落地端侧，2B模型如何以小搏大？｜对话面壁CEO李大海
文｜郝 鑫
“AGI是一场马拉松”，面壁智能联合创始人、CEO，知乎CTO李大海道。
作为一个马拉松的爱好者，李大海深知在大模型的竞争中，一时的“快”只是暂时的，更重要的是把赛程中的每一步都跑下来，跑踏实。
回顾面壁智能的发展历程也确实如此，2018年脱胎于清华NLP实验室，发布了全球首个知识指导的预训练模型ERNIE；2020年成为悟道大模型的首发主力阵容；2022年成立OpenBMB开源社区；2022年面壁智能开始公司化运作；2023年把Agent作为主要发力方向，相继发布了AgentVerse、ChatDev、XAgent等智能企业框架。
从大模型Infra层到Agent应用层，从科学实验室到商业化落地，夯实走的过程中，逐渐演化为了2023年的冲刺能力。去年，就在国内外还在研究Agent定义的时间点，面壁智能已经率先在行业内提出了群体智能的框架和Agent商业化落地的方案。
2024年，大模型应用新篇章即将开启之际，面壁智能又出乎意料地发布了端侧大模型和面壁MiniCPM。
对标国外Mistral-7B，核心就是以最小的模型规模，实现最强的模型效果，这项能力被李大海总结为“以小搏大”、“以大搏聚”，这也是面壁智能的核心能力之一。
从各项结果来看，小钢炮MiniCPM用2B的规模、1T的精选数据，从性能指标上打败了Mistral-7B、微软明星模型Phi-2、蒸馏GPT-4、13BLLaMA等一众主流模型。并且将模型部署的成本彻底打了下来，在侧端，1元=1700000tokens，仅是MiniCPM在云端的1%。
从大模型到Agent，再到侧端模型，总体来看面壁智能的布局，可以发现其已经在为大模型应用的落地和爆发做准备。大模型提供底座能力支撑，Agent做为脚手架打通应用的“最后一公里”，最后在侧端进行部署和运行。
正如李大海所言，“侧端模型能够为大模型和Agent服务，因为端跟云的协同能够更好得让应用落地。端侧模型是大模型技术的积累，在如何把模型小型化，让云上的模型能够用更小的规模实现更好的效果方面，是一脉相承的关系。”
2024年已经缓缓拉开了帷幕，大模型战事瞬息万变。光锥智能对话面壁智能联合创始人、CEO，知乎CTO李大海和其团队，深入探究面壁智能核心竞争力的修炼秘密，同时展望2024年的大模型行业格局。
核心观点如下：
1、“以小搏大”、“以大搏聚”，用2B的模型做出了比2B模型更大的模型效果。
2、“沙盒实验”就是在一个模拟仿真的环境里面，用更小的成本和代价去搞清楚规律。
3、端侧大模型不能只看端侧，未来一定是云端协同。
4、Agent私有化部署成本有两块，一是模型厂商对模型使用收费，一是客户部署完以后的推理成本。
5、面壁智能的差异化竞争策略可以总结为，高效和一体化，即高效推理和模型+Agent一体化。
6、CV是一个单点技术的突破，而大模型是在各个技术点上探索和升级，还远远未达到技术成熟阶段。
以下为对话实录：
Q：为什么选择在2024年开端时候，发布MiniCPM侧端大模型？出于怎样的考虑？
A：在MiniCPM的背后，是做了上千次的沙盒实验，在这过程中我们掌握了“以小搏大”、“以大搏聚”的能力。正如大家所见，我们用2B的模型做出了比2B模型更大的模型效果。这个核心能力，我们本来打算运用到未来新的模型研发上。但我们发现，现阶段，“以小搏大”、“以大搏聚”的能力，运用到端侧上能够产生突破性的进展，所以这才促使我们把模型赶紧做出来。真正做出MiniCPM时间不到一周，根本上得益于过去上千次的实验积累，而这些工作面壁智能在2023年就已经完成，所以MiniCPM可以看作一个厚积薄发的结果。
