土壤中氟的分析（氟试剂比色法）

营收增速持续放缓、盈利水平同比下降，说明Sea也如腾讯一样陷入了营收滞涨、净利腰斩的泥潭。

同时对于中小企业、科研机构、电子工程师来说，硬件研发也需要通过打样不断迭代，实现从打样到小批量试产再到大批量生产的全过程。嘉立创独创的虚拟拼板技术，正是为了在给工厂下达实际生产任务前，能够迅速将大量用户的个性化订单聚合到一张大板上，得到降本增效的最优解，也是其实现个性化需求批量化生产的关键。

截止2022年1月，公司年生产能力已达700多万平方米，产品及服务遍及全球170多个国家和地区。也为提升板材利用率、降低生产成本和优化生产流程，提供了无限可能。作为成功应用虚拟拼板技术的生产企业，嘉立创在自主研发工业软件、自动拼板、多机网络、分布式计算等方面都有快人一步的布局，且每一子都落到实处，不仅让自身业务规模得以快速增长，还以实际行动推动了电子产业的发展。在技术与流量的加持下，为全球电子行业企业及工程师带来了更加高效、便捷的服务，持续推动产业发展，让科技创新更高效而嘉立创拼板的生产模式让原本矛盾的两个概念相互融合，通过运用物联网、大数据、云计算和人工智能技术，融入到生产系统中，形成智能制造，以实现大规模定制化生产。

快人一步的虚拟拼板，为嘉立创的行业发展奠定了坚实的基础。而今，随着我国制造业的创新力、竞争力不断提升，正由中国制造加速迈向中国创造，硬件开发的活跃度大幅提升，也促使了PCB打样、小批量释放出旺盛的需求。从这个角度看，大模型的研究固有引领前沿的价值，但也要考虑降本增效中的「经济可用」目标。

简而言之，大模型往往具备一个特征：多才多艺，身兼多职。所以，我们可以看到，大公司宣传一个大模型，往往强调它能够同时解决多项任务，在多个任务基准上达到 SOTA（当前最高水平）。而由于大模型的研发门槛极高，在承担 AI 大规模落地的重任上，在肉眼可见的未来，经济可用、精准打击的小模型才是主力军。在学术界，不久前，加州大学伯克利分校的马毅教授与沈向洋、曹颖还联合发表了一项研究（On the Principles of Parsimony and Self-Consistency for the Emergence of Intelligence），从理论上解析了大模型为何越来越大的技术原因，即深度神经网络本质上是一个「开环」的系统，即用于分类的判别模型和用于采样或重放的生成模型的训练在大部分情况下是分开的，导致对参数的训练效率低下，只能依靠堆参数与堆算力来提升模型的性能。

然而，我们仍然要回答这样一个问题：无论是企业界还是学术界，在下注大模型时，是为了不错过一个可能在未来占据主导地位的技术方向，还是因为其能更好地解决眼前已知的问题？前者有浓厚的学术探索色彩，而后者则是产业前锋应用 AI 技术落地解决问题的群体所真正关心的问题。如果说一开始的 GPT-3 等大模型主要是想探索参数量增大会对算法的性能改变带来什么影响，是纯粹的「未知指导未知」，那么现在的大模型研究则开始体现出一个较为清晰的目标：就是要解决现实问题，创业价值。

最后，希望 AI 大模型真的能够造福更多人吧。除了普遍受大家关注的 AI 研发大厂，国内的大模型研发主力中还包括了算力提供商浪潮，他们在去年 10 月发布了大模型「源1.0」，参数量达到 2457 亿。不过，从公开信息中可以得知，这些大模型已经开始陆陆续续落地解决问题，如阿里达摩院在发布万亿参数模型 M6 后，称其图像生成能力已经可以辅助汽车设计师进行车型设计，借用 M6 的文案生成能力所创作的文案，也已经在手机淘宝、支付宝和阿里小蜜上得到使用。2、理想很远，现实很近人类要进步，就总要有人勇往无人之境。

事实上，此前在目前少数开源的大模型中，我们曾做过实验，发现语言大模型在理解社会伦理与情感上的表现存在极高的不稳定性。同理，OpenAI 在模仿谷歌开发 GPT-2 与 GPT-3 时，也没有一个特定的任务，而是成功开发出来后，大家在 GPT-3 上测任务效果，发现各项指标都有所提升，才被惊艳到。换言之，抢占大模型高地是主要矛盾，高成本投入是次要矛盾。以对话系统的研究为例。

虽然比不上阿里，但百度在追求模型的参数量上也不甘落后，联合鹏城实验室发布了「百度·文心」，参数量 2600 亿，比 PLATO-X 大了 10 倍。这种声音是从「需求」的角度出发，反对闭门造车。

