欢乐火车，载着您的愉悦 (Happy train, carrying your joy)

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>對(dui)話(hua)丨(shu)周(zhou)伯(bo)文(wen)：通(tong)用(yong)大(da)模(mo)型(xing)如(ru)何(he)突(tu)破(po)垂(chui)直(zhi)行(xing)業(ye)場(chang)景(jing)？

作(zuo)者(zhe)：王(wang)永(yong)昂(ang) 編(bian)輯(ji)：董(dong)子(zi)博(bo)

來(lai)源(yuan)：AI科(ke)技(ji)評(ping)論(lun)

圖(tu)片(pian)来源：由(you)無(wu)界(jie) AI工(gong)具(ju)生(sheng)成(cheng)

從(cong)京(jing)東(dong)離(li)開(kai)後(hou)，周伯文已(yi)經(jing)很(hen)久(jiu)沒(mei)有(you)這(zhe)麽(me)興(xing)奮(fen)了(le)。

ChatGPT橫(heng)空(kong)出(chu)世(shi)攪(jiao)動(dong)乾(qian)坤(kun)，如同(tong)壹(yi)聲(sheng)春(chun)雷(lei)驚(jing)醒(xing)各(ge)行各业的(de)从业者，讓(rang)他(ta)們(men)都(dou)不(bu)約(yue)而(er)同地(di)聽(ting)到(dao)，AGI走(zou)進(jin)現(xian)實(shi)的腳(jiao)步(bu)声。

熱(re)潮(chao)之(zhi)下(xia)，人(ren)们看(kan)到王慧(hui)文、王小(xiao)川(chuan)下场創(chuang)业，也(ye)看到百(bai)度(du)、阿(e)裏(li)虎(hu)踞(ju)龍(long)盤(pan)。周伯文作為(wei)IBM、京东兩(liang)家(jia)大廠(chang)的AI研(yan)究(jiu)院(yuan)前(qian)院長(chang)，研究人工智(zhi)能(neng)基(ji)礎(chu)理(li)论與(yu)核(he)心(xin)前沿(yan)技術(shu)、應(ying)用及(ji)產(chan)业化(hua)超(chao)過(guo)25年(nian)，早(zao)在(zai)2021年底(di)就(jiu)已创辦(ban)銜(xian)遠(yuan)科技,通过自(zi)研大模型，憑(ping)借(jie)生成式(shi)AI、多(duo)輪(lun)对话与人機(ji)協(xie)同技术,幫(bang)助(zhu)企(qi)业与消(xiao)費(fei)者完(wan)成人工智能新(xin)時(shi)代(dai)的产品(pin)创新和(he)數(shu)智化轉(zhuan)型。“与其(qi)說(shuo)是(shi)我(wo)自己(ji)決(jue)定(ding)在这一領(ling)域(yu)创业，不如说是这個(ge)事(shi)业找(zhao)到了我”，周伯文形(xing)容(rong)这是必(bi)須(xu)要(yao)做(zuo)的事，就像(xiang)有一種(zhong)使(shi)命(ming)感(gan)在催(cui)促(cu)他去(qu)行动。

周伯文畢(bi)业於(yu)中(zhong)科大，后赴(fu)美(mei)科羅(luo)拉(la)多大學(xue)波(bo)爾(er)德(de)分(fen)校(xiao)取(qu)得(de)博士(shi)学位(wei)。作为原(yuan)IBM Research美國(guo)總(zong)部(bu)人工智能基础研究院院长，在主(zhu)持(chi)AI相(xiang)關(guan)工作多年后回(hui)国，先(xian)后擔(dan)任(ren)京东集(ji)團(tuan)高(gao)級(ji)副(fu)总裁(cai)、集团技术委(wei)員(yuan)會(hui)主席(xi)、京东雲(yun)与AI总裁、京东人工智能研究院创始(shi)院长等(deng)職(zhi)位。作为京东AI的締(di)造(zao)者，負(fu)責(ze)京东AI的技术研究与业務(wu)拓(tuo)展(zhan)，从0创建(jian)京东AI事业部、AI研究院、京东AI加(jia)速(su)器(qi)，打(da)造智能供(gong)应鏈(lian)人工智能国家级开放(fang)平(ping)臺(tai)，实现每(mei)天(tian)調(tiao)用量(liang)从0到百億(yi)，主導(dao)了京东人工智能客(ke)服(fu)的技术重(zhong)構(gou)並(bing)啟(qi)动对外(wai)产品化，管(guan)理著(zhe)数十(shi)亿規(gui)模的技术服务业务及数千(qian)人规模的技术、产品、市(shi)场与銷(xiao)售(shou)一體(ti)化团隊(dui)。