Q：您刚才提到“沙盒实验”在面壁智能模型训练中起到了重要的作用，可以展开阐释一下吗？
A：用形象的比喻来解释，沙盒实验就像就像航空里面的“风洞实验”。
“沙盒实验”就是在一个模拟仿真的环境里面，用更小的成本和代价去搞清楚规律。我们希望通过这种方式，来搞清楚用什么训练方式能够得到何种表现规模的模型，这就是“沙盒实验”整体的目的和方法论。
我们发布MiniCPM之前做了上千次的模型沙盒实验，探索出了最优的配制，所有尺寸的模型可以通过最优的超参数的配制，保证训练任意大小的模型取得最好的效果。
通过上千次实验，最终可以帮助我们去学习，从特别小的模型，远比MiniCPM还小的模型到千亿甚至比千亿还大的模型的训练控制方法，以便最后得到更好的模型训练效果，从这个角度来看，不管是端侧模型还是千亿级模型，甚至更大的模型，面壁智能的“沙盒实验”过程都能被覆盖。
Q：MiniCPM仅用了1T的数据量就完成了模型训练效果，联系到您知乎CTO的身份，数据的来源与知乎有多大的关系？
A：我们精选了1T的数据，筛选的一个重要标准就是要展现数据的多样性。知乎的高质量数据在模型训练过程中起到十分重要的作用，具体的方法就是，以非常细的颗粒度去把数据打散后，做算法的自动选取。
Q：此次面壁开源了MiniCPM全家桶，作为创业公司，面壁智能如何看待开源这件事？这回为什么选择开源侧端大模型？
A：面壁智能在2022年就成立了开源社区。面壁智能一直是开源的受益者，这也是团队能在AI领域走得比较快的原因。所以从我们团队成立之初，就秉承开源、开放的特点，人人为我，我为人人，能为整个行业做贡献，我觉得还是非常重要的。
另一方面，开源对建立影响力非常重要，有了影响力随之能带来资本的注意力、人才的注意力以及2B的客户注意力，这些其实都是建立商业逻辑的基础。
谈到侧端大模型的开发，虽然相对云端的大模型来说，是一个小模型，但实际上开发仍是一个特别复杂和庞大的任务。这里面涉及的技术难点有两个，一个是除了要能做出更小的模型，还得能释放出更大的性能；此外，模型推理、硬件推理性能、各层面的适配等等，都存在很多技术难点。面壁智能选择开源，也是希望能和手机厂商、APP开发者和领域专家合作，促成技术创新，达成更高效的解决方案，推动整个生态系统的繁荣。
Q：市场上很多手机厂商相继推出了各自的大模型，那未来面壁智能和这些手机厂商的关系是怎样的？大模型公司又如何切入到手机端侧市场中去呢？
A：端侧大模型不能只看端侧，未来一定是云端协同。云上的模型跟端侧的模型需要联动，这就意味着由同一厂商来做联动会更高效。以这个逻辑去推演，最终云侧和端侧的模型最好都是由专业的模型开发者去做。整体来看，这个事持续投入的门槛其实还蛮高的，所以我们不是特别建议手机厂商去持续的做这个事情，我觉得每个公司都有自己的商业考量。
Q：Agent在落地的过程中会遇到很多敏感的隐私数据，面壁智能在与企业合作中是如何解决数据痛点的？成本规模大概是多少？
A：在Agent落地方面，我们其实也在考虑这个问题，对于数据敏感型的客户，我们会做私有化部署方案来解决他们的需求。
私有化部署层面的成本主要分为两方面。一个是模型厂商对模型使用收费，另一个是客户真正部署完以后的推理成本。正是基于此，当特别大的模型完成私有化部署后，对客户来说，其推理成本就会变成一个比较大的成本障碍。在我们看来，不同的模型尺寸，有它所具备的能力和适配的场景，比如7B的模型大小，对标GPT-4的效果。
Q：在整个大模型市场中，跟头部大模型公司相比，面壁智能差异化竞争策略是什么？