大模型的任务与任务之间有泛化性。也就是说，「经济可不可用」与「能力强不强大」构成了 AI 算法解决实际问题中的两大焦点。

比如，谷歌今年推出的 5400 亿参数语言大模型 PaLM 可以解读笑话，还可以通过emoji表情猜电影，智源推出的「悟道2.0」可以孵化出琴棋书画、样样精通的虚拟学生华智冰。举个例子，GPT-3 推出仅两年，如今 Meta 参照它所研发的 OPT 模型的计算量已经降低到了2020年的1/7。如今，业界已达成一个共识：在未来，AI 将成为赋能各行各业的「电力」。如果要说科技对社会的改变给予了人们怎样的启示，那么其中一定会谈到的重要一条便是：如何降低科技产品的门槛（无论是技术上还是成本上），让更多的人能够享受到这项科技的好处，才能扩大它的影响力。此外，最近还有一篇文章表明，2018 年需要几千块 GPU 训练的大模型 BERT，如今只需要单卡 24 小时就能训练好，一个普通的实验室也能轻松训练。换言之，即使有一天，通用人工智能真的出现，也无法造福所有用户。

大模型对算力的高要求，使企业间的技术实力竞争变成了金钱的竞争。换到大模型中，核心矛盾就是如何提升它的训练速度、降低训练的成本，或提出新的架构。

例如，BERT 的参数量在2018年首次达到 3 亿参数量，在机器阅读理解顶级水平测试 SQuAD1.1 的两个衡量指标上全面超越人类，并在 11 种不同的 NLP 测试中达到 SOTA 表现，包括将 GLUE 基准推高至80.4% (绝对改进7.6%)，MultiNLI准确度达到86.7% (绝对改进5.6%)，展示出了参数量增大对 AI 算法性能提升的威力。如果单从调用计算资源来看，大模型的窘境实际上并不突出。

国内各大厂没有披露过它们训练大模型的经济成本，但根据现有全球共享的计算方式与资源来看，计算支出应当相差不远。蓝振忠指出，目前学术界与工业界的 AI 研究者们对于大模型的许多特性还未完全掌握

大模型由谷歌发布 BERT 拉开序幕起，是一种混沌天开的思路：在 BERT 实验之前，谷歌大脑的技术团队并不是围绕一个已知的现实问题来开发模型，也没有想到这个当时参数量最大（ 3 亿）的 AI 模型能带来效果的大幅提升。另一种途径是依赖算法与架构的创新，将大模型「轻量化」。换言之，抢占大模型高地是主要矛盾，高成本投入是次要矛盾。电风扇与空皂盒的故事，大家都听过吧？传闻某国际知名快消大厂曾引进一条香皂包装生产线，结果发现这条生产线在包装香皂的过程中出现了一个缺陷，就是常常有盒子没装入香皂。

除了普遍受大家关注的 AI 研发大厂，国内的大模型研发主力中还包括了算力提供商浪潮，他们在去年 10 月发布了大模型「源1.0」，参数量达到 2457 亿。谷歌在训练包含 5400 亿参数的 PaLM 时用了 6144 块 TPU，据热心网友统计，普通人训练一个 PaLM 的成本在900至1700万美元之间。

国内各大厂没有披露过它们训练大模型的经济成本，但根据现有全球共享的计算方式与资源来看，计算支出应当相差不远。事实上，随着各家服务器的更新迭代，云计算等新颖方式的出现，计算一直在加速，能耗也一直在降低。

为此，他们提出的「变革」方式更彻底，就是主张将判别模型与生成模型组合在一起，形成一个完整的「压缩」闭环系统，这样 AI 模型就能够自主学习，并且效率更高、更稳定，在面对一个新的环境中可能出现的新问题时，适应性与反应能力也更强。同理，OpenAI 在模仿谷歌开发 GPT-2 与 GPT-3 时，也没有一个特定的任务，而是成功开发出来后，大家在 GPT-3 上测任务效果，发现各项指标都有所提升，才被惊艳到。

那么，从 AI 大规模落地的维度看，大模型与小模型哪一个更好？业界真的想好了吗？雷峰网1、「大」模型到来近年来，国内外的科技大厂在对外宣传 AI 研发实力的声音中，总有一个高频的词汇出现：大模型（Big Model）。4月，华为与鹏城实验室联合发布「盘古α」，参数量 2000 亿。如果一家大厂对研发足够阔绰，大模型的投入成本便不是一个「拦路虎」，但在当前资本对 AI 越发谨慎之际，一些创业公司与政府投资的研究机构还大力下注大模型，这就显得有些魔幻了。简而言之，大模型往往具备一个特征：多才多艺，身兼多职。

2018 年谷歌推出大规模预训练语言模型 BERT 拉开大模型的帷幕后，OpenAI相继于 2019 年与 2020 年推出 GPT-2、GPT-3。到去年 10 月，阿里达摩院发布「M6-10T」，参数量已经达到 10 万亿，是中国目前规模最大的 AI 大模型。

遗憾的是，目前还没有一家在炼大模型的企业披露过大模型创造了多大的经济效益。导致圈内有两种声音：一种声音说，大模型已在多种任务基准上展现出强大的性能与潜力，未来一定是人工智能的发展方向，此时的投入是为将来不错过时代大机遇做准备，投入成百上千万（或更多）训练是值得的。

9月，百度发布中英双语模型 PLATO-X，参数量百亿。如果说一开始的 GPT-3 等大模型主要是想探索参数量增大会对算法的性能改变带来什么影响，是纯粹的「未知指导未知」，那么现在的大模型研究则开始体现出一个较为清晰的目标：就是要解决现实问题，创业价值。

很赞哦!（5）