人工智能小模型是什么意思-大模型+小模型，AI产品新沸点

大模型带来AI 2.0和无限可能。

但无论它的未来有多么“无限可能”，它仍然会面临同样的核心问题：如何实现。

多年来，如果要选择AI实施过程中最大的挑战，AI产品很可能就是其中之一。 技术浪潮迭代，场景复杂。 然而，产品作为两者之间的桥梁，目前还没有得到很好的界定。

海量应用场景下的AI产品将如何定义？

去年，旷视科技提出了“算法定义硬件”的概念。 近日，旷视科技推出了魔方B4T系列产品。 如果说“算法定义硬件”是旷视的解决问题思路，那么“魔方B4T系列”就是旷视的阶段性答案。

作为一个拥有十几年经验的AI玩家，“算法定义硬件”行得通吗？ 面对大机型时代的到来，旷视科技对于AI产品的认知将会发生哪些变化？

1.算法定义硬件，正在进行中

识别率提升、准确率突破、榜单排名是早期AI世界的主旋律。

当时的AI公司也处于解决算法领域问题的状态，因此重点开发标准化模块和SaaS服务产品。

当他们尝试实施时，很快发现没有适用于所有场景的通用解决方案。 客户需要的不是单一的模块或开发套件，也不具备集成SDK的能力。 标准的SDK可以实现，但不一定能解决客户的问题。

例如，即使同一品牌有上百种不同的产品，芯片、传感器性能、分辨率大小、焦距等不同，规格和要求也不同，每个应用场景对应一套硬件和系统。一组算法。 这是一个巨大的工作量。

归根结底，人工智能本身并不是一种产品。

旷视意识到他们必须改变道路。 因此吉祥物设计，他们决定围绕其核心人工智能能力开发产品解决方案。

人工智能技术商业化并落地到很多行业场景并不是一件容易的事。

在人工智能产业化过程中，技术和产品之间存在巨大差距。

企业不仅需要从技术角度考虑可行性，还需要从工程角度考虑实施方案，重点关注工程现场与算法性能的结合。 例如，视频应用环境多种多样，包括白天、夜晚、雨天等，不同条件下的成像并不相同，这就要求算法能够满足复杂的开放环境。

由此，旷视科技踏上了五六年的产品探索之路，从注重技术转向不仅注重技术吉祥物设计，还注重产品、客户、生态。

与此同时，市场也在发生着巨大的变化：人工智能的需求爆发式增长。 人工智能等技术日趋成熟，并与碎片化的行业场景深度融合。 越来越多的细分领域长尾需求被激发，庞大的AIoT市场正在慢慢兴起。

明厨灶、火焰识别、电动车识别、吸烟识别、反光服装识别、快递爆炸识别、疲劳驾驶检测……

无数分散在全国各个地区、各个行业的人工智能需求，就像一条潺潺溪流，流淌、奔腾在庞大的山河体系中。

但市场太大，供应量太小。 而且，扎根长尾市场的公司很少，没有一家公司能够覆盖所有算法。

在这些场景下，对于基数较大的中小企业来说，算法制作门槛高、周期长、成本高、效果差。

说白了，AI仍然是一种贵族技术，在长尾场景下很难拥有。

AI产业的共同繁荣，是让各行各业真正受益于智能化、数字化变革。 核心点是算法类别的丰富性和算法的高性价比。

针对AIoT的场景化需求和当前难点人工智能小模型是什么意思，旷视科技提出了自己的解决方案：算法定义硬件。

AI技术要形成真正的商业闭环，需要在与场景深度融合的基础上，找到合适的载体，即算法+硬件+应用。 只有优化匹配场景，才能大规模实施。

旷视科技通过“标准化硬件+开放算法平台”的产品组合解决了落地问题。

简单来说，就是利用海量算法+一定数量的通用/标准硬件，满足AIoT领域海量碎片化场景的需求，为数千种场景提供普惠的人工智能算法。

旷视科技联合创始人、企业业务研发负责人杨牧告诉雷锋网，虽然整个B端市场场景多样、需求碎片化，但近年来企业客户市场出现了几大趋势：基础设施云化、核心技术互联网化、应用数字化、智能化。

