过去一年，科技行业最热的话题，莫过于生成式 AI 了。ChatGPT 的火热，让其在全球掀起了人工智能的新浪潮，“AI 改变世界”这句话，仿佛第一次产生了实实在在的冲击力。
在这波新时代浪潮中，除了 ChatGPT，各种生成式 AI 大模型也如雨后春笋般涌现。中国科学技术信息研究所等机构发布的《中国人工智能大模型地图研究报告》显示，截至今年 5 月，国内已公开披露的大模型数量就已经达到 79 个。
这里面既有自然语言大模型，也覆盖了图像、语音、视频等多模态领域。除了各路企业，还有国内的高校、科研机构等不同类型的主体，都在积极参与大模型研发。
忽如一夜春风来，千树万树梨花开。
而就在这背景下，6 月 28 日，在火山引擎主办、英伟达合作举办的“V-Tech 体验创新科技峰会”上，火山引擎作出了让人眼前一亮的举措：推出大模型服务平台“火山方舟”，这是一个面向企业提供模型精调、评测、推理等全方位的平台服务（MaaS，即 Model-as-a-Service）。
当大部分企业都在降目光聚焦在大模型本身的搭建上时，火山引擎却不走寻常路，选择打造平台生态，他们为何要这么做？以及，这艘“方舟”会引领火山引擎在生成式 AI 的新时代驶向何处？这些都十分值得关注。
火山引擎为什么要做大模型的服务平台？
生成式 AI 大模型的火热程度已无需赘言。对于普通用户来说，我们可以用通用大模型快速获取各种知识、资料，让它辅助我们办公，生成文案、插画等等，或者仅仅是和大模型闲聊，也很有趣。但作为一项能够变革世界的技术，它所承载的使命显然远不止于此。而它更大的价值，其实是在 B 端。当 AI 大模型能够真正融入千行百业的科研、生产、制造、经营等全流程，对于社会生产力的提升无疑是决定性的。
比如说，医院能够利用 AI 大模型为病人生成更精准全面的电子病历，更高效地分配、管理医疗资源；
企业可以通过大模型强大的数据分析能力与各种办公系统结合，制定更精准的生产计划，还能对生产过程实时检测、对设备运行状态、工人产能、原材料消耗等进行实时分析，控制生产成本；
学校教育系统有了 AI 大模型的助力，老师将可以更快速、精准地掌握学生学情变化情况，同时还能辅助完成教学课程设计……
这些美好的场景，可以说是 AI 大模型必然要遵循的发展方向，否则便无法呈现其变革的力量。
基于此，火山引擎对于大模型产业未来的发展，也有着自己的清晰判断，这是他们找到自身定位的依据。
首先，未来的大模型市场应该是一个百花齐放的多模型生态。或许在这个生态系统中，会同时并存几个少数的超大规模的大模型，更重要的是会有多个中等规模的大模型和更多个行业的垂直模型。由此形成一个多云多模型的生态，反过来，开放的市场竞争和模型多样性，又会进一步促进整个技术的发展。
其次，火山引擎认为，在未来企业、尤其是行业头部企业，自身对于大模型的应用，将会是一个“1 + N”的应用模式。
即：企业通过自研或者与三方模型服务商的深度合作，形成企业自身的 1 个主力模型；在这个主力模型之外，在不同的场景中，企业还会同时应用 N 个外部模型。
这样的发展趋势下，就会衍生出一些重要且客观的问题。
随着大模型市场越来越多元，竞争越来越激烈。对于大模型提供商来说，训练、推理的成本会越来越高，如何控制成本是个问题。还有怎样让自家的大模型产品精准地找到对应的客户，也不容易。
反过来，对于模型使用者来说，他们也需要高效、快速地找到适合自己业务需求的大模型产品。而且，很多企业业务多元，不会只使用一种大模型，怎样方便快捷地调取这些服务，也很重要。
这时候，我们就需要一个平台，一个能同时服务于大模型供应商和使用方的平台，让供应方能便捷、低成本地训练、销售自己的大模型，让使用者能随时调用大模型的能力，即用即取，让供与求之间的通路得到打通……
这样的平台，就是火山引擎在这样的蓝图里，想要扮演的角色。
打一个或许不算恰当的比方，未来丰富多样的各种大模型产品就好像移动互联网时代的各种 App，而火山引擎要做的，是 AppStore。移动互联网时代的经验已经告诉我们，只有做平台、做生态，才能构建最牢不可破的护城河。
火山方舟是什么样的？
了解了火山引擎打造火山方舟的背后逻辑，下面我们来看看火山方舟是一个怎样的平台。
火山方舟平台由几个核心部分构成，行动路线设计符合大模型应用的工作习惯，并突出体现了火山引擎对如何用好大模型的理解。
火山方舟首先拥有模型广场，使用者可以在这里看到许多优秀的模型提供商，以及他们不同版本 / 不同尺寸的模型。
