2023年4月28日和5月5日黨中央工作會(huì)議上提出了關(guān)于人工智能發(fā)展的三個(gè)第一次,即：第一次提出“通用人工智能”，第一次提出“產(chǎn)業(yè)智能化”，第一次提出“要把握人工智能等新科技革命浪潮”, 可見(jiàn)黨中央對(duì)人工智能AI發(fā)展十分重視。

根據(jù)AI當(dāng)前發(fā)展情況來(lái)看，我們現(xiàn)在已經(jīng)處在AI大模型時(shí)代，大模型各種各樣，其參數(shù)規(guī)模不斷提升，行業(yè)應(yīng)用不斷拓展，從整體來(lái)看， AI大模型不僅可以生成文字、可以生成圖片，而且可以生成代碼，構(gòu)建人機(jī)交互新模式，它還能與產(chǎn)品研發(fā)、工藝設(shè)計(jì)、生產(chǎn)作業(yè)、產(chǎn)品運(yùn)營(yíng)等制造環(huán)節(jié)、場(chǎng)景相結(jié)合，提高生產(chǎn)效率，形成新的生產(chǎn)力，從而引發(fā)整個(gè)產(chǎn)業(yè)格局的重構(gòu)。

那么什么是AI大模型呢?它在我們服裝制造業(yè)進(jìn)行智能化轉(zhuǎn)型中又有什么作用呢?

（1）AI大模型定義與類型:

AI大模型是指具有巨大參數(shù)量規(guī)模的人工智能模型，這些模型通過(guò)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的技術(shù)來(lái)學(xué)習(xí)和理解龐大的數(shù)據(jù)量。這些模型能夠解決多種任務(wù)，適應(yīng)不同的業(yè)務(wù)場(chǎng)景和語(yǔ)言環(huán)境，并且能夠不斷進(jìn)行訓(xùn)練和優(yōu)化，以實(shí)現(xiàn)更高效、更準(zhǔn)確的語(yǔ)義理解和應(yīng)用。

目前市場(chǎng)上公司及研究院校所等發(fā)布的AI大模型一般參數(shù)量是從10億參數(shù)到上千億參數(shù),根據(jù)我國(guó)科技部2023年的統(tǒng)計(jì)，中國(guó)10億參數(shù)量規(guī)模以上的大模型已發(fā)布了79個(gè)，美國(guó)發(fā)布已超過(guò)100個(gè)。

AI大模型有自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別三個(gè)大領(lǐng)域，見(jiàn)圖一。正因?yàn)橛辛诉@三個(gè)大領(lǐng)域,才構(gòu)成了人工智能的豐富世界,它們也才能夠讓機(jī)器更深入地理解我們的語(yǔ)言、圖像和聲音，從而為我們?nèi)祟愄峁└悄堋⒏憬莸姆?wù)。

圖一  AI大模型領(lǐng)域

在這三個(gè)領(lǐng)域中以大語(yǔ)言模型LLM（Large Language Model）和計(jì)算機(jī)視覺(jué)大模型CV（Computer Vision）較為常見(jiàn)。LLM大模型主要用于處理自然語(yǔ)言任務(wù)，如文本生成、情感分析、問(wèn)答系統(tǒng)等。這類模型通過(guò)對(duì)大量文本數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)到了語(yǔ)言的語(yǔ)法、語(yǔ)義和上下文相關(guān)性，從而能夠理解和生成自然語(yǔ)言文本;CV大模型，即計(jì)算機(jī)視覺(jué)模型，主要用于處理圖像和視頻相關(guān)的任務(wù)，如圖像分類、目標(biāo)檢測(cè)、人臉識(shí)別等。

這類模型通過(guò)對(duì)大量圖像數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)到了圖像的特征表示和分類規(guī)則，從而能夠進(jìn)行圖像的分類和目標(biāo)檢測(cè)等任務(wù)。除此之外還有自然語(yǔ)言處理NLP大模型和強(qiáng)化學(xué)習(xí)RL大模型也是常見(jiàn)的AI大模型類型，但它們的應(yīng)用范圍相對(duì)較窄。NLP大模型主要用于自然語(yǔ)言處理任務(wù)，如文本摘要、機(jī)器翻譯等；而RL大模型主要用于強(qiáng)化學(xué)習(xí)任務(wù)，通過(guò)與環(huán)境的交互學(xué)習(xí)最優(yōu)策略。總的來(lái)說(shuō)，AI大模型的應(yīng)用取決于具體的任務(wù)和場(chǎng)景，不同類型的模型各有其優(yōu)勢(shì)和局限性。

當(dāng)前典型的LLM大模型包括我們熟悉的OpenAI的GPT系列、Google的BERT模型等。在已經(jīng)過(guò)去的2023 年，最具影響的 GPT-4、ChatGPT 憑一己之力掀起了 AI 領(lǐng)域的熱潮，火爆全球。特別是ChatGPT 入選了2023 年度《Nature》十大人物（Nature’s 10），這是有史以來(lái)第一次以一個(gè)“計(jì)算機(jī)程序”——非人類實(shí)體作為人物入選。同時(shí),我國(guó)國(guó)家語(yǔ)言資源監(jiān)測(cè)與研究中心、商務(wù)印書館等單位聯(lián)合主辦的“漢語(yǔ)盤點(diǎn)2023”公布的年度國(guó)際詞，同樣是ChatGPT。ChatGPT讓大模型席卷全球，大模型被全球科技領(lǐng)袖定義為一次顛覆式科技革命。