旷视还开发了模组、边缘计算盒、面板机、AI工控机等几大类通用硬件，基于这些通用硬件载体，针对不同场景开发不同的算法。

旷视科技为合作伙伴提供算法量产能力，让他们能够根据自己的行业理解开发出更好的产品，让更多的人了解和使用AI，并联合生态合作伙伴为千行百业赋能。

2. 一个好的AI产品应该是什么样的？

旷视科技想要实现的不仅是在行业“用”AI，更是“用好”AI。

在杨牧看来，真正“好产品”的核心就是两个字：简单。 一款让用户轻松使用AI的好产品。

在过去的几十年里，旷视科技已经建立了强大的技术体系，但光有好的AI技术是不够的。 好的技术必须转化为最好的产品。 旷视科技始终以人工智能技术为基础。 现在，旷视科技希望以产品为生命。

这是旷视科技“算法定义硬件”软硬件一体化产品设计理念的延伸，也顺应了人工智能的普及。

杨牧认为，好的To B产品不仅要让用户用，还要用好来降低成本、提高效率。 好的产品在不同的环节有不同的定义，而简单是所有环节中最有效、最终极的东西。

“判断技术好坏的标准有很多，但产品和市场是唯一的检验标准。”

旷视科技的“简单”分为三个层次：产品选择上“容易决策”、合同履行上“容易交付”、使用上“口碑好”。

一是高效选品，通俗地说就是让顾客“闭着眼睛选”。 高性能、高性价比、更少但更精细的产品将使客户的决策变得更加容易，因此需要高水平的产品集成度；

二是轻交付，通过更好的产品定义和更简单的配置方式，让价值交付更简单；

三是良好的信誉，让合作伙伴省心、让客户放心、让用户舒心。

“当一个产品能够被轻易决定、使用、认可时，就说明它是一个好产品，自然会获得良好的口碑。” 杨母说道。

在推动算法在各行业实际场景落地的过程中，旷视科技始终坚持“落地是算法价值的最终检验标准”。

事实上，好的产品背后一定有好的技术，技术可以降低AI的使用门槛，好的技术实际上可以让AI变得更好用。 两者相辅相成，相互促进。

“好的产品就是把‘简单’交到用户手中，把‘复杂’的技术留给我们自己。这几年我们一直在聚焦、聚焦、再聚焦，希望做出更少，但更实用的产品。”更多的。” 好的。”杨母说道。

魔方B4T系列就是这样的解决方案。 它是旷视科技基于“算法定义硬件”理念打造的简单易用的产品解决方案。 它集成了旷视AIS算法生产平台、边缘计算智能分析盒、算法训练。 服务合一。

首先是算法，最大程度的简化了算法的实现。

人工智能算法之所以是高贵的技术，原因之一是算法从产生到实现是一个多环节、长链条、高度复杂的过程。 包括需求分析、数据处理、模型训练、在线部署、最终应用实现。 其中，算法还需要反复多轮打磨。

AIS平台标准化了数据生产、算法模型和推理框架三个核心环节，预先集成了多个核心底层模型。 同时，魔方B4T将AI算法的生产、部署、运维集成到一个平台。 借助智能分析盒、平台、硬件和服务，可以在平台上一站式解决用户的算法需求。

算法量产问题解决了，训练步骤和训练周期太长？

魔方B4T零代码、高精度的开发方式，将算法训练过程从12步简化为仅需5步，无需编写任何代码，非技术人员也能轻松上手。 目前，AIS平台可支持100多种业务模型的训练，最快2小时即可完成。

在用户方面，用户对这些无所谓。 用户只需要知道如何使用平台，而不需要了解底层代码。 他们可以轻松地训练他们想要的场景算法。

数以千计的行业正在数字化，它们的需求各不相同。 合作伙伴可以根据自己的行业知识定制产品解决方案。

而这些并不仅限于旷视科技的合作伙伴。 该解决方案提供许可服务。 合作伙伴可以在自己的项目中使用训练好的算法和模型，也可以授权给合作伙伴。

这让魔方B4T的辐射路径从点到线到面延伸到更多场景，加快算法升级，进一步刺激场景创新。

降低算法开发门槛和成本，让算法可以量产，提高算法生产效率，加速算法落地。 魔方B4T已经在加速千行百业的数字化。

3.大模型+小模型，未来的声音

软件开发是人类历史上最复杂的心理协作。

这是软件工程领域的共识。

大模型“超级团队成员”的到来，将创造新的模型发展范式。

一是发展方式改革。

一个重大的变化是从机器语言到自然语言的转变。 以代码开发为例。 在大规模模型出现之前，系统无法理解自然语言。 该软件是由人类工程师编写的。 他们需要使用Visual Studio等软件为计算机提供清晰、分步的指令，并使用机器语言与机器交互。 。