2021年，周伯文預(yu)判(pan)到生成式AI將(jiang)在不远的未(wei)来爆(bao)發(fa)，决定离开京东创办衔远科技，致(zhi)力(li)于以(yi)通用大模型能力帮助垂直领域企业开展产品创新与数智化转型，以AI重塑(su)商(shang)品價(jia)值(zhi)；2022年，出任清(qing)華(hua)大学惠(hui)妍(yan)講(jiang)席教(jiao)授(shou)、電(dian)子工程(cheng)系(xi)长聘(pin)教授，并于同年5月(yue)创立(li)清华大学协同交(jiao)互(hu)智能研究中心，其研究方(fang)向(xiang)与GPT采(cai)用prompt驅(qu)动生成式AI的方式不謀(mou)而合(he)。

ChatGPT山(shan)雨(yu)欲(yu)来，周伯文也在朋(peng)友(you)圈(quan)发文：“我相信(xin)，中国的OpenAI需(xu)要探(tan)索(suo)一條(tiao)新的道(dao)路(lu)！”豪(hao)情(qing)之下，求(qiu)賢(xian)若(ruo)渴(ke)。但(dan)与其他创业者不同，周伯文和衔远科技選(xuan)擇(ze)依(yi)托(tuo)数百亿级參(can)数规模与獨(du)特(te)的訓(xun)練(lian)方法(fa)，让大模型在具備(bei)通用能力的基础上(shang)，更(geng)擅(shan)长理解(jie)人与商品的关系，以生成式人工智能技术帮助企业重构从商品洞(dong)察(cha)、定位、設(she)計(ji)、研发到營(ying)销的全(quan)链路创新体系。

周伯文曾(zeng)在公(gong)开场合表(biao)示(shi)，他的创业方向是率(lv)先将人工智能与傳(chuan)統(tong)产业进行融(rong)合，为企业数智化创新帶(dai)来更高价值，即(ji)实现通用大模型在垂直场景的能力突破。

近(jin)日(ri)，AI科技评论記(ji)者与周伯文进行了一次(ci)对談(tan)，以下是谈话实錄(lu)，AI科技评论对內(nei)容做了不改(gai)變(bian)其原意(yi)的编辑整(zheng)理：

让AI学習(xi)人類(lei)的智慧，新的交互与协同範(fan)式

AI科技评论：ChatGPT带来了prompt这种交互方式，您(nin)認(ren)为相对过往(wang)的交互方式有何不同？

周伯文：我的研究方向之一就是AI和人的交互，并在交互中进行学习。人机交互和人机对话是不一樣(yang)的，通过人机交互AI能夠(gou)在过程中能学到东西(xi)，所(suo)以这不是一个簡(jian)單(dan)執(zhi)行的任务，而是一种实现学习的手(shou)段(duan)。

像《论語(yu)》中所记載(zai)的，就是孔(kong)子和他七(qi)十二(er)个弟(di)子在交互中学习的故(gu)事。在西方，类似(si)的有柏(bai)拉图和亞(ya)里士多德的雅(ya)典(dian)学院，这些(xie)最(zui)古(gu)老(lao)的知(zhi)識(shi)与智慧的传承(cheng)都是通过人与人的对话完成的，老師(shi)通过与学生的交互帮助其更好(hao)地完成学习。

舉(ju)例(li)来说，如果(guo)老师让学生去倒(dao)杯(bei)一水(shui)，这类简单的“命令(ling)-执行”动作很難(nan)增(zeng)长什(shen)么智慧；但如果換(huan)做老师教学生如何寫(xie)论文，并告(gao)知其在写作过程中遇(yu)到困(kun)难該(gai)怎(zen)样克(ke)服，这就是可(ke)以增长智慧的交互，也体现了我对人与AI协同交互的核心觀(guan)點(dian)。