我曾經(jīng)說(shuō)過(guò)，GPT是英文字首(Generative Pre-trained Transformer),可以叫“生成性預(yù)訓(xùn)練變換模型”,也可以叫“生成性人工智能”，是基于自然語(yǔ)言處理NLP基礎(chǔ)上發(fā)展起來(lái)的大數(shù)據(jù)、大算力、大模型。現(xiàn)在的GPT就是新一代人工智能發(fā)展的代表,它可以說(shuō)是以現(xiàn)在的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等為主體，在其基礎(chǔ)上參考人腦的計(jì)算機(jī)制，構(gòu)建機(jī)器的學(xué)習(xí)和推理智能系統(tǒng),這些都是在Transformer模型基礎(chǔ)上發(fā)展起來(lái)的,見(jiàn)圖二。

圖二 LLM大模型發(fā)展的基礎(chǔ)

Transformer 模型是深度學(xué)習(xí)中的一種神經(jīng)網(wǎng)絡(luò)模型，該模型2017年是由 Google開(kāi)源的,目前Transformer 模型已經(jīng)成為自然語(yǔ)言處理領(lǐng)域中最流行的模型之一。Transformer架構(gòu)是一種基于自注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)架構(gòu)，它在處理序列數(shù)據(jù)和建模語(yǔ)言相關(guān)性方面表現(xiàn)出色,見(jiàn)圖三。

圖三  Transformer 模型架構(gòu)(英中文)

由圖可見(jiàn),Transformer架構(gòu)由編碼Encoder和解碼Decoder兩部分組成，每部分均可堆疊多層,其工作流程分下面五步:①輸入處理--將輸入序列通過(guò)Embedding(嵌入技術(shù))層轉(zhuǎn)化為向量，并加上位置編碼；②Encoder編碼處理--經(jīng)過(guò)多頭自注意力層和前饋神經(jīng)網(wǎng)絡(luò)層，輸出編碼后的向量；③Decoder解碼處理--在解碼階段，除了自注意力機(jī)制外，還引入Encoder-Decoder Attention（編碼器-解碼器注意力），使Decoder能夠關(guān)注Encoder的輸出；④輸出生成--通過(guò)線性層和softmax函數(shù)，將Decoder的輸出轉(zhuǎn)化為預(yù)測(cè)詞匯的概率分布；⑤輸出應(yīng)用。

這里要注意的是雖然先進(jìn)的大模型確實(shí)使用了Transformer架構(gòu)作為基礎(chǔ),但并非所有的大模型都是基于Transformer架構(gòu)構(gòu)建的。事實(shí)上，有許多其他的架構(gòu)也被廣泛應(yīng)用于大模型的構(gòu)建，這些架構(gòu)根據(jù)任務(wù)和領(lǐng)域的不同而有所差異。例如，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像處理領(lǐng)域中被廣泛使用，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在處理序列數(shù)據(jù)和自然語(yǔ)言生成中得到了廣泛應(yīng)用等等。

根據(jù)大語(yǔ)言模型LLM用途來(lái)分,它還可以分為通用大語(yǔ)言模型LLM和專業(yè)用大語(yǔ)言模型LLM, 專業(yè)用大模型又有它的獨(dú)特構(gòu)建方式,見(jiàn)圖四。

圖四  大語(yǔ)言模型LLM分類（圖源：coggle）

（2）大語(yǔ)言模型LLM的構(gòu)建流程

我們通常所使用的大語(yǔ)言模型LLM的構(gòu)建流程是以O(shè)penAI推出的流程為代表的,其流程如圖五所示。它主要包含四個(gè)階段：預(yù)訓(xùn)練、有監(jiān)督微調(diào)、獎(jiǎng)勵(lì)建模、強(qiáng)化學(xué)習(xí)。這四個(gè)階段都需要不同規(guī)模數(shù)據(jù)集合、不同類型的算法，產(chǎn)出不同類型的模型，所需要的資源也有非常大的不同。

圖五  大語(yǔ)言模型構(gòu)建流程

（3) 國(guó)內(nèi)外著名的大語(yǔ)言模型LLM

目前大語(yǔ)言模型LLM的發(fā)展表現(xiàn)如下:在國(guó)外，首當(dāng)其沖的是OpenAI推出的基于GPT-4 的大型語(yǔ)言模型 ChatGPT，其次是Google、Microsoft、Meta和NVIDIA等推出的大型語(yǔ)言模型;在國(guó)內(nèi)目前有百度、金山、智譜、百川、字節(jié)、商湯、中科院（紫東太初）等企業(yè)和機(jī)構(gòu)等推出的大模型,見(jiàn)圖六。但經(jīng)過(guò)最近的幾個(gè)月發(fā)展,國(guó)內(nèi)大模型發(fā)展比較有名的已有十五家之多,見(jiàn)圖七

圖六 國(guó)內(nèi)外著名的大語(yǔ)言模型

圖七 國(guó)內(nèi)目前著名的大模型

（4)語(yǔ)言大模型LLM與多模態(tài)大模型

  所謂多模態(tài)大模型是指一種能夠處理多種類型數(shù)據(jù)的機(jī)器學(xué)習(xí)模型，如文本、圖像、音視頻數(shù)據(jù)等，并在這些數(shù)據(jù)之間建立關(guān)聯(lián)。因?yàn)槲覀內(nèi)祟惿钤谝粋€(gè)多模態(tài)信息數(shù)據(jù)構(gòu)成的世界，需要通過(guò)視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)、嗅覺(jué)等感官來(lái)接收和理解外部的信息，或者通過(guò)語(yǔ)言、文字、圖畫、音樂(lè)等方式來(lái)表達(dá)和傳遞信息,所以我們十分需要多模態(tài)大模型。