目前，“火山方舟”已经集成了百川智能、出门问问、复旦大学 MOSS、IDEA 研究院、澜舟科技、MiniMax、智谱 AI 等多家 AI 科技公司及科研院所的大模型，并已启动邀测。
使用者可以直接与这些模型交互，得到直观体验。在火山引擎上可以直接调用推理 API，接入大家的生产环境。这是一条敏捷的短链路，适合进行快速分析和 AB 实验，为算法工程师和业务团队不断缩短从新想法到试一试的距离。
此外，目前国内大模型发展还处于初级阶段，无法通过一个 API 满足企业需求，需要和行业场景、数据结合做精调和持续训练，火山方舟恰好也提供了这样一个平台。
在火山方舟上，企业还可以进行模型评估，可分为人工评估和自动化评估，人工评估可以精细化衡量模型的主观表现，自动化评估则能助你紧跟模型迭代的节奏。在不断对比 / 评估 / 试验的过程中，企业可以积累评估数据，给多样化的业务场景和业务入口，挑选不同的，最合适的模型。
选择了一个大模型后，你还可以进行模型精调。因为很多企业的业务是高度垂直化的，需要利用自有的数据和领域非公开数据进行持续训练，才能应用到正常的工作流中。而在火山方舟上，企业客户只需手动设置高级参数、验证集、测试集等，就能自由地使用模型精调功能。
使用者在发起模型精调任务的同时，火山方舟也会自动进行评估，精调的效果和运行指标都会在平台实时跟踪，并以简洁直观的方式展现给使用者。
此外，由于火山方舟是大模型的应用以及机器学习平台的完整集成。因此上述工作流也适用于客户自己训练的大模型，让训练 / 评估 / 对比 / 推理 / 迭代紧凑地联系在一起，一气呵成。
一个好的大模型服务平台，只有这些还不够。
对于火山方舟来说，它还致力于解决三个问题。
首先是安全和信任。在大模型时代，数据安全会迎来新的命题。据网络安全公司 Cyberhaven 的调查，此前至少有 4% 的员工会将企业敏感数据输入 ChatGPT，敏感数据占输入内容的比例高达 11%。2023 年初，三星公司在使用 ChatGPT 不到 20 天时，就发现其半导体设备相关机密数据被泄露，并连续发生 3 起类似事故。
火山方舟也确实将安全保障视为首要任务。根据火山引擎智能算法负责人吴迪介绍，目前他们已经上线了基于安全沙箱的大模型安全互信计算方案，利用计算隔离、存储隔离、网络隔离、流量审计等方式，实现了模型的机密性、完整性和可用性保证，适用于对训练和推理延时要求较低的客户。
同时火山方舟还使用基于硬件的可信计算环境，结合 CPU 的 TEE 技术，以及英伟达 H800 的可信计算技术，将在后续带来硬件级的信任环境加固。还有就是经过多年发展的联邦学习技术，也会在大模型领域发挥重要价值，它通过对数据资产拆分来获取双方的信任。
第二个问题，是性价比，也就是要降低大模型的使用成本。
在发布会上，火山引擎展示了大模型行业的两条增长曲线，第一条曲线是模型训练所承载的算力消耗，第二条曲线是模型应用和调优承载的算力消耗。他们预测，到 2024 年秋天之后，以推理为主的大模型应用消耗，将超过预训练消耗的 60%，并且在 2025 年的某个时刻，超越预训练算力消耗。
我们知道，目前训练大模型的成本已经很昂贵了，这两条曲线说明，未来模型推理的开销会超过训练的开销，会更昂贵。因此，降低推理成本会是大模型应用落地的重要因素，也是火山方舟存在的意义。
火山引擎为大模型的推理提供高可靠保障，以及企业级的负载均衡和容错能力。而随着平台不断迭代，对大模型的资源供应将更为弹性 / 动态和廉价。
同时，火山方舟还会通过流量错峰，训推一体等手段，将进一步降低推理的单位成本，这也是在大模型时代，用云 / 上云所带来的重要优势，因为云上规模最大，而规模决定单位成本，因此用云对大模型推理的成本控制非常重要。
只有当训练、推理的成本做得足够低，大家才能把更多的注意力集中在业务层面，大模型也才能真正被广泛使用。
最后是生态系统的问题，如果把大语言模型比作 CPU，那么作为服务平台的火山方舟，就是除了 CPU，还要把整个主板也制造出来，也就是一整个配套的工作都要做好。
具体来说首先是插件，后续，火山方舟将提供大量插件，并且会为各插件配套一个数据集，像说明书或者驱动程序那样，用来告诉基座模型如何正确地与之交互。
接着是领域模型的微服务网络。火山引擎相信，将来通用基座模型将更好地完成多模态任务。但是在一定时间内，以及一些非常重视推理成本的垂直应用中，领域模型和大语言模型将密切配合，完成一些复杂工作。后续在火山方舟上，将构建一个领域模型的微服务网络，内置包括图像分割，语音识别等众多专业模型，供中央处理器随时调用。
