老被人说在大模型竞赛中掉队的华为，这次终于带着它的家伙事儿来了。
将近三个小时的发布会，还是继承了华为以往大杂烩的风格，看得世超是眼花缭乱。
不过，总结下来其实也就突出了一个主题：盘古大模型 3.0 。
其实就在前几天，当别的大模型还在比各种评分的时候，盘古靠着世界顶级期刊 Nature 认证的金字招牌，以一种别具一格的方式进入了大家的视野。
据说，加入了盘古大模型，气象预测的速度提高了 10000 倍以上，几秒钟就能出结果，台风打哪来，几点来，啥时候走，都能给你预测得明明白白的。
最主要的是，它的预测精度甚至超过了号称全球最强的欧洲气象中心的 IFS 系统，算是头一个 AI 预测赢了传统数值预测的产品。
要知道，以往的 AI 气象预测多是基于 2D 神经网络开发，但气象这玩意实在是太复杂了，2D 着实有点儿吃不消。
而且，之前的 AI 模型会在预测的过程当中不断累计迭代的误差，容易影响到结果的精确性。
而盘古气象大模型牛就牛在，他们用了个叫 3DEST 的三维神经网络来处理气象数据， 2D 干不了的那就换 3D 来。
3DEST 的网络训练和推理策略
针对迭代误差的问题，模型还用了个 “ 层次化时域聚合策略 ” 来减少迭代误差，从而提高预报的精度。
这词儿虽然听起来挺容易被唬住的，但其实很好理解。
就比如，之前的 AI 气象预测模型 FourCastNet ，在台风来之前，它会提前 6 小时进行预测，在这 6 个小时里，模型会多次计算台风到底啥时候来。
但盘古气象大模型想了个法子，训练了 4 个不同预报间隔的模型，分别是 1 小时迭代 1 次，还有 3 小时、 6 小时和 24 小时迭代 1 次。
再根据具体的气象预测需求，选择相应的模型进行迭代。
就比如说，咱们如果要预测未来 7 天的天气，那就让 24 小时的模型迭代 7 次；预测 20 个小时就是 6 小时的模型迭代 3 次 +1 小时的迭代 2 次。
迭代次数越少，误差也就越小。
这波操作，让天气预报又迈向了一个新的 level 。
有一说一啊，这盘古大模型跟咱之前接触到的 ChatGPT 、 Midjourney 的确不太一样，人家做的是行业的生意。
简单来理解，就是盘古大模型咱个人一般用不上。
它并不是大家期待的 ChatGPT“ 克星 ” ，而是针对平时不太能接触到的To B 市场。
咱先不提难与不难，至少华为这么多年积累下来的企业客户资源，确实很容易变现。
而且华为这次的发布会可不止带来了气象预测模型这一个狠角色。
40 多年都没发现新的抗生素，盘古药物分子大模型一来就找着了超级抗菌药 Drug X ，而且药物的研发周期从数年缩短至几个月，研发成本降低 70% 。
盘古矿山大模型也能深入到采煤的 1000 多个工序之中，而且光是里头挑选精煤的这一个环节，就能让精煤回收率提升 0.1% 到 0.2% 。
要知道，一家年产 1000 万吨焦煤的选煤厂，每提升 0.1% 精煤产率，每年就能多 1000 万的利润。
事实上，除了上边儿咱提到的天气预测、药物研发和选煤，盘古大模型在很多行业里都已经用起来了。
发布会上，华为云人工智能首席科学家田奇就表示，华为云人工智能项目已经应用在了超过 1000 个项目中，其中 30% 用在客户的核心生产系统里，平均推动客户盈利能力提升了 18% 。
而华为能够量产这些各不相同的行业大模型，要归功于华为盘古大模型 3.0 的 5+N+X 三层架构。
正是这种结构，让盘古能够快速落地到各个行业里。
为什这么说呢？
张平安在发布会上就说， “ 由于行业数据获取难，技术与行业结合难，大模型在行业的落地进展较慢。 ”
而盘古则很巧妙，通过 5+N+X 的三层架构，直接把这个大难题拆成了 3 个小问题来解决。
首先，是先让盘古 L0 层的 5 个大模型，学习了上百 TB 的百科知识、文学作品、程序代码等文本数据，以及数 10 亿张带文本标签的互联网图像。
咱们可以理解为，先让第一层 L0 的大模型（ 自然语言大模型、视觉大模型、多模态大模型、预测大模型、科学计算大模型这 5 个基础大模型 ）建立起基本的认知，也就是有点像咱们大学前的素质教育阶段。
然后，在第二层 L1 中的模型，则是让 L0 中的某一个基础大模型学习 N 个相关行业的数据形成的。这就像大学的本科阶段，需要选择各种专业去学习。
打个比方，医院里的 CT 影像检测跟工厂的图像质检虽说用的都是视觉大模型。
但毕竟一个是医院，一个是工厂，使用场景完全不一样，光靠基础大模型那肯定行不通，但如果把行业数据加进去，可能就有惊喜了。