AI的本(ben)質(zhi)就是与人类的协同和交互，它(ta)从交互中不斷(duan)学习，进而协同人类更好的解决問(wen)題(ti)。这个观点在不远的未来将愈(yu)发重要，同时也将面(mian)对技术和倫(lun)理層(ceng)面的更多挑(tiao)戰(zhan)，最終(zhong)想(xiang)要守(shou)住(zhu)底線(xian)并不容易(yi)。像大家说的AI Alignment（AI对齊(qi)），人类能够把(ba)意誌(zhi)传遞(di)給(gei)AI，然(ran)后跟(gen)AI一起(qi)分解任务，让AI在过程中学习并实现人类的意志。这是一种新的协同方式，即协同交互智能。

AI科技评论：您认为通过交互達(da)到价值对齐是人类大腦(nao)和GPT协同的有效(xiao)方式嗎(ma)？人类与AI应该如何更好地协同？

周伯文：在生成式AI大爆发之后，通过与人协同交互进行学习的AI会越(yue)来越強(qiang)。

2002年諾(nuo)貝(bei)尔经濟(ji)学獎(jiang)得主丹(dan)尼(ni)尔·卡(ka)尼曼(man)在暢(chang)销書(shu)《思(si)考(kao)，快(kuai)与慢(man)》（Thinking Fast And Slow）中提(ti)出人的思考有两种模式——系统1和系统2，系统1是快思考、直覺(jiao)判断；系统2是慢思考，要做大量的推(tui)理和计算(suan)。

最初(chu)，人们认为AI更適(shi)合做“系统1”的工作，比(bi)如人臉(lian)识別(bie)、质檢(jian)就是基于“系统1”的模式识别。但我堅(jian)持认为，AI的真(zhen)正(zheng)价值在于System 2，即帮助人类更好地完成復(fu)雜(za)的邏(luo)辑推理任务。ChatGPT的出现驗(yan)證(zheng)了AI做系统2的可行性(xing)，这意味(wei)着可以让AI去发现新知识，新知识的发现会帮助人类设计出更好的AI，比如对脑科学和计算優(you)化的发现，一个创造新知识的飛(fei)轮就出现了。飞轮效应正是指(zhi)AI可以让整个系统更好地发现新知识，这些新知识又(you)可以帮助设计更好的AI系统，从而形成一个良(liang)性循(xun)環(huan)。因(yin)此(ci)，AI与知识和创新之間(jian)形成了一种相互促进的关系，这就要求AI和人类的协同方式必须转变。

我之前提出过一个“3+1”的研究方向，即以可信賴(lai)AI为研究基底和长期(qi)目(mu)標(biao)，以多模態(tai)表征(zheng)交互、人机协同演(yan)繹(yi)、环境(jing)协同演化为研究着力点，核心是要做人机的协同共(gong)创，实现人类帮助AI创新、AI帮助人类创新的目标。

其中之一是多模态表征交互，这里可能存(cun)在着一个大一统理论。在2022年时，人们对此仍(reng)持懷(huai)疑(yi)态度，但隨(sui)着GPT-4的问世，这种多模态的统一表征交互已经比較(jiao)具有说服力了；另(ling)一点是人机协同交互。这在2022年时人们也抱(bao)持怀疑的态度，但现在这种交互方式已经变得更加可信，人们开始相信它很可能会发生；第(di)三(san)点是AI与环境的协同演化，这意味着AI不僅(jin)需要与人类协同，還(hai)必须自适应周圍(wei)的环境。我们在2022年年初率先提出了这一概(gai)念(nian)，直到目前还没有看到在这个方向上取得成功(gong)的案(an)例，即便(bian)是OpenAI也没有。

学不来OpenAI，幹(gan)不过微(wei)軟(ruan)，国内大模型创业要做減(jian)法

AI科技评论：Transformer 模型的特别之處(chu)在于采用了註(zhu)意力机制(zhi)(Attention) 来建模文本，我们注意到您很早就开展了与AI注意力机制相关的研究。