相比之下，大型模型是建立在使用数十亿语言单词训练的神经网络之上的。 它创建了一种新的人机交互界面，可以根据开发人员的自然语言指令生成机器语言。 因此，现在在聊天窗口中，您可以使用人类语言与机器进行交互。

另一个是从程序员手写到人机协作的转变。 例如，大型模型可以实现自动代码生成/完成。 其中，GitHub Copilot 可能将效率提升了 10 倍。

其次，在算法训练效率方面。

在传统的算法训练模型中，每一个新的算法都需要重新收集大量的样本数据、开发和训练。

从前端数据采集到样本标注，从模型开发训练到算法实现，一线时间长，人力物力成本高。 随着千行百业的算法需求不断涌现，这种模式越来越难以为继。

海量数据预训练形成的大模型，融合亿级图片、万级视频、亿级图文的大模型，融合更多模态信息和大规模自监督学习多元模态人工智能算法，具有很强的泛化能力。

“大规模预训练+微调”模式让用户无需采集大量样本数据集，即可通过零样本和小样本学习来优化模型，从而满足多样化场景的需求。

“预训练+微调”或将成为新的研发范式，使研发流程更加规范，大幅降低人工智能模型开发门槛。

从某种角度来说，大模型是对传统AI“作坊式”生产模式的救赎。

而且，AI代理技术的快速发展有望进一步加速AI应用进程。 例如，AutoGPT、AgentGPT等AI代理可以自动理解、拆解和执行任务，进一步解放人力，加速整个业务流程。

今年，旷视科技升级了AIS一站式算法训练平台，可以结合旷视自研的大行业模型，高效定制开发新的算法模型，解决碎片化场景的问题。 这将大大加速AIoT场景应用的落地。

这些最新的大模型技术将逐步缓解一直承担着“最复杂脑力”工作的AI研发人员的研发压力。

未来，大模型将进一步降低算法制作的门槛，提高算法从制作到实现的整体效率。

虽然大模型的魅力令人着迷，但它就像雷神之锤一样。 如果没有适合它的钉子，就很难达到它的预期价值。

短期来看，大模型要转化为生产力还有很长的路要走。

大模型具有较强的通用知识能力，但面对海量碎片化场景，仍缺乏行业知识和高质量数据的积累。 此外，由于边缘侧设备的算力限制，大型模型难以部署。

通用模型的“大”和“通用”看起来很吸引人，但对于细分领域的B端行业客户来说，他们更需要的不是通用模型的“全能”能力和综合技术优势，而是准确性型号和品质是能够在特定需求上追求极致、功能最大化的产品。

换句话说，行业客户愿意为正确开发和使用的功能付费，但不会为自己无法使用的功能付费。

因此，技术只有与具体行业结合，转化为产品，带来实际的用户体验和转化成果，才能真正有价值。

不同行业垂直度高，专业需求强烈。 如何训练一个“更懂我”和“只懂我”的大模型？ 并且在满足细分领域需求的基础上，成本能否得到控制？

短期内，大小车型将以“组合拳”的形式存在。 大大小小的模型各司其职，云边协同发展，实现实际应用。

一方面，可以通过预训练+微调生成通用大模型，从而产生行业特定的大模型。 另一方面，通过蒸馏、量化等方式，将大模型变成易于部署和升级的“小模型”，满足客户的性价比需求。

这也意味着，深度涉足行业、接触到更多行业场景、更容易从生产线获取大量行业数据、积累了更科学精准样本的企业，也将拥有更快的技术迭代。 将更好地满足碎片化领域的需求和挑战。

4.等待下一站

无论是大模型还是AI，只要是与现实世界交互的，就只有三种模式：视觉、语音和文本。

这三种模式属于多模态覆盖，其中视觉是重中之重。

AIoT的实现路径是收集物联网终端产生的海量数据，存储在云端和边缘人工智能小模型是什么意思，然后用大数据进行分析，利用人工智能基于数据来描述物质世界，实现万物数字化。万物智能连接。 改变。

在AIoT世界中，视频是数据的有力入口，产生的持续流动的高质量数据将成为数字时代的新能源。

视觉能力是旷视科技等AI公司在市场上“硬化”的强项。

十二年来，旷视积累了丰富的产品矩阵，涵盖消费物联网、城市物联网、供应链物联网等各个AIoT领域。

大模型时代，以技术为优势，开辟更广阔的空间，AIoT企业正走向下一站。雷锋网 雷锋网 雷锋网