找到并解决。那么第二部分就是对于开发人员的，首先低代码能够降低成本，其次便是低代码的跨平台性，有效的提高了软件开发的效率。抵代码开发不仅节约了研发时间，生产成本，而且还能非常有效的提高开发的效率，对于开发人员，IT技术人员以及企业来讲，低代码是一个非常不错且明智的选择。

随着人工智能技术的不断发展和普及，游戏产业目前正在经历一次巨大的变革。AI技术不仅可以改善游戏的画面和音效，还可以提高游戏的难度和挑战性，增强游戏的趣味性和可玩性，让玩家更加沉浸其中。AI技术为游戏产业带来了哪些改变？它可以实现游戏画面的高度还原，让游戏中的人物、场景和道具更加真实自然。AI技术还可以提高游戏的音效和音乐，让游戏中的声音更加动听，更加符合游戏的情境和氛围。除了提升游戏的音画效果外，AI技术还可以让游戏更加智能化。AI可以根据玩家的游戏习惯和喜好，为其推荐合适的游戏模式和挑战难度，从而提高游戏的趣味性和可玩性。AI还可以在游戏中扮演辅助角色，帮助玩家更好地理解游戏规则和玩法，提高游戏的上手难度。AI技术还可以应用于游戏的推广和营销。AI可以根据玩家的喜好和行为，为其推荐合适的游戏和游戏周边产品，从而提高游戏的销量和知名度。AI还可以在游戏中插入广告和营销内容，从而提高游戏的收益和品牌价值。可以说，AI技术已经成为游戏产业的重要助推器，它为游戏产业带来了更多的可能性和机遇。随着AI技术的不断发展和应用，我们可以预见到未来游戏产业的发展将更加迅速和壮大。为了更好地推动AI技术在游戏产业的应用和发展，许多企业和机构已经开始了相关的合作和交流。在中国国际数码互动娱乐展览会（ChinaJoy）展会现场，不少企业纷纷展示了其在AI技术方面的创新和应用，展示了人工智能与游戏产业的结合带来的无限可能。AI已经成为一个极其重要的技术领域，未来它将会在更多的行业产生重大的影响，并且有望继续推动人类社会的进步。根据市场研究公司Tractica的报告，全球AI市场规模预计将在2025年达到1185亿美元。AI技术赋能游戏产业飞速发展，这既是人工智能技术的崛起带来的必然趋势，也是游戏产业不断探索和创新的结果。我们相信，AI技术将在游戏产业中扮演越来越重要的角色，为游戏产业带来更多的机遇和挑战。2023年，第二十届ChinaJoy将在BTOB展区全新增设数字科技创新主题展区，展示全球数字娱乐领域中涉及5G、Web3.0、人工智能、元宇宙、数字人、ChatGPT、AIGC、区块链的技术及应用类产品，也代表着未来数字娱乐技术的最新发展趋势。主办方将组织邀请国内外在前沿科技领域的创新型企业参展参观。截止百度、牛信云、汉王友基、科大讯飞、巴比特、世优科技等相关领域的业界企业正在与主办方积极踊跃洽谈中。更多创新科技，尽在本届ChinaJoy！本届ChinaJoy将于今年7月28日至7月31日在上海新国际博览中心举办，同期CJPlus（ChinaJoy线上展）也将迎来其全新形态，开启“线下+线上”的多元化数字娱乐嘉年华模式。期待相聚2023年，诚挚邀您共同见证ChinaJoy辉煌的二十周年盛典！2023年第二十届ChinaJoy招商工作如火如荼！在此，我们诚邀海内外业界企业共赴盛会、共享盛世！欢迎广大企业联系主办方接洽参展事宜。了解ChinaJoy具体参展和赞助详情并进行相关项目预定接洽，可咨询主办方工作人员：参展赞助朱女士：Toma.zhu@howellexpo.net师先生：Shijin@howellexpo.net刘女士：Emily_liu@howellexpo.net杨女士：Yangyanping@howellexpo.net戚先生：Weber.qi@howellexpo.net媒体宣传朱女士：Sumi_zhu@howellexpo.net王先生：Chris_Wang@howellexpo.net