周伯文：Transformer的核心亮(liang)点，是自注意力机制和多頭(tou)机制。2017 年6月，Google Brain发表的 “Attention is All You Need” 中引(yin)入(ru)了自注意力（self-attention）机制和Transformer的概念。后来OpenAI的GPT也受(shou)这篇(pian)论文影(ying)響(xiang)頗(po)深(shen)。

在此之前，我作为通訊(xun)作者发表过第一篇引入多跳(tiao)自注意力（multi-hop self-attention）机制来改善(shan)编碼(ma)器的论文——“A Structured Self-Attentive Sentence Embedding”。这篇论文于2016年完成并上传到arXiv，2017年初在ICLR正式发表，我们也是首(shou)个提出这一机制的团队，更关鍵(jian)的这是第一个完全不考慮(lv)下遊(you)任务的自然语言(yan)表征模式。以前大家也使用过注意力或(huo)某(mou)种情況(kuang)下的自注意力，但都是依赖任务的。

AI科技评论：在这篇论文中，您有怎样的发现？这些发现又是怎样影响了后来Transformer的技术更叠(die)？

周伯文：我们當(dang)时在论文中提出，最好的表征方式是用結(jie)构化的自注意力去表征自然语言（NLP），这篇论文发表至(zhi)今(jin)已被(bei)引用超过2300次。

在此之前，OpenAI首席科学家Ilya Sutskever 认为最好的表征方式是“序(xu)列(lie)到序列（Seq2Seq）”，即训练模型从而把一个域的序列转化为另一个域的序列，比如机器翻(fan)譯(yi)中的对应源语言与目标语言；又或是在问题回答(da)中，问题是一个序列，回答是一个序列。在此基础上，对深层神(shen)经網(wang)絡(luo)表征的两者映(ying)射(she)关系进行学习。

但后来，深度学习專(zhuan)家、图靈(ling)奖得主Yoshua Bengio团队提出了一个“注意力机制”，其核心是在回答问题时，并非(fei)所有詞(ci)都同等重要；如果能根(gen)據(ju)问题与答案之间的对应关系识别出更关键的部分，繼(ji)而更加关注这部分，就能给出更好的答案。这种注意力模型很快就得到了非常(chang)廣(guang)泛(fan)的认可。2015年，我带领IBM的团队也在同期开始了基于“Seq2Seq+注意力机制”架(jia)构和思路的研究，并先后推出了幾(ji)个最早期的AI用自然语言写作的生成模型，相关论文也被引用超过3000次。

但我当时对论文内容其实并不滿(man)意，因为它存在一个问题，即注意力是基于给出答案后去构建的。这样训练的AI，形象(xiang)地比方，就像大学期末(mo)考試(shi)前问老师劃(hua)重点的学生，再(zai)去有針(zhen)对性（attention）的重点复习。这样AI雖(sui)然对特定问题的表现能有所提高，卻(que)并不具备通用性。所以我们提出了完全不依赖于给定的任务和輸(shu)出，只(zhi)基于输入自然语言的内在结构，通过AI多遍(bian)閱(yue)讀(du)去学会哪(na)些部分更重要及其相互之间的关系，这就是自注意力加上多头机制的表征学习。这种学习机制只看输入，更像学生在考前就多遍、系统性地学习理解課(ke)程，而不是基于考试重点去针对性、碎(sui)片性地学习，从而更逼(bi)近通用人工智能的目的，也大大增强了AI的学习能力。

AI科技评论：“Attention is All You Need”那(na)篇论文和您有怎样的淵(yuan)源？

周伯文：我们知道，所有这一波大模型都来自于Transformer，所以当妳(ni)看到模型里面有个T时，那这个T大概率是代表Transformer。我很榮(rong)幸(xing)，在这方面做了一些前瞻(zhan)性的工作。2017年年底，来自谷(gu)歌(ge)的研究员发表“Attention is All you need”这篇给世界带来Transformer模型的里程碑(bei)式论文。而我们在2017 年年初发表的首次提出“多跳自注意力机制”的论文“A Structured Self-attentive Sentence Embedding”被引用。而这篇论文的第一作者Ashish Vaswani正是我在IBM指导过的学生。“Attention is All You Need”这篇论文的标题所表达的也正是由我们提出的 “自注意力很重要，多头很重要，但RNN或許(xu)没有我们以前想象中那么重要”的意思。