面壁智能角色定位为商业公司，NLP实验室定位为科研，由于我们在产学研结合上有非常深厚的优势，所以面壁智能在模型Infra和Agent层面都有相应的积累，未来还是会继续扩大我们在技术上的优势。同时，也通过开源去团结更多的伙伴，一言以蔽之，面壁智能的差异化竞争策略可以总结为，高效和一体化，即高效推理和模型+Agent一体化。
Q：目前，面壁智能的主要目标客户是什么？主要收入来源有哪些？是如何思考商业化的？
A：因为我们C端产品才刚刚上线，所以目前商业收入来源主要来自B端客户。现在标杆客户有招商银行、西门子、中国易车网等一些比较知名的客户，集中在金融和营销等领域。我们跟易车刚刚达成了深度的战略合作，跟义乌小商品市场集团也达成了很重要的战略化合作态，这些都是在营销领域的一些重要成果。目前，端侧大模型的商业化模式还尚在探索之中。
Q：新的一年，面壁智能的战略规划是什么？2B和2C方向是如何选择的？作为公司的CEO，你的关注点有哪些？
A：整个2024年，面壁智能依然会坚持大模型+Agent的双引擎战略。
一方面，要继续推进提升我们的模型能力，在端侧已经发布了端侧模型，同时今年仍然会去继续提升基座模型能力，挑战GPT-4的能力；另一方面，要用Agent来解决大模型落地最后一公里的问题，提升落地效率，在此方向上，我们甚至制定了一个比较激进的收入目标。因为我们相信，大模型真的能够去给客户带来效率和效益的提升，也比较看好整个大模型市场。
在2B和2C方向选择上，其实并没有明确的划分，因为在我们看来都是大模型+Agent的上层应用，所以我们并没有把重点放在具体的哪个应用方向上。在现阶段，前端的应用落地比较聚焦，在C端方向，我们会特别关注情感陪伴这个方向，也就是给用户提供情绪价值。
比如，我们开发的“心间”应用上线了测试版本，里面有个特色功能叫做磕CP，内置了李白杜甫和清华北大的CP，用户也可以制造自己的CP，背后是用大模型做的推理。
从我自己关心的事情上来说，因为面壁智能在模型训练方面的积累已经非常深厚了，所以对我们模型能力提升还是蛮有信心的。对我们而言，这个方向的确定性比较高。未来，我个人其实会更关心模型落地，也就是应用的问题。
Q：行业内都在谈论2024年是模型转应用的一年，您如何看待这一趋势？以您的角度来看，未来市场竞争中是否还需要这么多的大模型厂商？最终什么样的模型厂商能够跑出来呢？
A：整个24年，行业都会更重视应用的落地，这是个大趋势。目前模型已经达到基本可用的状态，在这样的基础上去发展应用，我觉得是一个顺理成章的趋势。我们发布的“心间”，就是面壁智能在应用层积极布局的表现。
但我们认为，AGI就像马拉松比赛一样，是需要长期努力的目标，需要各个公司在技术上持续的积累。
从厂商分布来看，从2024年开始，大模型厂商会开始出现分层。我自己判断，分层出现的原因不是市场所导致的，更多还是因为技术，随着大模型的发展，技术的门槛会越来越高。
在市场层面，我认为大模型是一个行业级别的机会。我们看到，无论是做大模型基座，还是做应用，都有非常大的空间。因为市场足够大，所以很多公司可能都有机会能生存下来，最终能活下来的公司，一定是技术、产品和市场能力都很强的选手。
Q：就像您所说“AGI是一场马拉松”，这样的发展特性，对未来的行业格局变化有怎样的影响？
A：这回给行业格局洗牌带来许多不确定性，以我的观察，我觉得这不是2024年、2025年，甚至2026年能够分出胜负的事情。
回首过去CV发展的情况，会发现AI 1.0的竞争格局也不是在头两年确定的，即使到了第三个年头还是在发生非常大的变化，所以这启示我们要以长远的眼光看待行业的变化。当然，跟AI 1.0时代相比，2.0智能时代最大的差别在于，CV是一个单点技术的突破，而大模型是在各个技术点上探索和升级，还远远未达到技术成熟阶段。