最后的 L2 ，则类似研究生，会在具体行业的基础上再细化到某个场景。比如在仓储物流行业里，货物的运输、入库、出库可能都需要用到不一样的部署模型。
根据他们的说法，过去开发一个 GPT-3 规模的行业大模型，通常需要 5 个月；而有了这套东西，开发周期能缩短至原来的 1/5 。
同时很多行业数据集小的限制也能被解决。比如造大飞机这种很细很细的行业，也能有大模型。
除了这一套大模型，华为这次还提出了个非常有意思的东西——算力国产化。
众所周知，咱们在 AI 算力方面，确实是比较尴尬。
一来， AI 行业的核心设备英伟达的 H100/A100 咱们买不到，二来，即使英伟达 “ 贴心 ” 出了平替 H800 ，但是也有所保留。比如，在传输速率上就砍了不少。
在大模型动辄几个月训练时间的背景之下，这就很容易被算力更强的国外同行弯道超车。
而这一回，针对这个问题，华为还是掏了些真家伙出来的。
比如，在纸面性能上，华为的昇腾 910 处理器已经够上了英伟达 A100 。
不过实际应用起来，还是有一些差距的。而且 A100 这也不是英伟达的终极武器。
但是，昇腾已经受到了不少友商的认可。华为甚至在发布会上，直接表示 “ 中国一半大模型的算力都是由他们提供的 ” 。
比如，根据发布会的说法，算上 AI 昇腾云算力底座、计算框架 CANN 。。。等环节，华为在训练大模型方面，效率是业界主流 GPU 的 1.1 倍。
还有，他们给用户制定好了全套的应用套餐。
例如，美图仅用 30 天就将 70 个模型迁移到了华为生态。同时华为还表示，在双方的努力下，AI 性能较原有方案提升了 30% 。
还是挺可观的。
而且华为还说，他们现在有近 400 万的开发者，这个数量，是和英伟达 CUDA 生态对齐了。
总的来说，一场华为发布会看下来，差评君觉得华为在 AI 方面的布局是很深刻的，他们早就开始思考 “AI 真正能带给我们什么 ” 这个问题了。
过去半年里， AI 行业虽然掌声雷动，但是真正落到行业层面，多少有些尴尬。
而华为的这一次动作，恰好印证了如任正非说的：
“ 未来在 AI 大模型方面会风起云涌的，不只是微软一家。人工智能软件平台公司对人类社会的直接贡献可能不到 2% ， 98% 都是对工业社会、农业社会的促进。 ”
AI 领域，真正的大时代还在后头。
老被人说在大模型竞赛中掉队的华为，这次终于带着它的家伙事儿来了。
将近三个小时的发布会，还是继承了华为以往大杂烩的风格，看得世超是眼花缭乱。
不过，总结下来其实也就突出了一个主题：盘古大模型 3.0 。
其实就在前几天，当别的大模型还在比各种评分的时候，盘古靠着世界顶级期刊 Nature 认证的金字招牌，以一种别具一格的方式进入了大家的视野。
据说，加入了盘古大模型，气象预测的速度提高了 10000 倍以上，几秒钟就能出结果，台风打哪来，几点来，啥时候走，都能给你预测得明明白白的。
最主要的是，它的预测精度甚至超过了号称全球最强的欧洲气象中心的 IFS 系统，算是头一个 AI 预测赢了传统数值预测的产品。
要知道，以往的 AI 气象预测多是基于 2D 神经网络开发，但气象这玩意实在是太复杂了，2D 着实有点儿吃不消。
而且，之前的 AI 模型会在预测的过程当中不断累计迭代的误差，容易影响到结果的精确性。
而盘古气象大模型牛就牛在，他们用了个叫 3DEST 的三维神经网络来处理气象数据， 2D 干不了的那就换 3D 来。
3DEST 的网络训练和推理策略
针对迭代误差的问题，模型还用了个 “ 层次化时域聚合策略 ” 来减少迭代误差，从而提高预报的精度。
这词儿虽然听起来挺容易被唬住的，但其实很好理解。
就比如，之前的 AI 气象预测模型 FourCastNet ，在台风来之前，它会提前 6 小时进行预测，在这 6 个小时里，模型会多次计算台风到底啥时候来。
但盘古气象大模型想了个法子，训练了 4 个不同预报间隔的模型，分别是 1 小时迭代 1 次，还有 3 小时、 6 小时和 24 小时迭代 1 次。
再根据具体的气象预测需求，选择相应的模型进行迭代。
就比如说，咱们如果要预测未来 7 天的天气，那就让 24 小时的模型迭代 7 次；预测 20 个小时就是 6 小时的模型迭代 3 次 +1 小时的迭代 2 次。
迭代次数越少，误差也就越小。
这波操作，让天气预报又迈向了一个新的 level 。
有一说一啊，这盘古大模型跟咱之前接触到的 ChatGPT 、 Midjourney 的确不太一样，人家做的是行业的生意。
简单来理解，就是盘古大模型咱个人一般用不上。