AI科技评论：您和OpenAI有哪些一致的技术判断？

周伯文：这篇论文和Transformer架构徹(che)底改变了一切(qie)，它解决了模型长距(ju)离记憶(yi)的问题。Ilya Sutskever在近期一次采訪(fang)中回忆，OpenAI在这篇论文出现第二天就立刻(ke)彻底转向了Transformer架构。

我们知道，GPT与Bert的模型有着很大的不同，而Bert为什么开始很成功，后面却不如GPT的原因就在于：它既(ji)使用了从左(zuo)到右(you)的信息(xi)，也使用了从右到左的信息。换句(ju)话说，Bert使用了未来的信息去帮助AI学习如何表征，而GPT坚持只基于过去的信息去预測(ce)下一个词是什么。OpenAI在这点上的做法与我们团队的思路一脈(mai)相承，即：盡(jin)量不要使用答案去学习。从注意力到自注意力，从BERT到GPT-3，核心思想都是当不再依赖输出或待(dai)预测词的下文等未来的信息时，又或当可以用更多的数据来更充(chong)分的训练AI模型时，我们开始看到AGI出现的可能性。

还有就是，OpenAI 认为大模型是通过自然语言去学习世界知识，从而把世界知识壓(ya)縮(suo)到大模型之中，GPT系列大模型和ChatGPT也是按(an)照(zhao)这个理念去推进的。我和团队的理念和願(yuan)景也是如此，即构建一个通用大模型，通过专业的训练让其在垂直领域发揮(hui)更高的价值和能力，将消费者的复杂情感、需求和体验，以及商品的创新、设计、品参、材(cai)质、功能等等，压缩进一个大模型，重构人与商品的二元(yuan)关系，以AI重塑商品价值。

AI科技评论：除(chu)了技术实力，OpenAI还有哪些地方，让您觉得有可取之处？

周伯文：不止(zhi)在技术判断上，OpenAI的整个商业打法都具有代表性，包(bao)括(kuo)：生态的建立，宣(xuan)布(bu)新摩(mo)尔定律(lv)，让 API 降(jiang)价90%等等，既引发广泛的关注，又能擴(kuo)展資(zi)本和用戶(hu)对大模型商业化应用的想象空间，并衍(yan)生出几近无限(xian)的应用场景。此外，OpenAI在伦理治(zhi)理、商业开发、生态技术、未来发展等方面的规划也十分清晰(xi)。

AI科技评论：中国会出现下一个OpenAI吗？

周伯文：做大模型的技术难度其实是超出很多中国创业者想象的。所以我并不建議(yi)国内公司(si)盲(mang)目跟随、复制“OpenAI+微软”的模式，因为大部分中国科技公司对经营的决策(ce)能力不如微软，对技术的判断能力又不如OpenAI。

OpenAI的成功是多方面因素(su)共同成就的，比方有Ilya Sutskever做技术判断，有Greg Brockman做功能，有Sam Altman来整合资源，包括AI对伦理、对社(she)会影响的研究，他们都做了。如果国内公司純(chun)粹(cui)去模仿(fang)OpenAI的话，彼(bi)此的距离只会越追(zhui)越远。

以数据的緯(wei)度能够看出OpenAI的技术判断力，因为世界上不是所有的数据都一样重要。为什么 OpenAI 选择用 Github 的程序语言去训练思維(wei)链？因为程序语言的语義(yi)、语法極(ji)其简单，执行过程的逻辑嚴(yan)謹(jin)。这也代表了OpenAI的一个特质和优勢(shi)：不会盲目出擊(ji)。所以我认为，中国的AI发展要找到另一条路徑(jing)，即依托通用大模型的能力从针对垂直场景的应用切入，这样反(fan)而更有可能取得成功。