但是在人工智能的發(fā)展歷史上，大多數(shù)的模型都是基于單一模態(tài)的數(shù)據(jù)來(lái)進(jìn)行學(xué)習(xí)和推理的,那么除了多模態(tài)大模型之外,有沒(méi)有一個(gè)單一模態(tài)的大模型發(fā)展成為多模態(tài)大模型呢?回答是有的。其實(shí),語(yǔ)言大模型LLM通常就被認(rèn)為具有多模態(tài)特征，因?yàn)樗梢蕴幚聿粌H僅是文本數(shù)據(jù)，還包括語(yǔ)音、圖像和其他類型的數(shù)據(jù)。這意味著大型語(yǔ)言模型（LLM）可以看作是處理多模態(tài)數(shù)據(jù)的一種形式，特別是當(dāng)這些模型被用于理解或生成不同模態(tài)（如視覺(jué)、語(yǔ)音等）的信息時(shí)。

例如，多模態(tài)大型語(yǔ)言模型（MLLM）可以利用大型語(yǔ)言模型（LLM）作為大腦來(lái)執(zhí)行多模態(tài)任務(wù)。當(dāng)它們擴(kuò)展到多模態(tài)數(shù)據(jù)時(shí)，它們能夠處理和理解來(lái)自不同源的信息，例如圖像、音頻和視頻。但需要注意的是，雖然LLM大模型可以處理多模態(tài)特征，但它在處理視覺(jué)數(shù)據(jù)方面可能沒(méi)有專門設(shè)計(jì)的CV大模型的性能和精確度。所以，對(duì)于特別側(cè)重于視覺(jué)處理的任務(wù)，使用專門設(shè)計(jì)的CV大模型可能更適合。

（5）生成式AI、AIGC和LLM三者的區(qū)別

生成式AI、AIGC和LLM三者都是人工智能領(lǐng)域的重要分支，各自展現(xiàn)了獨(dú)特的魅力和功能，但它們各自有不同的側(cè)重點(diǎn)和應(yīng)用場(chǎng)景。

生成式AI（Generative AI）是指能夠模擬人類智能生成新的、真實(shí)的、有用的信息的AI技術(shù)。這種技術(shù)通過(guò)學(xué)習(xí)大量的數(shù)據(jù)，能夠生成與現(xiàn)實(shí)世界類似的新圖像、音頻、視頻等。例如，生成式AI可以用于藝術(shù)創(chuàng)作、文本生成、音樂(lè)制作等領(lǐng)域;AIGC（Artificial Intelligence Generated Content）是人工智能領(lǐng)域的一個(gè)新概念，它指的是由人工智能生成的符合用戶需求和偏好的內(nèi)容。這種內(nèi)容可以是文本、圖像、音頻、視頻等各種形式。AIGC是AI領(lǐng)域的技術(shù)集合，包括深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、自然語(yǔ)言處理等。

AIGC更側(cè)重于生成全新的、原創(chuàng)的內(nèi)容，往往具有更高的創(chuàng)新性和獨(dú)特性;LLM（Large Language Model）是大型語(yǔ)言模型，是一種基于深度學(xué)習(xí)技術(shù)的自然語(yǔ)言處理模型。它能夠理解和生成人類語(yǔ)言，包括文本、語(yǔ)音等。LLM通常被用于自然語(yǔ)言處理任務(wù)，如機(jī)器翻譯、文本生成、情感分析等。總之生成式AI、AIGC和LLM三者的區(qū)別在于它們的側(cè)重點(diǎn)和應(yīng)用場(chǎng)景。生成式AI側(cè)重于模擬人類智能生成新的信息，AIGC側(cè)重于生成全新的、原創(chuàng)的內(nèi)容，而LLM則是一種基于深度學(xué)習(xí)技術(shù)的自然語(yǔ)言處理模型。

（6）大語(yǔ)言模型 LLM與智能助理(或智能代理)AI Agent

  AI Agent的正確名稱是人工智能代理（Artificial Intelligence Agent），它是一個(gè)能夠感知環(huán)境、進(jìn)行決策和執(zhí)行動(dòng)作的智能實(shí)體, 它不同于傳統(tǒng)的人工智能，它是一個(gè)復(fù)雜的AI系統(tǒng)，它能通過(guò)感知信息、處理信息、執(zhí)行任務(wù)和輸出結(jié)果等步驟，實(shí)現(xiàn)從感知到行動(dòng)的完整過(guò)程。

而AI Agent則通過(guò)利用LLM的這些能力，進(jìn)一步與環(huán)境交互、主動(dòng)決策并執(zhí)行各種任務(wù)。因此，LLM是AI Agent的核心組成部分，它為AI Agent提供了驅(qū)動(dòng)和支撐。

由AI與人類的交互模式發(fā)展來(lái)看(見(jiàn)圖八)，AI Agent模式能夠自主調(diào)用資源完成任務(wù)，人類在其中只起到設(shè)立目標(biāo)、監(jiān)督結(jié)果和評(píng)估的作用。可見(jiàn)AI Agent能具有更廣泛的應(yīng)用范圍,可處理多個(gè)任務(wù)，并能在不同領(lǐng)域中執(zhí)行各種功能行動(dòng)；它還具有更自然和靈活的交互方式，能夠理解復(fù)雜的自然語(yǔ)言指令，與用戶進(jìn)行更智能的對(duì)話等。