盘古大模型主要是帮助自动驾驶提升数据闭环。华为盘古大模型开始赋能自动驾驶。华为云智能驾驶创新峰会上，基于盘古大模型，华为发布自动驾驶领域四个场景大模型。分别是，场景生成大模型、场景理解大模型、预标注大模型、多模态检索大模型。与此华为方面称，基于盘古大模型3.0，华为云还可以帮助企业打造自己的自动驾驶大模型。自2017年谷歌发布Transformer网络结构，成为大模型发展源头技术后，大模型技术在自然语言理解、计算机视觉、智能语音等方面都取得了突破。中国自2020年也进入大模型快速发展期，出现了文心一言、通义千问、星火认知等一批预训练大模型。与其他大模型相比，华为盘古大模型有什么不同？“3.0”又是什么架构？它在自动驾驶领域主要有哪些作用，又面临哪些挑战呢？01盘古大模型3.0是什么？华为盘古大模型布局已久，其负责人是华为云AI首席科学家田奇。田奇曾于2008至2009年，从大学调至微软亚洲研究院多媒体计算组进行研究工作。2018 年，田奇加入华为担任首席科学家，负责华为云相关业务。2020年，在田奇带领下，华为启动盘古大模型启动研发，并于2021年4月正式发布，到2022年聚焦行业应用落地。今年7月7日，华为开发者大会（Cloud）期间，盘古大模型3.0正式发布。盘古大模型3.0是一个完全面向行业的大模型系列，包括“5+N+X”三层架构。Δ 华为云盘古大模型架构L0层是指基础大模型，包括NLP（自然语言处理）大模型、CV（计算机视觉）大模型、多模态大模型、科学计算大模型和预测大模型五个基础大模型。华为在这五大发展方向中的成熟度是不同的。与风头正劲的ChatGPT在NLP领域比较强势不同，盘古大模型的初衷主要是服务B段的客户，因此更聚焦比较成熟的CV领域。L1层指N个行业大模型，华为云可以提供使用行业公开数据训练的行业通用大模型，包括政务、金融，制造，矿山，气象等大模型；也可以基于行业客户的自有数据，在盘古大模型的L0和L1层上，为客户训练自己的专有大模型。L2则提供了更多细化场景的模型，是在L1基础上结合行业细分场景得到的推理模型，包括政务热线、网点助手、先导药物筛选、传送带异物检测、台风路径预测等具体行业应用或特定业务场景，提供“开箱即用”的模型服务。整体来看，盘古大模型分为三个训练阶段：一是预训练，利用海量数据进行预训练得到通用基础模型，二是微调，针对下游行业具体任务，结合行业数据进行微调；三是大模型迭代，结合不断产生的新数据和之前训练使用的数据，实现大模型的终身学习。Δ 华为盘古生态产业链。数据来源：东吴证券在此之下，盘古大模型3.0还具备自研和解耦两大特征。自研方面，根据华为云CEO张平安此前介绍，“华为自研的AI根技术，在最底层构建了以鲲鹏、升腾为基础的AI升腾云算力底座。并在升腾之上，提供了计算框架CANN……升腾云的效能不仅不落后，反而领先于业界主流GPU，盘古大模型训练效率对比业界主流GPU平均提升1.1倍。”解耦，是盘古大模型3.0的另一个关键词。设计上，盘古大模型采用完全的分层解耦设计。合作伙伴可以基于此为自己的大模型加载独立的数据集，也可以单独升级基础模型，又可以单独升级能力集。与此在L0和L1大模型的基础上，华为云还为客户提供了大模型行业开发套件，通过对客户自有数据的二次训练，客户就可以拥有自己的专属行业大模型。根据客户不同的数据安全与合规诉求，盘古大模型还提供了公用云、大模型云专区、混合云多样化的部署形态。02如何赋能自动驾驶？具体到自动驾驶领域，盘古大模型3.0当下的主要作用是提升数据闭环。数据闭环核心目的，是不断将高价格数据从原始数据中提取出来后，输送给算法做训练，最终不断完善算法，解决各种corner case（长尾场景）。方式则是从车端提取数据做初期整理，然后进行场景化管理，再进行数据标注、训练、仿真，最后回给采集需求。每一个过程都有大数据可以发力的机会点。Δ 华为云盘古大模型赋能场景理解场景理解，这主要是为了提取自动驾驶高价值数据。当下，随着高速NOA、城市NOA的不断推进，自动驾驶公司或车厂每年积累的数据不断增加，甚至达到百TB级别，其中真正能够送去做算法训练的不到百分之十，如何高效从原始数据中把需要的数据筛选出来非常重要。根据华为方面透露，一些企业已经有大量的数据积累，传统的方式需要人工回看，再进行打标、分类组织起来。