生成式AI将会顛(dian)覆(fu)现有的消费体验

AI科技评论：您为什么瞄(miao)準(zhun)消费领域？

周伯文：我在京东时，看到了以“人工智能做消费者需求和产品设计动态匹(pi)配(pei)”的巨(ju)大商机。2021年，我决定离职创业，去做针对垂直行业的通用大语言模型（大语言模型当时还没有爆发），就是希(xi)望(wang)将消费者所有的行为从非特定场景中cover进来。我们知道，周一到周五(wu)的时空场景是不一样的，白(bai)领或其他职业的关注点也是不一样的，在这些影响購(gou)物(wu)行为的文化符(fu)號(hao)背(bei)后，是消费者复杂的情感、体验以及对产品的选择逻辑，这正是企业需要的寶(bao)貴(gui)信息。供给側(ce)在做产品时，包括创意、设计、品参、功能、材质以及品牌(pai)的定位、slogan、marketing、广告、营销、宣传图片等等，所有这一切因素的背后其实都有着很强的对应关系。

这种对应关系，此前人类从来没有打通过。做企划、营销、销售的从业者，都只搞(gao)明(ming)白了他们各自负责的环節(jie)。而我们是要做全球(qiu)首个商品供应链的通用大模型，也就是要将所有这些信息全部高保(bao)真压缩到一个通用模型中，并基于这个大模型賦(fu)能企业产品的全生命周期， 包括：机会洞察（Discover）、产品定义（Define）、方案设计（Design）、驱动研发（Develop）、营销转化（Distribute）。如此一来，企业能够更高效地发现创新机会，更具创意地设计和生产，更有效果地进行营销推广、觸(chu)达用户并完成转化。

AI科技评论：商业模式上，这样似乎(hu)要更加先进一些。

周伯文：对于任何一个创业团队而言，在具备大模型的通用技术能力后，能否(fou)培(pei)養(yang)出更专业的能力十分重要。目前GPT的突破主要在其通用能力上，但对于特定行业和垂直领域的价值还有待开发，比如：GPT可以畫(hua)很逼真的藝(yi)术画，但是画不了电路图，因为它对物理知识的专門(men)学习并不深入，相关判断上也不够专业。

所以，我认为需要有这样一个工具（具备专业能力的通用大模型），让消费者更容易找到、也更愿意去购買(mai)所需的商品，这可能会完全改变人们现有的购物路径。生成式AI能够将海(hai)量的商业信息压缩到这类大模型之中，从而学习商品供应链各个环节，并以消费者为中心提升(sheng)关键环节效率。这是在2021年就已经产生的想法和创意。

衔远科技就是在研发一个具备通用能力的大模型，这个大模型尤(you)其在链接(jie)商品和消费者方面具备专长。我们有37項(xiang)大模型评测指标，其中2/3是推理能力、计算能力等通用能力，还有十几项专门应用于产品和消费者的連(lian)接，以实现“让每一件(jian)商品都应需而生，让每一个消费者都得償(chang)所愿”的目标。

AI科技评论：生成式AI如何更好地跟諸(zhu)如电商等消费场景结合？

周伯文：人类要么只能搞明白企划这一塊(kuai)的业务逻辑，或者营销这一块的逻辑，AI却能将所有的业务链条打通。

消费者在如电商平台等场景中，需要很多专业的词匯(hui)才(cai)能找到所需的商品；但在另一侧，商家却不懂(dong)消费者的真实需求，只能通过电商交易来触达消费者、通过咨(zi)詢(xun)调研机构来进一步了解消费者。而在引入像ProductGPT这种多轮对话功能后，商家和消费者就商品的动态匹配效率会比市场调研更高效，从而让电商平台能够更深度地参与到商品的创新、设计、研发、营销推广等过程中。

在实際(ji)的商业社会中，需求侧和供给侧其实是有很强的对应关系。我们自主研发的领衔Collaborative Innovation Platform SaaS基于大模型的多模态理解、推理与生成能力，通过深刻洞察消费者、场景、商品、品参、研发，协助企业发现商业机会与产品创新。同时，衔远科技的ProductGPT多轮对话平台为企业的每个员工提供根据不同职业角(jiao)色(se)深度定制的个人助手，通过提供角色特定的技能与知识满足(zu)其特定的工作需求。例如，衔远科技的消费者研究个人助手会提供研究市场趨(qu)势、理解消费者需求、市场调研等专业技能与相关知识。