圖八  AI Agent與人類的交互模式（圖源:網(wǎng)絡(luò)）

AI Agent通常還被視為是大模型落地業(yè)務(wù)場(chǎng)景的主流形式, 是企業(yè)構(gòu)建智能的未來(lái),也是人類的理想智能助手。根據(jù)IDC調(diào)研顯示：所有受訪企業(yè)都認(rèn)為AI Agent是發(fā)展的方向，現(xiàn)在有 50%的企業(yè)已經(jīng)在某項(xiàng)工作中進(jìn)行了AI Agent的試點(diǎn)，另有34%的企業(yè)正在制定AI Agent的應(yīng)用計(jì)劃,見(jiàn)圖九。

圖九AI Agent在企業(yè)應(yīng)用

（7）SORA與LLM關(guān)系

OpenAI 在 2024 年 2 月16 日發(fā)布了 Sora，這是一個(gè)文本到視頻的生成 AI 模型，能夠根據(jù)文本提示生成現(xiàn)實(shí)或富有想象力的場(chǎng)景視頻。Sora本身是一個(gè)專門設(shè)計(jì)用于視頻生成和處理的模型，其重點(diǎn)在于將文本描述轉(zhuǎn)化為視覺(jué)內(nèi)容。它并不是直接依賴LLM來(lái)生成視頻內(nèi)容的。相反，Sora使用其內(nèi)部的深度學(xué)習(xí)架構(gòu)和算法來(lái)將文本轉(zhuǎn)化為視覺(jué)元素，并生成最終的視頻輸出。

在SORA文生視頻架構(gòu)中，LLM大模型常被用作文本到視頻生成的核心組件。LLM大模型可以接受文本輸入，并生成對(duì)應(yīng)的文字描述或說(shuō)明，作為視頻生成的基礎(chǔ)。通過(guò)將LLM大模型與其他圖像處理和動(dòng)畫生成技術(shù)結(jié)合起來(lái)，可以實(shí)現(xiàn)基于文本的視頻生成。因此，SORA文生視頻架構(gòu)和LLM大模型之間存在一定的關(guān)聯(lián)，LLM大模型是視頻生成的重要組成部分之一。

（8)大模型訓(xùn)練面臨的挑戰(zhàn)與解決之道

雖然大型語(yǔ)言模型 (LLM) 徹底改變了自然語(yǔ)言處理和理解領(lǐng)域，實(shí)現(xiàn)了跨各個(gè)領(lǐng)域的廣泛人工智能應(yīng)用。然而部署 LLM 應(yīng)用程序也面臨著一系列挑戰(zhàn),例如:在數(shù)據(jù)算法算力的資源挑戰(zhàn);訓(xùn)練環(huán)境與能源的挑戰(zhàn);大模型產(chǎn)生的勾覺(jué)及偏見(jiàn)等等的挑戰(zhàn),見(jiàn)圖十。

圖十  大模型訓(xùn)練面臨的挑戰(zhàn)（圖源--數(shù)字化助推器）

目前解決大模型訓(xùn)練所面臨的挑戰(zhàn)有下面一些方法:例如為了解決算法算力等問(wèn)題可以使用更高效的硬件,如GPU、TPU（張量處理單元）或ASIC（應(yīng)用特定集成電路）;通過(guò)將模型訓(xùn)練分散到多個(gè)計(jì)算節(jié)點(diǎn)上進(jìn)行分布式訓(xùn)練，可以顯著加快訓(xùn)練速度;利用優(yōu)化算法以減少所需的計(jì)算量等; 使用可再生能源為數(shù)據(jù)中心供電，以降低能源消耗和減少碳排放等等。

除此之外還常用搜索增強(qiáng)生成（RAG--Retrieval Augmentation Generation）、微調(diào)（Fine-tuning）和提示工程（Prompt Engineering）來(lái)解決在大型語(yǔ)言模型（LLM）的訓(xùn)練和應(yīng)用中出現(xiàn)的不同問(wèn)題。所謂LLM微調(diào)是一個(gè)將預(yù)訓(xùn)練模型在較小、特定數(shù)據(jù)集上進(jìn)一步訓(xùn)練的過(guò)程，目的是精煉模型的能力，提高其在特定任務(wù)或領(lǐng)域上的性能。微調(diào)的目的是將通用模型轉(zhuǎn)變?yōu)閷Ｓ媚Ｐ停瑥浐贤ㄓ妙A(yù)訓(xùn)練模型與特定應(yīng)用需求之間的差距，確保語(yǔ)言模型更貼近人類的期望。而所謂搜索增強(qiáng)生成RAG,它是微調(diào)的一種替代方法，它結(jié)合了自然語(yǔ)言生成和信息檢索。RAG確保語(yǔ)言模型通過(guò)外部最新知識(shí)或相關(guān)文檔提供信息來(lái)源。這種技術(shù)彌合了通用模型廣泛知識(shí)與最新知識(shí)信息需求之間的差距，RAG是事實(shí)隨時(shí)間演變情況下的重要技術(shù)。

通過(guò)應(yīng)用搜索增強(qiáng)生成可以解決以下問(wèn)題：①通過(guò)應(yīng)用搜索增強(qiáng)生成可以解決長(zhǎng)尾知識(shí)問(wèn)題——大型語(yǔ)言模型往往在處理常見(jiàn)的、頻繁出現(xiàn)的問(wèn)題時(shí)表現(xiàn)良好，但在處理長(zhǎng)尾、罕見(jiàn)或特定領(lǐng)域的問(wèn)題時(shí)可能會(huì)遇到困難。通過(guò)增強(qiáng)檢索，可以將模型與外部知識(shí)源（如數(shù)據(jù)庫(kù)、互聯(lián)網(wǎng)等）結(jié)合起來(lái)，以提供準(zhǔn)確的信息和上下文；②通過(guò)應(yīng)用搜索增強(qiáng)生成可以提高非幻覺(jué)率——如前所述，大型語(yǔ)言模型有時(shí)會(huì)產(chǎn)生誤導(dǎo)性的、不真實(shí)的或“幻覺(jué)”的回答可以通過(guò)增強(qiáng)檢索，驗(yàn)證模型的回答，確保它們基于可靠和準(zhǔn)確的信息；③通過(guò)應(yīng)用搜索增強(qiáng)生成可以提高效率和響應(yīng)速度——對(duì)于某些問(wèn)題，直接檢索相關(guān)信息可能比從頭開(kāi)始生成回答更為高效。這可以減少計(jì)算時(shí)間并提高系統(tǒng)的響應(yīng)速度。

