尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
全球最大規模人工智慧巨量模型不再是GPT-3，而是中國的「源1.0」，該AI模型已經把五年內所有中文互聯網上的內容都看了個遍。
9月28日，浪潮人工智慧研究院在北京發布「源1.0」，其單體模型參數量2457億，而曾經全球最大規模的AI巨量模型GPT-3（Generative Pre-Training，生成式預訓練）為1750億參數。一般情況下有一個普遍看法，即一個模型的參數越多，它能實現的任務就越龐雜。
這樣的巨量模型有一個很重要的特性，即強大的通用能力。浪潮人工智慧研究院首席研究員吳韶華表示，大模型最重要的優勢是表明進入了大規模可復制的工業落地階段，只需小樣本的學習也能達到比以前更好的能力，且模型參數規模越大這種優勢越明顯。不需要開發使用者再進行大規模的訓練，使用小樣本就可以訓練自己所需模型，能夠大大降低開發使用成本。
在算力層面，參數量為2457億的「源1.0」計算量為4095PD（PetaFlop/s-day），相較1750億參數而計算量為3640PD的GPT-3，「源1.0」的計算效率有了明顯提升。看完5年內的中文互聯網內容，「源1.0」只需要16天。
浪潮人工智慧研究院表示，「源1.0」將面向學術研究單位和產業實踐用戶進行開源、開放、共享，降低巨量模型研究和應用的門檻。
如何理解模型與機器學習之間的關係？
在最初對人工智慧的探索中有兩個迥然相異的思路：規則式（rule-based）方法和神經網路（neural network）方法。規則式人工智慧系統也稱專家系統（expert system），其思路本質是使用人類已有的經驗命名規則，「若A則B」。然而在非常龐雜的人類世界中，想以這樣的思路實現強人工智慧或者說通用人工智慧（具備與人類同等智慧，甚至超越人類）非常困難。
神經網路方法本質則在於模仿人腦結構，構建類似生物神經元網路的結構以處理資訊。它不會設定「若A則B」的規則，而是讓神經網路從輸入的數據中學習，發現規律。
著名人工智慧專家李開復在《AI·未來》一書中這樣解釋神經網路的運行邏輯：大量的樣本數據輸入系統，以「訓練」程序去辨別形態，計算機運算力則讓程序得以高速分析樣本數據。
全球最大規模人工智慧巨量模型不再是GPT-3，而是中國的「源1.0」，該AI模型已經把五年內所有中文互聯網上的內容都看了個遍。
9月28日，浪潮人工智慧研究院在北京發布「源1.0」，其單體模型參數量2457億，而曾經全球最大規模的AI巨量模型GPT-3（Generative Pre-Training，生成式預訓練）為1750億參數。一般情況下有一個普遍看法，即一個模型的參數越多，它能實現的任務就越龐雜。
這樣的巨量模型有一個很重要的特性，即強大的通用能力。浪潮人工智慧研究院首席研究員吳韶華表示，大模型最重要的優勢是表明進入了大規模可復制的工業落地階段，只需小樣本的學習也能達到比以前更好的能力，且模型參數規模越大這種優勢越明顯。不需要開發使用者再進行大規模的訓練，使用小樣本就可以訓練自己所需模型，能夠大大降低開發使用成本。
在算力層面，參數量為2457億的「源1.0」計算量為4095PD（PetaFlop/s-day），相較1750億參數而計算量為3640PD的GPT-3，「源1.0」的計算效率有了明顯提升。看完5年內的中文互聯網內容，「源1.0」只需要16天。
浪潮人工智慧研究院表示，「源1.0」將面向學術研究單位和產業實踐用戶進行開源、開放、共享，降低巨量模型研究和應用的門檻。
如何理解模型與機器學習之間的關係？
在最初對人工智慧的探索中有兩個迥然相異的思路：規則式（rule-based）方法和神經網路（neural network）方法。規則式人工智慧系統也稱專家系統（expert system），其思路本質是使用人類已有的經驗命名規則，「若A則B」。然而在非常龐雜的人類世界中，想以這樣的思路實現強人工智慧或者說通用人工智慧（具備與人類同等智慧，甚至超越人類）非常困難。
神經網路方法本質則在於模仿人腦結構，構建類似生物神經元網路的結構以處理資訊。它不會設定「若A則B」的規則，而是讓神經網路從輸入的數據中學習，發現規律。
著名人工智慧專家李開復在《AI·未來》一書中這樣解釋神經網路的運行邏輯：大量的樣本數據輸入系統，以「訓練」程序去辨別形態，計算機運算力則讓程序得以高速分析樣本數據。