AI科技评论：您当年在京东已经使用生成式AI賺(zhuan)錢(qian)了，具体是怎么做到的？

周伯文：我在2019年就已经带领京东AI团队落(luo)地应用了通过生成式人工智能去创作商品文案并选择图片的工作，那也是京东的第一个生成式大模型。当时，我们的AI大模型主要完成三件事：

第一，能够自行阅读商品詳(xiang)情頁(ye)上的内容，通过分析(xi)直接生成这款(kuan)商品的 8- 9 个賣(mai)点；

第二，消费者在瀏(liu)覽(lan)某件商品时，大模型会通过针对不同消费者的行为数据分析，迅(xun)速找出哪几个卖点更能打动这名(ming)用户；

第三，AIGC会根据用户画像，围繞(rao)消费者最关注的卖点生成专屬(shu)的广告语。

在实行了一段时间后，商品推薦(jian)的转化率比之前提升了30%。消费者可能都没有意识到，自己在京东搜(sou)索购物时，看到的产品品类、描(miao)述(shu)其实是在他浏览商品的一瞬(shun)间，AIGC逐(zhu)字(zi)逐句根据用户的偏(pian)好、结合商品的卖点量身(shen)定制自动生成的。

AI科技评论：如何看待OpenAI开放API，这对行业来说意味着什么？

周伯文：以个人的经歷(li)来讲，我曾是IBM Watson集团的首席科学家。当时美国部分行业数据受到監(jian)管，这类企业一般(ban)是无法合作的，只能是私(si)有云部署(shu)方式。为此，在2015-2016年时我就坚定要做公有云。为实现这一点，就需要将Watson的AI能力API化。当时，由我主导了包括对话、自然语言理解等几十个 API 的上线。把这些API放在云平台上，现在IBM的AI业务主要以此营利(li)。

我在2017年年底回国，2018年4月发布了京东的人工智能开放平台。当时，国内基本是没有AI平台的，这也为京东带来了可观的收(shou)入。2019年，由我带领的京东 AI 团队就创造了1.7亿元营收，对于一个200人规模的团队这个成績(ji)是很不錯(cuo)的。

AI科技评论：业内有个认知，做垂直大模型風(feng)險(xian)很高，您怎么看？

周伯文：我认为，未来那些定义明確(que)、高价值的工作流(liu)程将由专业 AI 模型完成而不是通用 AI 模型。通用大模型在某个垂直场景做成功之后，再去进一步提升其基础能力，就很容易。另外，从垂直场景切入的话，算力、数据、算法方面，我们过去的積(ji)累(lei)都能更充分的发挥作用。所以在衔远科技，大模型在技术底层框(kuang)架上必须具备通用大模型技术的基础能力，并用科学的方法评估(gu)，但同时也需要专业的训练。

2023年，因为ChatGPT的突然火(huo)爆，市场开始用AI 2.0来形容其带来的巨大潛(qian)力。另外，几乎所有的科技巨头都加入战局(ju)，创投(tou)市场试图抓(zhua)住新风口(kou)，市场环境也快速变化。GPT是一个系统性的创业机会，但仅仅复制、跟随、追趕(gan)，风险高、难度大。

创立衔远科技后，我们已经和超过100家客户进行过交流，看到了真实的需求，通过不断优化大模型提高技术实现路径：“2022年，我们论证了这个场景的商业价值和技术可行性，这意味着就算是做大模型，我们也是和OpenAI在走不同的賽(sai)道，盈(ying)利模式也不同。

我想要做的是比现在GPT更好的世界知识压缩器，这需要互动性很好的数据，而数据顯(xian)然是与场景息息相关的。而什么样的数据擁(yong)有人类更高智慧的意义，这里面其实都有很多的理论工作要去做，都是我们未来值得探索的方向。返(fan)回搜狐(hu)，查(zha)看更多

责任编辑：