同樣, 通過(guò)應(yīng)用微調(diào)可以解決以下問(wèn)題：①通過(guò)微調(diào)可以使大模型適應(yīng)特定任務(wù)或領(lǐng)域——微調(diào)是一種使大型預(yù)訓(xùn)練模型適應(yīng)特定任務(wù)或數(shù)據(jù)集的方法。通過(guò)微調(diào)，模型可以學(xué)習(xí)特定領(lǐng)域的細(xì)節(jié)和規(guī)則，從而在該領(lǐng)域表現(xiàn)得更好；②通過(guò)微調(diào)可以使大模型型減少偏見(jiàn)和勾覺(jué)——微調(diào)可以幫助模型減少在特定數(shù)據(jù)集上的偏見(jiàn)和過(guò)擬合；③通過(guò)在具有多樣性和代表性的數(shù)據(jù)集上進(jìn)行微調(diào)，模型可以學(xué)習(xí)更普遍和可泛化的特征；④通過(guò)微調(diào)可以使大模型型提高性能和效率——微調(diào)通常可以提高模型在特定任務(wù)上的性能，因?yàn)樗试S模型專注于學(xué)習(xí)與該任務(wù)最相關(guān)的特征。這可以減少計(jì)算資源和能源消耗，同時(shí)提高模型的準(zhǔn)確性和效率。

同樣,提示及提示工程（Prompt Engineering）在大型模型訓(xùn)練中的作用主要體現(xiàn)在以下幾個(gè)方面：

①通過(guò)提示及提示工程可以引導(dǎo)模型理解和生成——提示工程通過(guò)設(shè)計(jì)和優(yōu)化輸入提示詞，引導(dǎo)模型生成高質(zhì)量、準(zhǔn)確和有針對(duì)性的輸出。這些提示詞實(shí)質(zhì)上是我們發(fā)給大模型的輸入（指令），模型會(huì)根據(jù)這些指令，結(jié)合其預(yù)訓(xùn)練的“知識(shí)”，輸出與指令相關(guān)的內(nèi)容；

②通過(guò)提示及提示工程可以提高模型性能——對(duì)于基于轉(zhuǎn)換器的大型語(yǔ)言模型（如OpenAI的GPT系列），輸入提示在提高模型理解、回答問(wèn)題、生成有用輸出等方面具有關(guān)鍵作用。通過(guò)構(gòu)建清晰、簡(jiǎn)潔的問(wèn)題，提供必要的上下文信息，或者使用間接、分步的引導(dǎo)方式，提示工程可以幫助模型更好地理解問(wèn)題并生成更有價(jià)值的回答；

③通過(guò)提示及提示工程可以促進(jìn)人機(jī)交互——提示工程也是一種人機(jī)交互的方式。通過(guò)高質(zhì)量的提問(wèn)，我們可以引導(dǎo)模型生成我們想要的輸出，這對(duì)于開(kāi)發(fā)用戶友好、易于交互的AI系統(tǒng)具有重要意義。

最后，還需注意大模型LLM的推理準(zhǔn)確性和泛化能力是一個(gè)機(jī)器學(xué)習(xí)領(lǐng)域的研究問(wèn)題,一般都需要從以下6個(gè)方面來(lái)探討,即:

①增加數(shù)據(jù)量——更多的數(shù)據(jù)能讓模型更充分地認(rèn)識(shí)所要識(shí)別的問(wèn)題，學(xué)到更加共性的信息；

②處理缺失值和異常值——訓(xùn)練數(shù)據(jù)中意外的缺失值和異常值通常會(huì)降低模型的準(zhǔn)確率，或使模型產(chǎn)生的結(jié)果出現(xiàn)偏差，最終導(dǎo)致預(yù)測(cè)不準(zhǔn)；

③使用正則化方法——正則化是一種防止模型過(guò)擬合的技術(shù)，包括提前終止和模型集成等。提前終止是在泛化誤差指標(biāo)不再提升后，提前結(jié)束訓(xùn)練；

④采用復(fù)雜模型——一些復(fù)雜的模型，如深度神經(jīng)網(wǎng)絡(luò)，能夠更好地學(xué)習(xí)和表示數(shù)據(jù)的復(fù)雜特征，從而提高推理的準(zhǔn)確性和泛化能力；

⑤數(shù)據(jù)增強(qiáng)：對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)可以擴(kuò)充數(shù)據(jù)集，提高模型的泛化能力；

⑥使用貝葉斯模型——貝葉斯模型能夠根據(jù)已有的數(shù)據(jù)進(jìn)行概率推斷，對(duì)于新的、未知的數(shù)據(jù)有一定的預(yù)測(cè)能力，可以提高泛化能力。