这样的速度是比较慢的，因此容易造成前端数据积压。大模型的机会点在于，可以自动理解视频当中的内容进行自动打标签，并形成产品化管理，为提取高价值场景做自动筛选。数据标注，正如上文所说，一些企业每年有上百TB数据需要标注，每年在此之中的花费可能为千万甚至上亿元，且效率还不能满足数据供给需求。大模型的机会点在于，它具有高精度优势，可以完成2D、3D的高精度标注，最高可以降低90%标注量。在华为做完预标注后，会与车企、标注第三方公司合作，在此基础上进行进一步处理。在华为看来，这意味着车企的任务从标注变成了质检，可以有效降低成本，并提升30%到40%的效率提升。Δ 华为云盘古大模型赋能预标注再此是场景生成，这一部分的主要目的是使感知模型的长尾问题能够自动生成补齐。一般情况下，当算法团队发现其算法在某些长尾问题下完成度不高时，会提出corner case收集需求。此前主要是两种方式去进行采集，一是出采集任务，到真实场景里去采集，但corner case往往可遇不可求，很难真的碰到并被收集，效率低下；另一种则是传统3D建模的方式，这非常依赖3D建筑工程师的人工经验，且由于精度不够，当需要输出感知模型进行训练时，往往不足以支撑，导致模型精度下降。这大模型的机会点是，从实车数据学习如何生成新视频，同时处理重建和渲染，生成数据可用于感知算法训练；重建各类障碍物构建素材库，根据需要构造corner case，增强数据完备性；针对天气、昼夜、季节等环节因素对已有场景进行变换，构造corner case。华为提供的方式是，基于神经网络做实车场景，并进行重建跟渲染。根据华为云EI服务产品部部长尤鹏的说法，华为云通过盘古大模型赋能自动驾驶开发平台，可以实现三层加速：通过数智融合架构打破数据、AI资源管理边界，在一个平台即可完成开发、测试、交付上线工作，让业务创新提效2倍，实现数据加速；借助盘古大模型在认知、感知、决策、优化等全领域的能力，车企可以快速基于盘古训练出自己需要的模型，实现算法加速；基于升腾AI云服务，可针对自动驾驶300+算法进行优化，60+实现精度性能提升，可以做到千卡训练数月不中断，实现算力加速。03还有哪些挑战？未来很丰满，但当下盘古大模型的应用还处于比较早期阶段，至少在自动驾驶领域如此。根据华为方面介绍，目前上述三种华为自动驾驶相关大模型中，只有场景理解大模型已有客户（比亚迪）合作落地。其他场景有一些联创项目，正在计划落地中。与此大模型也面临成本压力。有数据显示，大模型的训练成本很高很高，GPT-3训练一次的成本可能在1200万人民币。而华为方面，在训练千亿参数的盘古大模型时，也调用了超过2000块的升腾910，进行了超过2个月的训练，价格不菲。大模型运用于自动驾驶时要求算力所带来的成本，以及如何分配算力成本也是量产面临的关键问题。华为方面以高精地图类比称，高精地图对于自动驾驶的加持作用是毋庸置疑的，但近期多家车企提出了“无图”方案，除了政策原因外，成本问题是很大的因素。GPT-3出现之后也给了业界一个很大的启示，是否还要继续这样“暴力美学”地走下去。学界有观点认为，大模型在现在的参数基础上再指数级增加对模型的性能边际效应已经减弱了，那么这就需要一些降本的方法：Open AI团队选择的方式是做精准高质量的标注。华为也有自己的思考。一方面选择小样本训练，通过自监督的方法，以更少的标注数据来做训练，以降低成本。另一方面，盘古大模型的三层架构也能在结构上实现降本。L0层是通识性的大模型，具备鲁棒性和泛化性；大模型训练好了之后不用再重复训练，只需在L1和L2层做适应性训练，成本关系是上一层的5-10%。大模型落地还面临数据复用、云端和车端不同芯片匹配、数据脱敏后鲜艳度等一系列问题待讨论。可以预见，无论是华为，还是其他公司关于大模型的探索还在起步阶段，还需要很长时间去落地、验证。（完）【本文来自易车号作者赛博汽车，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】