它并不是大家期待的 ChatGPT“ 克星 ” ，而是针对平时不太能接触到的To B 市场。
咱先不提难与不难，至少华为这么多年积累下来的企业客户资源，确实很容易变现。
而且华为这次的发布会可不止带来了气象预测模型这一个狠角色。
40 多年都没发现新的抗生素，盘古药物分子大模型一来就找着了超级抗菌药 Drug X ，而且药物的研发周期从数年缩短至几个月，研发成本降低 70% 。
盘古矿山大模型也能深入到采煤的 1000 多个工序之中，而且光是里头挑选精煤的这一个环节，就能让精煤回收率提升 0.1% 到 0.2% 。
要知道，一家年产 1000 万吨焦煤的选煤厂，每提升 0.1% 精煤产率，每年就能多 1000 万的利润。
事实上，除了上边儿咱提到的天气预测、药物研发和选煤，盘古大模型在很多行业里都已经用起来了。
发布会上，华为云人工智能首席科学家田奇就表示，华为云人工智能项目已经应用在了超过 1000 个项目中，其中 30% 用在客户的核心生产系统里，平均推动客户盈利能力提升了 18% 。
而华为能够量产这些各不相同的行业大模型，要归功于华为盘古大模型 3.0 的 5+N+X 三层架构。
正是这种结构，让盘古能够快速落地到各个行业里。
为什这么说呢？
张平安在发布会上就说， “ 由于行业数据获取难，技术与行业结合难，大模型在行业的落地进展较慢。 ”
而盘古则很巧妙，通过 5+N+X 的三层架构，直接把这个大难题拆成了 3 个小问题来解决。
首先，是先让盘古 L0 层的 5 个大模型，学习了上百 TB 的百科知识、文学作品、程序代码等文本数据，以及数 10 亿张带文本标签的互联网图像。
咱们可以理解为，先让第一层 L0 的大模型（ 自然语言大模型、视觉大模型、多模态大模型、预测大模型、科学计算大模型这 5 个基础大模型 ）建立起基本的认知，也就是有点像咱们大学前的素质教育阶段。
然后，在第二层 L1 中的模型，则是让 L0 中的某一个基础大模型学习 N 个相关行业的数据形成的。这就像大学的本科阶段，需要选择各种专业去学习。
打个比方，医院里的 CT 影像检测跟工厂的图像质检虽说用的都是视觉大模型。
但毕竟一个是医院，一个是工厂，使用场景完全不一样，光靠基础大模型那肯定行不通，但如果把行业数据加进去，可能就有惊喜了。
最后的 L2 ，则类似研究生，会在具体行业的基础上再细化到某个场景。比如在仓储物流行业里，货物的运输、入库、出库可能都需要用到不一样的部署模型。
根据他们的说法，过去开发一个 GPT-3 规模的行业大模型，通常需要 5 个月；而有了这套东西，开发周期能缩短至原来的 1/5 。
同时很多行业数据集小的限制也能被解决。比如造大飞机这种很细很细的行业，也能有大模型。
除了这一套大模型，华为这次还提出了个非常有意思的东西——算力国产化。
众所周知，咱们在 AI 算力方面，确实是比较尴尬。
一来， AI 行业的核心设备英伟达的 H100/A100 咱们买不到，二来，即使英伟达 “ 贴心 ” 出了平替 H800 ，但是也有所保留。比如，在传输速率上就砍了不少。
在大模型动辄几个月训练时间的背景之下，这就很容易被算力更强的国外同行弯道超车。
而这一回，针对这个问题，华为还是掏了些真家伙出来的。
比如，在纸面性能上，华为的昇腾 910 处理器已经够上了英伟达 A100 。
不过实际应用起来，还是有一些差距的。而且 A100 这也不是英伟达的终极武器。
但是，昇腾已经受到了不少友商的认可。华为甚至在发布会上，直接表示 “ 中国一半大模型的算力都是由他们提供的 ” 。
比如，根据发布会的说法，算上 AI 昇腾云算力底座、计算框架 CANN 。。。等环节，华为在训练大模型方面，效率是业界主流 GPU 的 1.1 倍。
还有，他们给用户制定好了全套的应用套餐。
例如，美图仅用 30 天就将 70 个模型迁移到了华为生态。同时华为还表示，在双方的努力下，AI 性能较原有方案提升了 30% 。
还是挺可观的。
而且华为还说，他们现在有近 400 万的开发者，这个数量，是和英伟达 CUDA 生态对齐了。
总的来说，一场华为发布会看下来，差评君觉得华为在 AI 方面的布局是很深刻的，他们早就开始思考 “AI 真正能带给我们什么 ” 这个问题了。
过去半年里， AI 行业虽然掌声雷动，但是真正落到行业层面，多少有些尴尬。
而华为的这一次动作，恰好印证了如任正非说的：
“ 未来在 AI 大模型方面会风起云涌的，不只是微软一家。人工智能软件平台公司对人类社会的直接贡献可能不到 2% ， 98% 都是对工业社会、农业社会的促进。 ”
AI 领域，真正的大时代还在后头。