AI大模型事關(guān)人類生產(chǎn)工具的變革，事關(guān)一個(gè)國(guó)家制造業(yè)核心競(jìng)爭(zhēng)力的重塑，事關(guān)經(jīng)濟(jì)的長(zhǎng)期繁榮。AI大模型是重塑全球制造業(yè)競(jìng)爭(zhēng)格局的新起點(diǎn),AI大模型也是加速數(shù)實(shí)融合浪潮的又一次到來(lái)，其主要特征和目標(biāo)是制造業(yè)轉(zhuǎn)型的智能化。AI大模型將影響制造業(yè)發(fā)展格局，AI大模型將會(huì)融入制造業(yè)的研發(fā)設(shè)計(jì)、生產(chǎn)工藝、質(zhì)量管理、運(yùn)營(yíng)控制、營(yíng)銷服務(wù)、組織協(xié)同和經(jīng)營(yíng)管理等方面,見(jiàn)圖十一。

圖十一  大模型融入制造業(yè)（圖源:安筱鵬）

大模型分為通用大模型和專業(yè)大模型(圖四)。通用大模型是在大規(guī)模語(yǔ)料(互聯(lián)網(wǎng)，百科，電子書)上預(yù)訓(xùn)練完成，例如GPT，Bert。

專業(yè)大模型是在通用大模型基礎(chǔ)上，通過(guò)微調(diào)或者提示工程使其善于完成某個(gè)下游任務(wù)，例如，ChatGPT。根據(jù)Gartner 預(yù)測(cè)，到 2026 年，超過(guò) 80%的企業(yè)將使用生成式 AI 的 API 或大模型，或在生產(chǎn)環(huán)境中部署支持生成式 AI 的應(yīng)用，而在 2023 年初這一比例不到 0.5%。所以生成式AI及大模型未來(lái)發(fā)展的空間非常巨大。生成式 AI及大模型正在迅速走向應(yīng)用落地，生成式 AI及大模型有望為全球經(jīng)濟(jì)貢獻(xiàn)約 7 萬(wàn)億美元的價(jià)值，并將 AI 的總體經(jīng)濟(jì)效益提高 50%左右；中國(guó)則有望貢獻(xiàn)其中約 2 萬(wàn)億美元，將近全球總量的 1/3。

面對(duì)這樣的形勢(shì),由于我們服裝制造業(yè)存在對(duì)大模型的認(rèn)知不足,行業(yè)和企業(yè)的算力和數(shù)據(jù)樣本不足,以及對(duì)大模型應(yīng)用經(jīng)驗(yàn)不足等原因,影響了對(duì)AI大模型的應(yīng)用,所以我們現(xiàn)在應(yīng)該奮起直追,認(rèn)知好和應(yīng)用好它。AI大模型應(yīng)用在服裝制造業(yè)轉(zhuǎn)型于智能化主要要有以下幾個(gè)方面的認(rèn)知:

（1）大小模型協(xié)同是AI大模型賦能制造業(yè)的重要趨勢(shì)

圖十二  制造業(yè)中大小模型的應(yīng)用與協(xié)同

在服裝制造業(yè)轉(zhuǎn)型于智能化中應(yīng)用好大模型和小模型是一個(gè)重要的趨勢(shì),見(jiàn)圖十二。大模型的代碼生成、CAD生成和泛化等能力強(qiáng),而小模型完成單個(gè)場(chǎng)景特別任務(wù)又特別好,所以我們?cè)诜b制造業(yè)轉(zhuǎn)型于智能化中主張兩者協(xié)同應(yīng)用。另外值得一提的是智能代理AI Agent是大小模型高度協(xié)同的重要載體,所以它將成為新的生產(chǎn)工具。

前面說(shuō)過(guò)AI Agent將LLM與其他模型、軟件等外部工具協(xié)同，能夠處理真實(shí)世界中的各種復(fù)雜任務(wù)。未來(lái)在制造業(yè)AI Agent主要由“感知系統(tǒng)+控制系統(tǒng)+執(zhí)行系統(tǒng)”組成，它不僅具有生成能力，還將同時(shí)具備任務(wù)理解、任務(wù)拆解、任務(wù)調(diào)度、執(zhí)行規(guī)劃、鏈條協(xié)同等能力。其中LLM將主要承擔(dān)指揮中心角色，類似人類“大腦”的角色，對(duì)接入AI Agent的數(shù)字化工具（比如工業(yè)軟件、工業(yè)機(jī)器人、數(shù)字人等）進(jìn)行統(tǒng)一智能調(diào)度管理，實(shí)時(shí)在生產(chǎn)、管理、服務(wù)等場(chǎng)景中，由不同組合的數(shù)字化工具協(xié)同完成具體任務(wù)。

（2）大模型生成代碼的價(jià)值在于服裝制造業(yè)所用的軟件都需要基于AI大模型重新做一遍

由上面大模型LLM介紹可知,它能生成文本、圖片、代碼、語(yǔ)音和視頻，但在這些當(dāng)中生成代碼的價(jià)值被往往被忽略被低估。其實(shí)要實(shí)現(xiàn)制造業(yè)智能化一定要將所有的軟件基于AI重新做一遍,這里所有包括Windows、Office等辦公軟件、企業(yè)用的MES、WMS、PLM、ERP、CRM、SCM、PLC、SCADA等工業(yè)軟件會(huì)被重新做一遍。

所有軟件將由AI大模型驅(qū)動(dòng)，這樣軟件才能從數(shù)字化或在線化走向真正的智能化。未來(lái)不但如此,所有的智能硬件如手機(jī)、計(jì)算機(jī)、智能家電、攝像頭、機(jī)器人、AGV小車、加工機(jī)械等也將被AI大模型驅(qū)動(dòng),見(jiàn)圖十三。

圖十三  AI大模型驅(qū)動(dòng)軟硬件（圖源:安筱鵬 ）

（3）大模型用于服裝前瞻化設(shè)計(jì)