总之，现阶段企业选择大模型或者打算自研大模型，要考虑的事情有很多，包括性价比，什么推理成本、延迟等等，还要考虑自身的业务需求、安全性、便捷性等。而火山方舟作为一个刚刚启航的大模型服务平台，它的完整度已经足够让人惊艳，像成本、安全、使用的简洁性、还有训推一体的功能性等各方面都覆盖到了，目前集成的大模型种类也足够丰富。
如果把各种大模型比作商品、商店，那么讯飞方舟就仿佛一个大型的购物商超，现在这个商超环境大气、配套设施齐全、门店租金也低，地段也好，那么商家有何理由不入驻，消费者又怎会不爱逛呢？
火山方舟的发动机
火山方舟这艘巨轮能驶向哪里，驶得是否平稳，很大程度上取决于发动机，而这发动机，就是火山引擎。前面我们提到，火山方舟其实是“大模型技术”与“火山引擎机器学习平台”的有机整体，因此它能够提供给模型供应商充沛的算力支持、持续不断地性能优化，还有出色的性价比，这些优势，本质上都来自火山引擎。
我们知道，火山引擎是抖音的计算服务提供方，抖音短视频的业务场景对流量、时延、稳定性等方面的要求非常严苛，而火山引擎已经经过了充分的训练和验证，去年抖音还完美完成了世界杯的直播，也是火山引擎在提供算力支撑。
就在 4 月份，火山引擎还与字节跳动国内业务并池，基于内外统一的云原生基础架构，抖音等业务的空闲计算资源可极速调度给火山引擎客户使用，离线业务资源分钟级调度 10 万核 CPU，在线业务资源也可潮汐复用，还有数十 EB 的企业存储，这些都是国内领先的，构成大模型供应商们丰富的训练、推理资源。
未来的大规模算力中心都会以“CPU+GPU+DPU”的混合算力结构为主。就在不久前，火山引擎自研 DPU（Data Processing Unit）也已经成功应用，部署在上万台 DPU 服务器，其中，全新基于自研 DPU 的计算实例中，NVIDIA GPU 计算实例相较上一代实现 3 倍性能提升，新的 CPU 实例，小规格实例性能最高提升 6 倍以上。而他们的智能推荐-高速训练引擎，也可以大大优化模型的训练推理效率。
而在算法训练方面，火山引擎还有新版机器学习平台，可支持万卡级大模型训练、微秒级延迟网络、弹性计算可节省 70% 的算力成本，而且是经过抖音海量用户业务长期打磨的，十分可靠。
在商业落地方面，火山引擎也有完整的 ToB 服务体系和团队支撑，其实在火山方舟推出之前，前面提到的那些做大模型的企业，大多已经在火山引擎云上，像 MiniMax、智谱 AI、百川智能、澜舟科技、出门问问等等。
比如 MiniMax 就已经在火山引擎上实现了从月至周级别的大模型迭代速度，和指数级的用户交互增长，“或许是国内第一家在公有云上实现数千卡并行训练的公司”。MiniMax 还自研了超大规模的推理平台，稳定支撑着每天上亿次的大模型推理调用。同时，他们的文本、语音、视觉三个模态大模型都登陆了“火山方舟”，推动双方合作进一步深化。
再比如专攻 AI 医药的晶泰科技也在火山引擎上实现了极致弹性的计算需求，双方基于云原生的基座，打造了一个高速且弹性伸缩、可容纳巨大算力的混合高性能计算平台，在双方的努力下，晶泰科技实现了集群装箱率 95% 以上的高资源利用率，超高通量筛选的 AI 制药高性能实例，以及 50 万任务（CPU&GPU）精准下发的异构算力智能化调度。火山引擎的数字孪生技术也加速了药物研发的自动化实验，例如全流程 AI 生成策略、蛋白质孪生可视化和视觉辅助算法，赋能药物研发提升效率。
可以说，火山引擎，以及背后沉淀出来的技术能力、服务能力、和被验证过的实战能力，就是火山方舟能够在生成式 AI 浪潮中敢于做服务平台、敢于乘风破浪的底气。
结语大模型是当下最激动人心的技术创新，如果把大模型比作一个生态系统，显然只有更多样性的物种才能保障整个生态的健康持续。
在发布会上，火山引擎总裁谭待如是说。而火山方舟启航伊始，也许还有很多地方需要完善，但是它在大模型服务平台方面的探索，以及对于整个大模型行业上下游开发企业、服务企业、应用企业、创业者、开发者们的粘合作用，都是不容忽视的。相信在火山引擎的努力下，一个“多云多模型”的良好生态一定能够建成，大模型技术也一定能更好的服务于千行百业，共同推动社会整体的进步。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.