大模型可以生成創(chuàng)新性的產(chǎn)品設(shè)計(jì)方案，從而更好地輔助技術(shù)人員快速將設(shè)計(jì)構(gòu)思和意圖轉(zhuǎn)化為具體實(shí)施方案, 生成多樣化設(shè)計(jì)方案。例如一般獨(dú)立設(shè)計(jì)師的初創(chuàng)品牌會(huì)結(jié)合 AI 繪畫Midjourney工具和 AIGC大模型等工具,發(fā)揮自己的創(chuàng)意想象力,進(jìn)行服裝版型設(shè)計(jì)。

不過(guò)版型設(shè)計(jì)對(duì)于 AI大模型的能力要求是比較復(fù)雜的，既要獨(dú)一無(wú)二的創(chuàng)意，又需要結(jié)合自己的品牌風(fēng)格，只有設(shè)計(jì)師利用大模型進(jìn)行微調(diào)和提示工程才能做到，其服裝版型設(shè)計(jì)結(jié)果見(jiàn)圖十四。又例如阿里巴巴開(kāi)發(fā)的多模態(tài)大模型M6已成功應(yīng)用于犀牛服裝服裝新制造，實(shí)現(xiàn)了文本到圖像生成等多種應(yīng)用案例。傳統(tǒng)服裝設(shè)計(jì)過(guò)程中，設(shè)計(jì)師需要花費(fèi)很長(zhǎng)的時(shí)間設(shè)計(jì)衣服并進(jìn)行線上樣款測(cè)試，但基于文本到圖像生成技術(shù)，可以直接輸入流行的服裝款式描述到M6模型中生成相應(yīng)款式圖片。

這項(xiàng)技術(shù)將原本冗長(zhǎng)的設(shè)計(jì)流程壓縮了超過(guò)十倍的時(shí)間，目前已經(jīng)商業(yè)投產(chǎn)，并且與三十多家服裝商家在去年雙十一期間成功地進(jìn)行了合作。再如凌迪Style3D在應(yīng)用AI大模型技術(shù)打通了“AI+3D+AI”的路徑以后，在服裝商品企劃設(shè)計(jì)段，幫助設(shè)計(jì)師運(yùn)用AI大模型深度學(xué)習(xí)能力，通過(guò)以文生款、以款生款、線稿成款、融合創(chuàng)款、AI局部編輯、AI試衣等功能，快速創(chuàng)造、還原、修改設(shè)計(jì)創(chuàng)意，加速設(shè)計(jì)靈感迸發(fā)。

圖十四 大模型微調(diào)與提示后的設(shè)計(jì)（圖源:WWD CHINA）

（4）AI大模型能彌合服裝制造業(yè)的數(shù)據(jù)流斷點(diǎn)

AI大模型帶來(lái)了新的人機(jī)交互方式，未來(lái)大模型將能操控一切，深刻改變生產(chǎn)制造等的方式。過(guò)去在我們服裝制造業(yè)進(jìn)行數(shù)字化轉(zhuǎn)型是以傳統(tǒng)軟件的方式達(dá)到數(shù)據(jù)能夠自動(dòng)流動(dòng)為目的。但從客戶需求產(chǎn)品到獲得產(chǎn)品整個(gè)過(guò)程中,制造企業(yè)在多個(gè)環(huán)節(jié)中存在數(shù)據(jù)流斷點(diǎn)，往往需要工程師來(lái)開(kāi)發(fā)各種工藝軟件和流程軟件,現(xiàn)在有了AI大模型將改變這一狀況,它使現(xiàn)在基于文本的信息流轉(zhuǎn)變?yōu)榛谀Ｐ偷男畔⒘?見(jiàn)圖十五。

圖十五 服裝制造業(yè)基于模型的信息流（圖源:安筱鵬）

基于AI大模型的自然語(yǔ)言交互能力，為制造業(yè)企業(yè)內(nèi)部各環(huán)節(jié)之間的實(shí)時(shí)、泛在的連接提供了軟件開(kāi)發(fā)、交互的新方式，降低了工藝和流程的軟件開(kāi)發(fā)門檻、提高了效率，彌合了企業(yè)數(shù)據(jù)流動(dòng)過(guò)程中的無(wú)數(shù)個(gè)斷點(diǎn)。這一功能大大降低了工藝開(kāi)發(fā)人員的門檻，提高了開(kāi)發(fā)效率和質(zhì)量。從全局來(lái)看，不僅能避免出現(xiàn)數(shù)據(jù)斷點(diǎn)，減少人工干預(yù)帶來(lái)的影響，而且提高了整個(gè)系統(tǒng)的智能化水平。

（5）AI大模型能在服裝制造業(yè)生產(chǎn)線上實(shí)現(xiàn)智能化調(diào)控

智能化調(diào)控在現(xiàn)代服裝制造業(yè)生產(chǎn)線中，需要對(duì)多個(gè)關(guān)鍵節(jié)點(diǎn)進(jìn)行智能化調(diào)度和控制，以提升產(chǎn)線運(yùn)行效率。人工智能大模型可以通過(guò)分析多樣化的歷史數(shù)據(jù)，更好地理解諸如生產(chǎn)需求、資源可用性、任務(wù)優(yōu)先級(jí)等工業(yè)調(diào)度任務(wù)中的復(fù)雜關(guān)系，從而優(yōu)化各節(jié)點(diǎn)的任務(wù)分配和調(diào)度，提高生產(chǎn)效率和靈活性。這一調(diào)控典型做法是在SCADA(數(shù)據(jù)采集與監(jiān)視控制系統(tǒng))場(chǎng)景下,利用大模型在生產(chǎn)線場(chǎng)景下的編程接口和生態(tài)庫(kù)，生成工業(yè)邏輯代碼（交互、建模、SQL開(kāi)發(fā)）并自動(dòng)集成到工業(yè)軟件中，用它來(lái)進(jìn)行閉環(huán)優(yōu)化控制。

（6）AI大模型能用于服裝定制化服務(wù)

大模型可以憑借在文本生成、圖像生成和自然語(yǔ)言對(duì)話等方面的優(yōu)勢(shì)，使服服裝定制服務(wù)不僅僅是問(wèn)與答，可讓客戶直接根據(jù)自己需要進(jìn)行修改，這樣就進(jìn)一步提升了客戶忠誠(chéng)度和滿意度。例如阿里巴巴的多模態(tài)大模型M6,利用提供文本到圖像生成的能力，可根據(jù)客戶需求,不斷完善其生成結(jié)果。在給定一張衣服圖像時(shí)，用戶可以在保留其領(lǐng)子后進(jìn)一步進(jìn)行個(gè)性化改進(jìn),每改進(jìn)一次可以生成改進(jìn)一部分的token,隨后進(jìn)行多次迭代后，其生成的衣服圖像結(jié)果就會(huì)越來(lái)越好,直到客戶滿意。

（7）90%以上的中小微服裝制造業(yè)數(shù)智化轉(zhuǎn)型可以利用AI大模型服務(wù)平臺(tái)了

大模型的出現(xiàn)為廣大中小微服裝制造業(yè)數(shù)智化轉(zhuǎn)型和高質(zhì)量發(fā)展帶來(lái)很好的技術(shù)支撐。針對(duì)服裝制造業(yè)做大模型的阿里巴巴、海爾、創(chuàng)新奇智、商湯科技等，他們的推出的大模型平臺(tái)除了自己應(yīng)用外，還給更多的中小微制造企業(yè)服務(wù)。除此之外，我國(guó)還發(fā)展了一批面向更多中小微企業(yè)的大模型平臺(tái)服務(wù)企業(yè)。例如廣州致景公司專為服裝設(shè)計(jì)的建模和服裝工廠的管理服務(wù)；山東橙色云專為企業(yè)設(shè)計(jì)承接和轉(zhuǎn)包大模型平臺(tái)，現(xiàn)在已經(jīng)有上萬(wàn)家中小微企業(yè)在他們平臺(tái)上發(fā)布需求服務(wù)了；深圳云工科技，利用大模型平臺(tái)專門為企業(yè)需要訂貨服務(wù)，僅去年下半年就下單了100億的交易；江蘇智云天工和三一重工做了一個(gè)虛擬工廠和供應(yīng)鏈管理大模型平臺(tái)，可為企業(yè)做到生產(chǎn)流程最優(yōu)和零庫(kù)存或少庫(kù)存管理等等。

（8）利用AI大模型對(duì)衣片或成衣進(jìn)行質(zhì)量檢測(cè)

（1）在2024年3月5日發(fā)布的2024政府工作報(bào)告中，首次提出開(kāi)展“人工智能+”行動(dòng)。在當(dāng)前由AI大模型驅(qū)動(dòng)的新一輪人工智能熱潮下，“人工智能+”行動(dòng)的提出，是順應(yīng)潮流，重大利好。隨著“人工智能+”行動(dòng)的開(kāi)展，政產(chǎn)學(xué)研用都將推進(jìn)“人工智能+”在各行各業(yè)落地，經(jīng)濟(jì)社會(huì)將加速進(jìn)入由人工智能驅(qū)動(dòng)的AI大模型新時(shí)代。“人工智能+”的到來(lái)，將促進(jìn)很多人工智能“新物種”的誕生，如AI Agent、人形機(jī)器人、無(wú)人駕駛汽車等等，這些將加速智能經(jīng)濟(jì)的快速發(fā)展壯大。時(shí)代的車輪滾滾向前，人工智能浪潮已勢(shì)不可擋，我們制造企業(yè)只有積極擁抱它才能生存。

（2）我很贊同AI科學(xué)家賈揚(yáng)清說(shuō)的一段話，借來(lái)作為一個(gè)結(jié)束語(yǔ)，他說(shuō)：“目前國(guó)產(chǎn)大模型中，主要分為三類：一是原創(chuàng)大模型；二是套殼國(guó)外的開(kāi)源大模型；三是拼裝大模型，也就是把過(guò)去的小模型們拼在一起，變成參數(shù)量看起來(lái)很大的“大模型”。其中，原創(chuàng)大模型數(shù)量最少，做原創(chuàng)大模型需要有很強(qiáng)的技術(shù)積累，且要有持續(xù)的高投入，風(fēng)險(xiǎn)很大，因?yàn)橐坏┠Ｐ蜎](méi)有足夠強(qiáng)的競(jìng)爭(zhēng)力，這些大規(guī)模投入就打了水漂。······到商業(yè)化落地階段，客戶也不太會(huì)在意是否原創(chuàng)，有用就行，甚至不少客戶會(huì)因?yàn)槌杀靖停敢膺x擇非原創(chuàng)的技術(shù)”。

（3）服裝制造業(yè)要使AI大模型應(yīng)用落地，一是要面向企業(yè)應(yīng)用場(chǎng)景推進(jìn)AI大模型技術(shù)攻關(guān)；二是要建立和收集規(guī)模化的大模型工業(yè)數(shù)據(jù)資源；三是要完善AI大模型在制造企業(yè)的應(yīng)用性能評(píng)測(cè)機(jī)制；四是要選好和做好AI大模型應(yīng)用企業(yè)試點(diǎn)示范工作。

2024年4月稿